一位采购员坐在工作台前，他需要负责几十家供应商的4000种零部件，他的仪表盘上塞满了各种预测——预测的需求变化、预期的交付周期偏差、供应商风险评分，AI已经完成了它的工作。

接下来呢?

这就是大多数供应链AI投资悄然宣告失败的时刻，并不是因为预测不准——许多预测都准得惊人，而是因为，无论多么精准的预测，都不等于行动。对于一个在周一早晨盯着4000种零部件的采购员来说，没有行动的洞察，只是一种更高级的让他无所适从的方式。

预测的泛滥与处方的匮乏

过去十年对供应链技术的投资，已经孕育出了极其强大的预测能力。需求预测、供应计划、交付周期预测、供应商风险评分、中断概率建模——这些工具确实得到了提升。如今，大多数供应链领导者拥有的前瞻性数据，已经多到让他们不知该如何处理的地步。

最后那句话正是问题所在。

预测性分析回答了这样一个问题：可能会发生什么?它之所以能快速发展，原因很简单——预测很容易生成，且很难对其问责。预测可以出错，却不需要任何一个人承担明确的责任。算法运行了，模型预测了，未来本身就是不确定的，过去就过去了。

处方性分析回答了一个更难的问题：在已知一切信息的情况下，这个特定的采购员现在究竟应该做什么?这种问责机制的缺失，恰恰是处方性分析远远落后于预测性分析的原因。当处方性系统要求采购员加急某个特定订单、推迟采购或取消发布采购订单时，该采购员现在就要对结果负责。如果建议错了，影响会立刻波及工厂车间，导致漏掉短缺、延迟发货或产线停工。

处方带有后果，这就是为什么把它们做对确实很难——也是为什么大多数自称具有处方功能的工具实际上名不副实的原因。

真正的处方性分析究竟是怎样的

精心伪装成处方功能的仪表盘与真正的处方性分析之间，有着本质的区别。

伪装版的仪表盘只会显示一个带有优先级评分的条目排序列，并将其称为建议，而真正的处方性分析会做好以下四件事：

• 基于对下游工厂的影响确立正确的优先级：具体而言，明确哪些零部件正在造成威胁按时交付的关键短缺，以及哪些零部件代表了最大的库存削减机会。

• 为每个条目生成具体的、可执行的行动：这是采购员或分析师可以采取的具体下一步行动(而不仅仅是一个标记或一个分数)。

• 提供我所说的可解释AI：可解释性——向采购员准确展示为什么要推荐这一行动。

• 消除对下一步该做什么的任何歧义：通过针对特定岗位的界面交付所有这些内容。

可解释性这一要素最常被忽略，而它恰恰决定了采购员是信任该系统还是绕过该系统。如果一个采购员明白某个条目为何被优先处理——这个零部件阻碍了200台最终总成、该供应商承诺的交付日期比需求日期晚了八天、当前安全库存仅能满足三天的需求——他就会充满信心地根据该建议采取行动，而一个采购员如果只看到一个没有背景信息的优先级评分，他就会凭直觉将其覆盖。当这种情况频繁发生时，失败的不是AI，而是落地实施。

处方性分析在实践中的应用

关于处方性分析的讨论往往流于抽象，但本不该如此。处方性行动是具体的、针对特定岗位的，且在操作上是精确的。

对于采购员而言：

• 采购订单的取消、拆分和时间调整，直接与当前的短缺和库存状况挂钩。

• 加急或取消加急的建议，基于持有成本与停产成本之间的权衡进行了精准校准。

• 在相互冲突的利益之间确立优先级——在零部件层面上平衡按时交付与库存成本。

对于分析师而言：

• 根据不断变化的需求变动性和供应商可靠性，对安全库存进行调整。

• 订单策略优化。

• 修正最高/最低库存水平，使计划参数与当前运营条件保持一致。

见效时间：按紧急程度对处方性行动进行排序

一个在技术上正确但在操作上不合时宜的处方性建议，几乎和没有任何建议一样无济于事。处方性分析的下一个前沿不仅是告诉某人该做什么，还要告诉他们什么时候做才真正重要。

想想一个安全库存建议，它要求将某个特定零部件的目标库存从100件减少到5件。在纸面上，行动是一样的。但紧急程度却完全不同。如果采购员手头有1000件现货，那么根据该建议采取行动所带来的影响可能需要一整年才能显现。如果采购员手头有105件现货，那么影响在几天内就会显现。

建议是相同的，但优先级却天差地别。一个将两者赋予同等权重的处方性系统是在要求采购员自己去做优先级排序工作，这违背了初衷。一个在一年期行动之前就将该行动呈现出来的系统，给了采购员预测性分析永远无法提供的东西：一个按顺序排列、具备时间意识的待办事项列表。

正是这种能力，将真正的处方性分析与重新包装的仪表盘区分开来。

把处方功能做对，需要将深厚的领域专业知识融入模型中，进行精确的优化以确保行动基于正确的库存和短缺管理目标进行校准，并进行工作流执行——不仅能生成行动，还能结合运营现实对其进行验证，这些不是软件功能，它们是需要数年时间来开发的能力——这也是为什么处方性行动始终是供应链AI中最难且最具价值的层面的原因。

让处方功能随着时间的推移而不断改进的学习闭环

领域分析和优化可以让处方功能走得很远，但它们无法一劳永逸。没有任何一个模型——无论多么先进——能够完全考虑到工厂车间那些具体的、不断变化的现实情况。

唯一能永久弥补这一差距的是学习闭环。

当采购员没有根据处方性建议采取行动时，这种偏差就是极具价值的数据——但前提是以结构化的形式将其捕获。不是自由文本笔记。不是电子邮件，而是一个结构化的原因：供应商产能受限、质量挂起、需求信号改变。当这些原因反馈到优化模型中时，下一组处方性行动就会更准确、更符合运营现实，并更受执行人员的信任。

处方性分析的优劣，完全取决于它从执行中获得的反馈。采购员根据建议采取行动，或者将其覆盖并解释原因，系统在每个循环中都在学习。在每个循环中，处方变得更加精确。在每个循环中，AI与采购员之间的信任差距都在缩小。

供应链领导者应该相信但往往不信的事

大多数供应链领导者通过先进程度来评估AI：更好的算法、更多的数据源、更高级的预测模型。这是错误的衡量标准。

正确的衡量标准是处方采纳率——采购员根据处方性库存行动采取行动的频率如何，以及他们这样做时会发生什么?相比于任何基准测试或供应商演示，这单一指标更能揭示供应链AI投资的真实世界价值。

如果你的采购员经常覆盖建议，问题不在于采购员。要么是处方的准确性问题，要么是缺乏可解释性，再或者是工作流使得忽视AI比参与其中更容易。

目标不是一个更具预测性的供应链，预测只是基本门槛，目标是一个这样的供应链：每天早晨，每位采购员面前都有一个值得信赖的、具体的、可解释的行动——并且他们采取的每一个行动，以及他们没有采取的每一个行动，都能让下一组处方变得更好。

围绕你自己的供应链AI要提出的3个问题

在评估任何新工具之前，以及在假设你现有的工具正在发挥应有作用之前，先从提出三个问题开始：

1. 你是否为你的采购员和分析师提供了处方性行动，还是仅仅停留在预测性洞察上?

2. 这些行动是否同时包含了价值和时间优先级排序，从而使最紧急、影响最大的建议首先浮现出来?

3. 是否存在一个结构化的反馈闭环，用于捕获你的团队为何覆盖某个建议，并且该反馈是否真正改善了下一组处方?

如果对其中任何一个问题的诚实回答是否定的，那么你的供应链AI投资与其真实世界价值之间的差距，比你想象的还要大。缩小这一差距——通过准确的处方、可解释性以及一个随着每个循环不断改进的学习闭环。

只有到了那个时候，AI才不再仅仅是一个计划工具，而是成为真正的执行优势。

企业网D1net(www.d1net.com)：

国内头部to B IT门户，旗下运营国内头部的甲方CIO专家库和智力输出及社交平台-信众智(www.cioall.com)。旗下运营19个IT行业公众号(微信搜索D1net即可关注)。

版权声明：本文为企业网D1Net编译，转载需在文章开头注明出处为：企业网D1Net，如果不注明出处，企业网D1Net将保留追究其法律责任的权利。