製造業供應鏈 AI:需求預測與生產排程如何把庫存週轉率拉高 20%

先講一個現場。

去年底我們進到一家中部的工具機零件廠。倉庫主管帶我們看成品倉,指著一整排棧板說:「這些都是接單會用到的,不能丟。」我們拉了他的 ERP 出貨紀錄,對了一遍料號:38% 的品項,上一次動料是 90 天以前。帳面上是「安全庫存」,實際上是被預測失準綁死的現金。

這家廠不是沒導入系統。他們兩年前上了一套需求預測模組，Demo 時準確率報表很漂亮。問題是預測歸預測，排產歸排產——業務端的預測數字進不了生管的排程邏輯，生管還是照老師傅的經驗排。兩套邏輯各跑各的，中間的落差全都變成庫存。

製造業供應鏈 AI，真正的槓桿在哪兩個節點

大家談製造業供應鏈 AI，很容易鋪得很廣：從供應商風險、物流可視化、品質檢測一路講到數位孿生。聽起來都對，但要在一季內看到現金流的改變，你得先把火力集中在兩個彼此咬合的節點——需求預測，跟生產排程最佳化。

這兩件事必須連在一起講，因為它們共用同一個代價：庫存。預測偏高、排程就多做，成品壓在倉裡；預測偏低、排程來不及反應，就用急單和加班補，在製品跟緩衝庫存一起漲。任何一邊單獨優化，另一邊都會把好處吃掉。

我們用來衡量的指標只有一個——庫存週轉率（年營業成本 ÷ 平均庫存）。它騙不了人。預測準了、排程順了，週轉率一定往上走；反過來，任何「準確率提升」如果沒讓庫存動起來，那就是報表好看而已。這也是我們跟客戶對齊的第一件事：不看模型的 MAPE，看倉庫的週轉。

需求預測那端，我們沒有一上來就換模型。先做的是把預測顆粒度從「月 × 產品大類」打細到「週 × 單一料號 × 客戶群」。老系統之所以不準，很多時候不是演算法差，是顆粒度太粗，把三個行為完全不同的客戶硬平均在一起。細化之後，我們才在上面疊時序模型，並把促銷檔期、客戶開案訊號這些外生變數餵進去。

排程那端更關鍵。我們把預測輸出直接接進 APS（進階規劃排程），讓每週的滾動預測變成排產的輸入條件，而不是掛在牆上的參考。同時把換線時間、模具共用、交期優先序寫成排程的約束，讓系統在「準交」跟「少換線」之間找平衡，而不是靠師傅拍板。

還有一件事必須誠實講：這套上線第一個月，週轉率不升反降。因為模型把幾個長尾料號的安全庫存砍太狠，來了兩張急單，反而多花了加班。我們花了三週把「呆滯風險」跟「缺貨風險」重新配權，才把曲線拉回來。這種坑，Demo 階段永遠不會出現，只有真的上線、真的有人在用，才會浮出來。

週轉率從 5.2 到 6.3，帳面上是 21%，但更有感的是那 16% 被釋放出來的庫存現金——對這家廠等於多出一條產線的週轉空間。準交率同時往上，是因為排程不再被錯誤預測牽著走，急單反而變少了。

回頭看，模型大概只占這個案子三成的工作。真正花時間的，是讓業務、生管、倉庫三方認同「以週轉率為準」這件事，是把預測結果從報表變成 APS 吃得下的約束，是上線後那三週守在現場調權重、看每天的差異。

我們在 Tenten 一直是這樣做的：工程師帶著模型進客戶的廠，接他們的 ERP 跟排程系統，然後留下來，把它扛到真的有人每天在用為止。Demo 很美不算數，倉庫裡那排棧板開始動了，才算數。