针对离散制造行业原材料、半成品库存呆滞、积压风险防控滞后的痛点，本文结合实际项目落地经验，介绍智能库存风险预警管控系统的需求定位、核心算法选型与现场落地细节，给同行业工程师提供可参考的实操经验。
从车间真问题里长出来的需求
去年在长三角给一家汽车底盘零部件厂做数字化改造，刚进场就被仓管主任拉去看仓库角落。堆得整整齐齐的6061铝型材，蒙着一层灰。总共三百二十七万的货，客户改了新车型的底盘结构，这批料直接废了。说起来都气，之前的库存系统只会提醒“库存不足”，从来不会说“这批货放太久卖不出去了”。
之前统计过，国内八成中小离散制造企业，呆滞料占库存总金额的比例在8%-15%之间，这笔资金占压，能拖死不少利润薄的加工厂。
传统的库存管理靠什么？月底盘点，人工盘完才知道哪批料压了。等你反应过来，要么客户改需求了，要么材料过期变质了。晚了。
智能库存风险预警管控系统，核心不是管库存数量，是管「风险」。换句话说，你得提前三个月甚至半年就告诉我，哪批料大概率会砸手里，要不要赶紧找下游消化，要不要叫停后续采购。这才是核心。
很多做系统的上来就搞全链路自动化，忘了客户最痛的点就是那堆占钱占地方的死库存。
核心算法的选型踩坑记
一开始我们团队也想追热门，直接上LSTM时间序列预测，说准确率高。跑了半个月数据发现不对。
大部分中小厂的库存数据哪有那么全？三年以内的出入库数据能整理清楚就不错了，很多小零件连入库时间都只记在本子上，扫描数据断断续续的。训练出来的模型，准确率连百分之五十都不到，中看不中用。
说实话，工业场景哪来那么多干净的大数据？最后我们调整了方案，用融合ABC分类法的加权风险熵模型，对不同分类的物料设置不同的风险权重。
给大家算一下，风险熵的公式就是：
$$ H(X) = -\sum_{i=1}^{n} p(x_i) \log p(x_i) $$
单种物料的风险得分 $ R_i = w_i * H(X_i) $，其中 $w_i$ 是该物料的分类权重：A类（高价值单物料）权重0.6，B类（中价值批量物料）0.3，C类（低价值标准件）0.1。风险预警阈值我们按照GB/T 24001-2016环境管理体系以及机械行业通用库存管理规范，设定为0.65，得分超过0.65触发红色预警，0.3-0.65触发黄色预警。
这套模型对数据量要求不高，只要有近一年的出入库记录、物料价值、客户需求计划就能跑，准确率稳定在百分之八十三以上，比之前的LSTM还好用。不过话说回来，不是说LSTM不好，要是大厂数据全，当然可以用更复杂的模型，中小厂落地，够用、准确比什么都重要。
我见过太多项目，上来就堆高大上的技术，最后算出来的预警连现场工程师都不信，白扔钱。
现场落地容易忽略的几个细节
第一个，别信什么自动同步全数据，车间的扫码枪大多是老的，网络也不稳，出入库数据经常延迟三四个小时才传上来。要是预警模型用实时数据，很容易出误报。我们最后加了一个每日凌晨批量同步的机制，每天更新一次风险得分，足够用了，误报率直接降了七成。
第二个，呆滞料的判定标准别搞一刀切。电子元器件的存储寿命是一年，超过六个月没动就是风险；大型结构钢放十八个月都没问题，你六个月就预警，纯属打扰仓管。之前有个项目就是没改这个默认参数，仓管被预警消息炸烦了，直接把系统消息给屏蔽了，整个系统直接废掉。这个教训记一辈子。
第三个，预警一定要分级推人。黄色预警（一般风险）只推给仓管，让他留意周转；红色预警直接推给采购经理和生产主管，直接叫停新的采购，启动内部消化流程。权责清了，才推得动。对吧？
还有，别忘给仓管留手动调整权重的入口。有些料客户已经口头说下个月要改设计了，销售还没把需求更新进系统，仓管可以直接调高风险得分，手动触发预警。这种灵活度，比全自动化更重要。
这套系统我们在三个不同规模的离散制造车间跑了十八个月，最新的数据出来，呆滞料占比平均从原来的11.7%降到了4.1%，库存资金占用平均下降了21%，效果确实看得见。
做工业智能系统，从来不是拼技术多先进，是能不能扎进现场，把真问题解决了。你把用户的真痛点踩准了，哪怕用简单的模型，也能出实实在在的效果。
