用AI做库存呆滞分类，规则和模型要配合好
仓库里积压了一批三个月没动过的SKU，采购部门认为是销售不力，销售部门说是选品问题，财务部门要求尽快折价变现。这类场景在零售和制造企业里反复出现。问题不在于谁对谁错，而在于库存呆滞的判断本身就缺少清晰的分界。
大部分企业目前的库存呆滞分类靠的是固定规则：超过一定天数未出库就标记为呆滞。这种做法的好处是简单，缺点是容易误判。季末的应季服饰、生产备用的长周期物料、促销前囤货的大单量商品，如果只用单一的时间阈值去卡，要么误伤正常库存，要么错过真正需要处理的积压品。管理者真正需要的，是一套能结合业务特征判断库存健康度的辅助工具。
库存呆滞分类为什么不能仅靠固定规则
以一家多门店零售企业为例，2500个SKU分布在70家门店中。如果统一把超过45天未动销的商品定义为呆滞，那么新上市的应季商品在导入期就会被错误标记；而某款长期不动但利润率极高的配件，又会被规则忽略。固定规则无法感知品类差异、季节因素、补货周期和销售节奏。
更现实的问题是，库存数据分布在多个系统中。ERP里有采购入库数据，销售系统里有出库记录，自研系统里可能还有门店的调拨数据。人工汇总不仅耗时，还容易出错。每月对账时几十笔数据差异并不少见，在这种数据质量基础上做呆滞分类，结论很难信任。
管理上需要回答的是一个动态问题：这批库存当前是否健康，预计未来多久能消化，需不需要启动促销或退货流程。这才是库存呆滞分类的真正意图，而不仅仅是贴一个标签。
AI库存管理系统如何协同规则与模型
一种更现实的做法是让规则和模型各司其职。规则负责兜住必须强制清理的边界，模型负责处理那些规则无法覆盖的模糊地带。
规则层可以定义一组明确的条件：超过180天未出库、库龄超过某一阈值且无未来订单、库存周转率低于行业下限。这些条件逻辑清晰，执行门槛低，适合由系统自动触发预警或审批流程。规则层的作用是锁定那些绝对需要处理的库存。
模型层的任务是处理中间地带。比如一款SKU库存天数超过60天但近期销售有回升趋势，规则无法判断它是否即将好转，但模型可以结合历史销售曲线、季节性因子、促销计划和未来预测，输出一个健康度评分。管理者据此判断是继续观察还是启动退货。
按这种分工，规则层保证了底线不被突破，模型层在数据充足的条件下提供决策前的辅助判断。两者叠加后，库存管理的重心可以从“事后分类”转向“事前预警”。
流程设计：从数据接入到分类执行
实现上述分工需要三个环节的配合，缺一不可。
- 数据接入：打通ERP、销售系统、自研系统等外部数据，把SKU的采购入库、销售出库、调拨、退货记录统一归集到同一个数据视图。这里需要用到类似Q-Linker这样的集成组件，减少人工搬运数据的动作。
- 规则与模型协同：规则层配置好用固定条件触发的场景，例如“库龄超过180天且未来两周无订单”自动生成呆滞标记并发起淘汰审批。模型层接入AI库存管理系统，让AI基于历史数据定期输出健康度分析和补货建议，管理者在审批时可以查看AI的分析过程。
- 异常处理与闭环：当AI输出的健康度评分与规则判断冲突时，需要有异常流转机制。例如规则判为呆滞，但AI判断为可继续观察，系统应当自动生成一条异常记录并交给高层复核，而不是人工在两张表格之间反复校对。
这家零售企业落地后的效果可以说明这种分工的价值：补货建单团队从6人减到2人，人工操作减少70%，审批周期从7天缩短到1.4天，数据错误率从每月38起降至3起以下，滞销库存积压下降57%，整体供应链效率提升62%。数据来源于该企业上线的实际统计。
选择AI库存管理系统时要注意的边界
并不是所有企业都需要马上引入模型层。以下三个条件至少满足两个时，才有必要把AI能力接入库存管理流程：
| 条件 | 说明 |
|---|---|
| SKU规模超过1000个 | 品项越多，依赖人工判断的遗漏概率越大 |
| 库存数据分布在至少2个系统中 | 数据不统一时，AI的输入质量无法保证 |
| 每月呆滞判断超过1次 | 高频判断场景下，自动化比人工更可靠 |
还有一个容易被忽略的前提：模型的效果依赖于历史数据的完整度。如果过去一年以上的销售和库存数据没有系统化记录，AI模型很难输出有价值的判断。这种情况下，应该先完成数据治理，再考虑引入AI能力。
轻流企业数字化管理系统所提供的AI能力正是定位为业务管理平台中的能力增强层。它不试图取代业务负责人的判断，而是在审批、查询、数据分析等环节辅助流程推进和异常总结。比如在库存分析场景中，AI可以自动汇总库存健康度分析报告，给出补货建议，管理者可以在审批表单中直接参考AI的分析结论做最终决策。
落地动作：先从一条规则和一个SKU试点
不必一开始就搭建完整的AI库存管理系统。比较务实的做法是选一个品类、一条呆滞判定规则、一个门店或仓库作为试点。
- 第一步：把该品类的库存数据接入一个统一的数据平台，至少实现采购、销售、调拨三类单据的实时同步。
- 第二步：配置一条呆滞规则，比如“库龄超过60天且连续两周无销量”。这条规则绑定的动作可以是自动标记、生成审批待办或发送预警通知。
- 第三步：在规则判断的基础上，让AI模型对这批SKU做健康度分析。如果模型输出与规则判断不一致，则记录为异常案例，供后续优化规则时参考。
- 第四步：运行一个月后评估准确率和执行效率，再决定是否扩展到其他品类或门店。
这种渐进方式的好处是风险可控。即使规则或模型判断有偏差，影响范围也局限在一个小品类内。同时，一个月的运行数据可以为后续模型调优提供真实样本。
先统一单据规则，再讨论系统替换
很多企业容易陷入一个误区：先换系统再优化流程。但对于库存呆滞分类这件事，真正需要调整的往往不是系统本身，而是数据标准和业务规则。同一款SKU在ERP里用A编码，在销售系统里用B编码，模型输入时就无法关联。不解决这个问题，换任何系统效果都有限。
建议的顺序是：先统一SKU编码和出入库单据的字段定义，确保跨系统的数据能对应；再完善呆滞分类业务规则，把“多久算呆滞”“由谁判定”“如何处理”这些管理决策明确下来；最后才考虑是否需要引入AI模型来辅助判断。如果规则本身不清晰，AI模型输入的数据质量也无法保证。
在这个思路下，轻流的流程引擎和数据引擎可以在不推翻现有系统的情况下，先把数据打通、规则配置好、审批流跑通。AI能力的引入是锦上添花，前提是规则层已经能够正确运行。管理者对库存呆滞的分类不是追求模型完美，而是追求决策效率高和错误率可控。
常见问题
Q1: 用AI做库存呆滞分类，规则和模型应该怎么分配场景？
答：规则适合处理边界明确的场景，比如超过180天未出库、库龄超阈值且无未来订单。模型适合处理模糊地带，比如库龄偏高但销售回暖趋势明显、受季节影响波动大的品类。两者叠加后，规则保底，模型辅助判断，整体错误率更低。
Q2: 中小型零售企业有没有必要引入AI库存管理系统？
答：如果SKU数量在500个以内，且库存数据在一个系统里管理，先用规则层做呆滞分类就够用了，没必要增加模型层的复杂度。但SKU超过1000个、数据分布在两个以上系统、每月需要多次判断呆滞时，引入AI辅助判断的价值就会明显体现。
Q3: 用AI做库存呆滞分类需要准备什么样的数据？
答：至少需要过去一年以上的SKU级别入库、出库、调拨和退货数据。如果数据缺失超过6个月，模型的关键特征如季节性、销售趋势都无法有效计算。这种情况下建议先做数据治理，补齐历史记录，再考虑引入模型层。
