库存 AI 有一个被反复误认成算法问题的数据问题。预测类论文假设的是一条稠密、规律的时间序列；而真实货架或医院库房产出的是稀疏、迟到、偶尔还错的序列。按季度盘一次得到的是照片，而用照片训练出来的模型，无法告诉你某个周二下午 14:20 发生了什么。
RFID 改变的是输入，不是模型。它把库存状态从周期性照片变成连续流，而正是这条流让预测、异常检测与动态补货第一次具备可训练性。价值不在于 AI 变聪明了，而在于数据终于支撑得起人们早就在问的那些问题。
为什么 RFID 是库存 AI 唯一能用的训练集
硬约束是样本密度，而且这是算术问题，不是观点问题。
- 季度盘点每年每个 SKU 只有四个观测点；货架读头给的是成千上万个。
- 标注必须来自物理事实，而不是来自文员的判断：一次读取是观测，一次点数只是意见。
- 覆盖率比精度更重要：每小时看到 90% 的变动，胜过每季度做一次完美的盘点。
- 训练的自然单元是「物品—位置—时间」，而这恰好就是一条读取事件本身。
- 条码数据只能靠增加人力来变稠密，而人力随 SKU 数量线性增长；RFID 不是这个规律。
预测：从「按月按 SKU」到「按小时按货架」
预测的粒度跟着数据的粒度走，而商业价值跟着预测的粒度走。
- 月度 SKU 预测驱动采购订单；小时级门店预测才驱动补货与排班。
- 有用的特征其实很朴素：当前在架量、变化速率、距上次补货的时间、近期销量。
- 一个「平均准确、峰值全错」的预测在排班上毫无用处，所以误差必须按时间区间汇报。
- 间歇性需求——一周只卖两次的慢销品——正是朴素模型最容易崩、而货架数据最能帮上忙的地方。
- 预测的价值只有在订货系统能接受新节奏时才兑现；很多系统做不到，这才是真正的项目难点。
异常检测：找出最贵的那 0.4%
损耗、错放与账面虚库存都是低频高后果事件，这正是异常问题的定义。
- 一件货不见了不是数据错误，而是一个物理事件，应该有人给它一个原因码。
- 值得区分的三类信号：货不在但账上有、货在但账上没有、货在错误的位置。
- 用绝对数量设阈值一定失败，因为大店的数量本来就大；应该对「相对预测的残差」建模。
- 0.4% 的损耗率听上去很小，直到它被套到一个毛利只有 6% 的品类上。
- 误报比漏报更快摧毁采用率，所以先调精度，之后再放宽。
标注问题：没有真值，就没有模型
监督学习需要标签，而库存与「真相」的关系相当别扭。
- ERP 记录不是真值，它恰恰是被预测的对象，有时候还是出错的那一方。
- 实地盘点是真值来源，但它会打扰被测量的流程，所以只能抽样，并当作校准而不是判决。
- 要存事件，不只存结论：原始读取、去重后的读取、解析出的状态，三者都该保留。
- 人工更正记录时，应把这次更正保存为一条带标签的样本，而不是直接覆盖历史。
- 接受「模型是关于流程的一个假设」：流程一变，假设就得退役。
补货：把预测变成一个订货决策
好的预测与好的订单之间的那段距离，正是大多数库存 AI 项目悄悄死掉的地方。
- 订货是有约束的决策：货架容量、整箱规格、提前期、最小陈列量与现金。
- 模型应该输出分布而不是点值；订货策略再从分布里选一个服务水平。
- 把节奏分开：按小时预测，按天订货，按周复盘。
- 每个自动订单都需要护栏：单日最大变动、最小陈列量，以及有日志的人工覆盖。
- 考核决策，而不是考核预测：满足率、缺货小时数与库存周转才是记分板。
会在哪里崩：漂移、反馈回路与冷启动货架
模型的失败方式在库存场景里很有特点，而且可以预见。
- 促销、陈列图重排与换季改变的是流程本身，不只是水平高低。
- 用自己的历史订单训练出来的补货模型，会学到自己的错误，而这个回路在准确率指标里看不见。
- 新品没有历史，冷启动必须靠规则处理，而不能靠一个从没见过该品的模型。
- 读头故障会在数据里造出「假缺货」；不打标记，模型就会学到一个不存在的需求模式。
- 货架准确率随标签丢失而衰减，所以标签健康度是模型输入，不是运维脚注。
治理：谁来批准一个 AI 生成的订单
没有问责的自动化是负债，零售业已经用很贵的方式学过这一课。
- 模型上线前就要指定决策责任人；「系统决定的」在评审会上不是答案。
- 保留从推荐到订单再到结果的完整可审计链路，并附上模型版本。
- 把已知失效模式用采购人员听得懂的话公布出来，而不是用指标名。
- 设定人工复核阈值：低于某个金额自动执行，高于则必须有人批准。
- 按计划退役模型，而不是等丑闻来退役。
分阶段建设：模型还不好时就要产生价值
顺序比复杂度更重要，因为每一阶段的产出在为下一阶段付费。
- 第一阶段：把货架装上传感器，把账修对。状态不准，下游什么都无法评估。
- 第二阶段：先做检测，不做预测。用简单规则抓今天真正花钱的那些事件。
- 第三阶段：在干净的历史上做预测，并与规则基线对比。
- 第四阶段：带人工批准的受约束订货，用满足率与周转考核。
- 第五阶段：闭环调参——前提是那个反馈回路已经被理解到可以被控制。
每个阶段都必须先交付一个业务结果，才允许开始下一个。这是库存 AI 项目能活过第二次预算评审的唯一方式。
