从需求预测到供应链Agent：观远数据×联合利华消费品领域AI实践

消费品供应链正在进入一个更难做“计划”的阶段。渠道越来越碎，订单来得越来越快，平台履约规则持续压缩，促销节奏又不断变化。过去依靠经验就能覆盖的大部分判断，如今要同时面对SKU、仓库、活动、经销商和产能的联动变化。

这也是为什么，供应链AI不能被简单理解为只是一个预测模型。真正有价值的AI，要进入需求计划、渠道协同、促销计划、库存管理和排产履约流程，帮助业务把一次次判断变得可计算、可验证、可复盘。

联合利华与观远数据从2018年开始合作。到2026年，这段合作已走过八年。放在观远数据成立十周年的时间线上看，联合利华并不是一个孤立的项目，而是一条从需求预测、供应链协同到Agent落地的长期实践路径。它说明，消费品企业的AI落地，往往不是从一个大而全的平台开始，而是从一个个高频、明确、可验证的供应链判断开始。

为什么订单越快，供应链越不能只靠计划员经验？

快消行业的供应链压力，往往来自大量细小但连续发生的决策判断。一张经销商订单进入系统后，需要经历审核、库存匹配、仓网选择、生产安排、物流履约等多个环节。联合利华的供应链现场中，一张订单可能涉及30到40个决策点，并经过10到15个人的信息传递。

虽然每一步看上去都只是一个很小的局部动作，但叠加起来看，就是成本、速度和库存的整体经营表现。如果补得太多，仓储和资金压力就会上升；补得太少，履约风险又会被放大；发得太慢，平台规则和消费者体验都会受到影响。计划员经验固然重要，但当业务变量太多时，人工判断就很难稳定覆盖全部场景。

联合利华的实践，正是从这些具体预测相中逐步展开。其AI需求预测体系覆盖AIDP、CPFR、AIDT、AIKC、DTC等多个场景，并逐步形成统一的 Demand Hub，也就是面向多渠道需求预测与协同的“需求中枢”。系统既要预测每个仓库、每个SKU的出货量，也要预测每个SKU的全国总量，预测周期从1周延伸到4个月。

当预测被放进真实流程，变化才会显现出来。以AIDP（AI Demand Planning，AI需求计划）为例，AI应用业务覆盖率超过80%，预测准确率平均提升10%；在大卖场促销赔额预测中，流程自动化从0提升至90%。对供应链团队来说，这些数字背后不是简单提效，而是库存准备、生产节奏和人员分工都开始被重新组织。

从需求预测到F2C自动排产，AI如何进入履约现场？

如果说需求预测解决的是“未来可能发生什么”，排产履约解决的就是“现在应该怎么安排”。联合利华切入的一个关键场景，就是F2C（Factory to Consumer，工厂直达消费者履约模式）自动排产。

F2C履约中心建在合肥工厂旁边，直接面向电商消费者订单。消费者在抖音等平台下单后，订单实时进入系统，履约中心要识别SKU组合，完成拣选、打包、贴标和发货。平台发货要求从36小时压缩到24小时，未来还有可能进一步缩短。

这类现场对传统排产方式并不友好。因为计划员需要同时考虑实时订单、生产线状态、手工线和自动线、交付时间、产能变化以及包装组合。高峰期还要平衡订单、库存、产能与运力，异常分散在ERP、WMS、运输、计划和报表系统里，人工很难实现实时扫描全局。

AI在这里要做的，不是直接替代计划员，而是复制计划员的经验。哪些规则是硬约束，哪些目标可以优化，哪些参数需要每周复盘，哪些异常需要回到业务侧确认，过去需要靠人记、靠人传的经验，开始被还原成可计算、可验证的逻辑。

在DTC（Direct to Consumer，品牌直接面向消费者）电商旗舰店预测场景中，业务人员可以围绕活动等级、GMV目标、商品特征和优惠券信息创建活动，实现一键触发预测。系统会根据活动属性匹配不同模型，区分大促与普通活动、热销Link与非热销Link，让预测更贴近真实经营节奏。

供应链Agent真正沉淀的，是经验还是流程？

从2021年起，联合利华与观远的合作从预测类项目延伸到DCOM控制塔、悟空1.0 F2C智能大脑等定制化场景；2025年起，双方进入Agent赋能业务转型阶段，已落地仓库会议智能体、智能排产智能体，并继续共创动态库存智能体、闲时补货智能体等项目。

对消费品企业而言，供应链Agent的价值不仅仅是效率的提升。更关键的一个变化是，经验不再只留在少数人身上，也不再随着岗位流动而流失。系统能够记录判断依据、比较参数效果、回看真实订单，并在新的业务环境中继续优化。

联合利华用实践印证了一点，供应链Agent适合从高频、一线、单角色且价值明确的场景切入。第一阶段，系统要做到不低于人工经验；第二阶段，可以通过沙盒复盘真实订单，比较不同参数组合，再把更优方案部署回新环境。这样的路径，比一开始就追求全流程自动化更加务实、方便落地。

从行业发展看，这类实践的意义在于，它让“企业AI落地”变得具体。AI不是一句“改变供应链”的口号，而是发生在一次订单为什么这样分配、一个参数为什么需要调整、一周以后系统如何复盘的细节里。

渠道、订单、库存、促销和产能之间的关系越复杂，企业越需要把人的经验变成系统可以理解的规则，再让Agent在真实业务现场中持续学习和协同。

联合利华的实践给出的答案，是让AI先进入具体流程，再通过持续复盘接近业务真实。