一、问题，从一位总监的问话说起

今年三月，一家女装品牌的供应链总监找上门，张口就问：“金波老师，能不能算出来，这个款下个月要备多少布？”他们刚上了一套带预测功能的系统，销售模块跑得还行，他想顺手把面料备货也扔进去。金波老师说能算，但算出来你不敢用。他不信。于是我们前后试了两个月。这篇文章不讲AI多神，讲的是它预测面料的边界在哪，以及在这条边界之内，小厂怎么用得起来。

二、第一次尝试：喂三年数据，算单款

他们的数据底子不错，三年全渠道销量都在系统里，SKU级、周级，颗粒度够细。第一版模型的目标很直接：给每个款预测未来四周销量，乘以单耗，得出这个款要备多少米布。跑出来的结果，用总监的话说，就是“没法看”三个字。他不信金波老师提前说过的话，这一回，算是亲自尝了滋味。

三、回测三十个款：平均偏差38%

我们抽了三十个款回测，预测值和实际值的平均偏差是38%。有的款偏差5%，有的款偏差120%。偏差大的，全是当季新上的款，恰恰是最需要预测的那批。38%意味着什么？如果实际要三千米布，模型给出的区间是1860到4140米，跟拍脑袋的差距，其实不算大。

四、病根不在算法，在样本

后来金波老师跟做模型的工程师聊了很久，最后把问题归结到两件事。第一件，单款是小样本。一个款的生命周期，长的一个季，短的六周。三年数据听着多，拆到“这一个款”，有效样本往往不到二十个：同款同色同面料的历史销售周，可能就十几周。十几个样本点要预测一个新款，统计学上就是不够。模型只能从别的款身上借规律，借来的对不对，全看两个款像不像。

五、平台的玩法，说变就变

第二件，平台的玩法会变。去年某个款在九月爆发，可能是平台给了一波流量，也可能是某个达人带了一轮。今年的流量规则改了，历史规律直接失效。数据是过去的事，预测是未来的事，中间隔着一个随时会变的平台。这两个病根加在一起，单款预测这条路，从根上就走不通。

六、第二次调整：不算“点”，算“带”

既然单款算不准，金波老师建议换个目标：不预测“这个款要多少布”，改成预测“这个品类带下个月要多少布”。比如把所有针织连衣裙归成一个带，预测整个带下个月的总量。带里的样本一下就厚了：几十个款、三年的周销量，样本量从十几个变成几百个。回测这个版本，预测值和实际的平均偏差，降到了12%。

七、有了这个数，备货策略也跟着变了

12%的偏差配上安全库存，是能用的。备货策略跟着调成三件事：按“带”备通用面料，把面料分通用料和专用料，通用料如本白针织、常规色纱、基础罗纹，按品类带预测备，占面料金额的40%；专用料如定制提花、花色纱、特殊后整，还是按单下单，不预测。差值靠人修，模型给的是区间不是答案，每周采购会开一次，看预测带和实际下单的差，差的由人判断补还是放。这一条最重要，也最容易被忽略：别上了系统，就指望它替你拍板。

八、半年后的四组数

这套从四月跑到九月，金波老师上次去的时候拉了组对比，跟去年同期比：面料缺料导致停线，每月七次降到两次；库存资金占用，从860万降到670万；紧急采购加价，半年从41万降到12万；通用面料齐套率，从76%提到93%。第三组是老板最在意的，紧急采购通常加价15%到30%，还要付加急运费，一年省下这三十万，比一套系统的钱还多。当然，换一家厂数字肯定不一样，数据年限、款的重合度、面料通用性，三样不一样，结果就差得远。

九、说清楚边界，也守住底线

最后金波老师总结三条。一、它预测不了单个款的爆发，能预测的是品类带的总盘子，想让AI告诉你哪个款会爆，现在做不到，以后几年也够呛。二、它的价值不是算得准，是把拍脑袋变成有区间，从“我觉得要备三千米”变成“模型说2600到3400，我取3200”，这在旺季就是几十万的资金。三、数据年头不够的厂先补数据，一年以内别谈算法，先把周级销量记全记准，记满三年再说，这是最不性感、也绕不过去的一步。工具给的是区间，拍板永远是人，AI能替你算，替不了你担责任。这判断也不只是金波老师个人的感觉：九月底软件商Aptean联合调研245名服装业高管，行业专用AI采用率53%、定制方案55%，五个行业里排第一；可同一份调研里，75%的高管要求先把数据治理做扎实，才允许AI自主决策。AI的第一道闸，是数据。