在生产制造企业中，供应链管理者每天都要面对同一组灵魂拷问：
● 下个月到底要备FG、RM、MRO、WIP多少?
● FG、RM、MRO、WIP安全库存定多少才既不缺货、又不压资金?
● 上万个SKU,哪些要重点盯、哪些该果断淘汰?
● FG、RM到底是做备货型(MTS)、还是做订单型(MTO)更划算?
传统依赖 Excel 与经验判断的模式,常常顾此失彼。
数匠科技供应链控制塔,将 需求计划(DP)、安全库存(SS)、物料分组三大核心模块整合在一个平台中,让数据与算法替代经验,让决策变得透明、可追溯、可复用。今天我们通过五张真实产品截图,带大家一探究竟。
01 ｜ 需求预测(DP):让每个SKU 都有最合适的预测方法
好的预测,不是追求一个「神准」的数字,而是为每一个 SKU 找到那个「最合适」的预测方法。
图 1:需求预测模块 — Best Fit 自动选择
① 自动择优:Best Fit 算法在后台为你打工
系统会在后台同时跑多种时间序列模型(移动平均、加权平均、指数平滑、Holt-Winters、Croston、SBA 等),并自动为每个 SKU 选出 MAPE/MAD/RMSE或者综合最优的那一种，预测精度评判规则（MAPE/MAD/RMSE）全局参数配置。
以截图为例,系统推荐方法为Weighted Average(加权平均),并在右下角清晰列出了精度指标: 历史平均需求、历史标准差、需求间隔、 MAPE、MAD、RMSE。
BEST FIT页签针对每种算法进行回归预测分析，计算每种时间序列预测方法的预测精度值，并根据系统设置选择最佳，本例选择Single Exponential。
系统设置规则：● RMSE / MAD / MAPE：单指标最小；● Best2of3：RMSE/MAD/MAPE 三个冠军投票，赢 ≥ 2 即胜，平局退化 Composite；● Composite：每个指标除以候选中的最大值得到归一值，三者均值最小者胜（MAPE 不可用时用RMSE 替代）
② 需求类型 → 推荐方法:让算法「看菜下饭」
平台并不迷信单一算法,而是会先识别需求的「性格」,再对症下药。左下角的「需求类型 → 推荐方法」一栏清晰写着: 平稳 → Weighted Avg(加权平均)； 季节 → Winters Mult.(乘法型霍尔特-温特斯)； 趋势 → Double Exp.(双重指数平滑)； 间歇 → SBA / Croston(间歇性需求专用算法)。
这是供应链里最朴素也最重要的常识:间歇性需求绝对不能用移动平均,季节性需求必须用能捕捉周期的模型。平台把这套常识固化进了算法推荐逻辑里。
③ 历史 + 预测 + 趋势线:一张图讲清所有故事
中间的可视化区域是整个模块的灵魂。蓝色柱状图代表历史实际需求(2025 年 1 月至 11 月),绿色柱状图是未来 6 期的预测值(2026 年 5 月至 10 月),橙色曲线是趋势线,红色虚线点则是「历史预测」回测——用来直观比对模型在过去的表现。
这里红线因为，客户数据只给到2025年12月份，缺失2026年1-4月份的实际需求，显示为红点和虚线。
④ 需求汇总:从年度汇总下钻到明细
计划员可以在这里直接进行调整:若业务方告知 4 月将启动一个大项目、3月某客户会一次性追加订单,直接在 Adjustment / Non-Recurring 行对应单元格填写即可,系统会自动把这些人工输入叠加到最终 Total Demand 中,既保留了算法的客观性,又承认了业务判断的价值。
✅要点总结:DP 模块的核心哲学是 —— 算法负责跑得快、跑得准,人负责判断和调整。
02 ｜ 安全库存:从「拍脑袋」到「算得明白」
安全库存不是越多越好,也不是越少越好——它是一个关于 服务水平 × 资金占用 的精细化平衡。
图 2:安全库存模块 — SL、ROP、Stock Max、EOQ 四大核心参数+ What-If 模拟
① 四大关键参数一览
打开「安全库存」页面,顶部四个大号数字直接给出当前SKU在当前参数下的核心决策:
SAFETY LEVEL = 342(安全库存水平,单位:件)； REORDER POINT = 1054(再订货点 = λ(712) + SL(342),即提前期内需求 + 安全库存)；STOCK MAX = 1776(最大库存 = ROP(1054) + EOQ(722),对应 2 × 月预测量)；EOQ = 722(经济批量,按 EOQ 月数 × 月度预测 计算得出)
这四个数字共同定义了该 SKU 的库存「工作区间」:低于 ROP 就下单,一次下 EOQ,总库存不超过 Stock Max。逻辑自洽、闭环,易于执行。EOQ的计算支持两种方式，当Carrying cost和ordering cost比较精准时，选择Wilson公式计算，否则取经验值。
② 服务水平公式:Type II 填充率(经验系数)
左侧「SL 计算参数」给出了公式选择:服务水平公式(SFormulaType):Type II — 满足率水平；目标 DS% = 95(目标满足率 95%)； EOQ 月数 = 2(经济批量覆盖 2 个月的预测需求)。
安全库存策略提供三类参数选项：Type I(周期服务水平,只关心是否缺货)；Type II 每笔需求能被即时满足的比例；Beta考量EOQ对于安全库存的影响；,更贴近真实的客户体验。
平台同时通过全局配置:低阈值、高量VMR Cap确定根据不同SKU的需求特性选择泊松分布、负二项分布还是正太分布进行匹配，一般成品、原材料都是走正态分布，特殊的SKU（高价核心零部件可能存在泊松和负二项）。
③ What-If 模拟:参数改一改,立刻看影响
中部的「What-If」面板是 SKU-级调参的利器。计划员可以临时修改:月度平均预测需求 FCST = 361.02；提前期 procLT = 60 天；目标满足率 DS% = 95；经济批量 EOQ = 722.04。
然后点击「库存模拟」,系统会在右侧实时给出新的 SL、ROP、Stock Max、目标满足率水平四项结果,做到「改一个参数、立刻看后果」,避免了传统 Excel 模型中反复调公式、反复校验的低效操作。
④ Exchange Curve:一张曲线看清「ROP 与服务水平」的关系
页面下半部分的 Exchange Curve 是——以 ROP (Units) 为横轴、目标满足率 % 为纵轴,画出了一条 S 形曲线。当前参数下 ROP = 1054 的位置被红色圆点高亮标注,对应满足率正好处在 95% 拐点附近。
这张曲线回答了计划员最关心的问题:如果我再多备 10 件安全库存,服务水平会提升多少?如果我把 ROP 从 1054降到 800,服务水平会跌到几何?——从曲线上一眼就能读出。它把「资金 vs 服务」的经典权衡可视化,让管理层决策变得有据可依。
✅要点总结:安全库存模块把「黑盒公式」变成了「透明决策」——每一个数字从哪来、怎么算、改了会怎样,全都看得见。
03 ｜ 物料分组:给每一个 SKU匹配合适的策略
物料分组，是企业供应量战略的一个核心，成品和原材料为其核心，其中成品的分组策略反应其供应链战略侧重点。
面对上万个不同种类的SKU,不能一刀切,也不能靠人工打标签。我们提供了三套互补的分组动态分组视角:
① 数据驱动的 ABC-XYZ 九宫格(价值 × 波动)
② 业务驱动的成品供应策略(毛利 × 波动,MTS/MTO 决策)
③ 属性驱动的物料属性分组(按客户、品类、规格、供应商等固有属性)
下面我们分别来看这三类方法。
① ｜ 数据视角:ABC-XYZ 九宫格分类
图 3:物料数据管理策略分析 — ABC × XYZ 九宫格(1672 SKU)
这是经典的供应链分类法在数字化平台上的全新实现。页面顶部可选择行(价值)与列(波动)的具体指标: 行(价值):DemandValue_12M(近 12 个月需求价值)；列(波动):Volatility_12M(近 12 个月需求变异系数)。
系统将所有SKU 按两个维度自动分到 9个格子中,并为每格标注了「管理策略」。具体分布如下:
A 类(高价值): A-X(稳定):精细管理、高频监控； A-Y(波动):重点监控、弹性库存； A-Z(剧烈波动):最高风险、安全库存介入
B 类(中等价值): B-X:标准管理、定期补货； B-Y:适度关注、需求计划； B-Z:波动管理、策略评估
C 类(低价值): C-X:宽松管理、低优先级； C-Y:考虑淘汰、减少库存； C-Z:优先淘汰、停止备货
一眼就能看出问题所在:C-Z 格子占据了整个库存的 67.8%,这意味着有超过 2/3 的SKU 是「低价值 + 剧烈波动」型,是典型的管理难点,如果是成品，则需要通过产品生命周期管理(EOL)和精简SKU 策略来清理。
页面下方的散点图以 Volatility_12M 为横轴、DemandValue_12M 为纵轴,把所有SKU 全部可视化。点击任一格子还可以下钻到 SKU 明细,实现从「全景图」到「单品」的无缝穿透。
💡使用建议:ABC-XYZ 分析建议在「产品线级」运行,而不是全盘合跑——不同品类的价值阈值和波动特征差异巨大,分产品线跑出来的结果才有业务可比性。
② ｜ 策略视角:MTS / MTO 成品供应策略分析
图 4:成品供应策略分析 — 毛利 × 需求波动 四象限决策(SKU)
如果说 ABC-XYZ 回答的是「这个SKU 有多重要」,那么 MTS/MTO 策略回答的是「这个 SKU 应该怎么供应」——是提前生产放在仓库里(Make To Stock),还是等订单来了再生产(Make To Order)?
平台基于「毛利 × 需求波动」两个维度,把 1119 个 SKU 分到了四个象限。顶部卡片直接给出结论:
四象限明细:
● High-Low(高毛利 + 低波动)→ MTS:标准补货。利润好又卖得稳,可放心备货。
● High-High(高毛利 + 高波动)→ MTS:重点保障。利润丰厚但需求不稳,备货时需加安全库存。
● Low-Low(低毛利 + 低波动)→ MTS/MTO 根据频次判定。量大价薄,按历史订单频次决定策略。
● Low-High(低毛利 + 高波动)→ MTO / Stock = 0。吃力不讨好,坚决按单生产、不备库存。
页面下方的气泡图把 1119 个 成品SKU的「需求波动 σ × 月毛利 GP」关系全景铺开,两条虚线(σ=154.8 与 GP=110712)就是分割四象限的「分水岭」。
最巧妙的是:这两条虚线支持用户拖拽调整——业务方觉得「月毛利 10 万以上才算高毛利」,直接拖动虚线就能重新切分四象限,计算策略会自动更新。这种交互式的策略分割,把决策权真正还给了业务。
✅要点总结:MTS/MTO 分析把「利润」和「波动」这两个看似独立的维度放在一起决策,避免了只看利润(忽视稳定性)或只看波动(忽视商业价值)的片面判断。
③ ｜ 属性视角:按固有属性的静态分组
除了数据驱动与策略驱动的动态分组外,平台还保留了最基础的 物料属性分组能力:按客户、产品线、品类、规格、供应商、仓库等固有属性进行动态分类。
且不同的分组赋予不同的供应链策略，如Fill Rate、预测方法、供应策略等等，将供应链战略里面的Segmentation进行数字化落地。
基于数据的动态分组(ABC-XYZ、MTS/MTO)和基于属性分组都会随数据变化而变化。两者叠加使用,才能形成真正完整的物料画像:这个SKU 属于哪个客户、哪条产品线(属性)、处在哪个管理象限(九宫格)、该用什么供应策略(MTS/MTO)、对应的安全库存和 ROP 是多少(SS 模块)——一张画像讲清一切。
04 ｜ 写在最后
供应链管理的难,从来都不是「缺工具」,而是「工具之间彼此割裂」——DP 用一个 Excel、安全库存用另一个 Excel、物料分类又是第三个 Excel,每次跨模块对数都要花掉半天。
数匠科技·供应链控制塔最核心的价值,正是打通了这三个模块的数据与参数:
● DP 模块给出的预测值,直接作为 SS 模块的 FCST 输入
● SS 模块计算出的 Safety Level、ROP、Stock Max,直接参与MTS/MTO 策略判定
● 物料分组的结果(九宫格 + 四象限),反过来又决定 SS 模块中不同 SKU 的目标服务水平差异化设置
🚀如果您也在被这些问题困扰:
SKU 数量爆炸、计划员疲于奔命、安全库存全靠经验、压资金又时常缺货、MTS / MTO 策略模糊、长尾 SKU 无人管理。欢迎联系我们，安排 30 分钟 DEMO,用您的真实数据跑一次看看。