联想｜以智能决策技术应对呆滞物料管理挑战

案例定位：面向AI项目审计、PoC设计、方案复用与交付复盘的结构化案例。
事实边界：本文仅把材料中明确披露的内容视为案例事实；PoC门槛与实施步骤属于FDE交付建议。

二、案例基本信息

三、30秒案例摘要

联想围绕供应链与库存优化开展AI能力建设。案例所对应的核心矛盾是：基于以上呆滞库存管理的痛点，在公司智能化升级大趋势下，联想研究院打造了具有自主知识产权的智能库存优化引擎，通过实时连通供应链各个环节的数据，基于人工智能技术助力企业呆滞库存管理。方案侧的关键做法是：联想智能库存优化引擎实时连通了供应链各个环节的数据，通过大数据AI算法给业务提供智能化呆滞库存消耗方案，提高了业务人员决策的科学性与效率，实现了数字化的从无到有，降低了呆滞库存金额18%。当前材料可确认的结果为：联想智能库存优化引擎实时连通了供应链各个环节的数据，通过大数据AI算法给业务提供智能化呆滞库存消耗方案，提高了业务人员决策的科学性与效率，实现了数字化的从无到有，降低了呆滞库存金额18%。

从FDE交付视角，这类项目不应直接以“大模型上线”作为目标，而应把识别供应、库存和采购风险，并给出可解释的补货或处置建议定义为可评价任务。建议先以至少 6 个月订单、库存、供应商、采购与交付记录建立测试集，以缺货率、库存周转天数、呆滞库存金额为核心指标，通过PoC后再进入系统集成与生产化。

四、企业背景与项目起因

4.1 企业与业务背景

已披露事实

• 对于“周转速度较慢”的定义，不同行业、企业有着各自的标准，如有些工厂把库龄超过90天的物料定义为呆滞物料。
• 联想智能库存优化引擎实时连通了供应链各个环节的数据，通过大数据AI算法给业务提供智能化呆滞库存消耗方案，提高了业务人员决策的科学性与效率，实现了数字化的从无到有，降低了呆滞库存金额18%。
• 基于以上呆滞库存管理的痛点，在公司智能化升级大趋势下，联想研究院打造了具有自主知识产权的智能库存优化引擎，通过实时连通供应链各个环节的数据，基于人工智能技术助力企业呆滞库存管理。

4.2 项目发起原因

已披露或可直接识别的问题

• 基于以上呆滞库存管理的痛点，在公司智能化升级大趋势下，联想研究院打造了具有自主知识产权的智能库存优化引擎，通过实时连通供应链各个环节的数据，基于人工智能技术助力企业呆滞库存管理。
• 在原料层面，还要最大化呆滞物料的消耗，最小化为实现齐套需额外购料成本和等待时间。
• 对于库存中的呆滞物料，联想智能库存优化引擎采取启发式算法和多目标混合整数规划模型结合的方式，充分挖掘畅销产品的齐套数据，结合各个区域各个工厂的库存呆滞物料，提供基于人工智能优化算法的呆滞物料齐套消耗方案。
• 本案例主要基于上图系统架构进行实施，底层依赖于CPU、存储、带宽等物理硬件资源，其次是中间件的链接，保证数据和系统的可用性、稳定性，而后是前后端的应用业务集群和核心算法服务集群，最后是面向用户的接入层。

FDE补充判断

项目边界应收敛到“识别供应、库存和采购风险，并给出可解释的补货或处置建议”，并在启动会中确认业务负责人、真实使用者、数据负责人和最终验收人。若无法确认这四类角色，项目容易停留在演示层。

五、原始流程与核心问题

5.1 AI介入前的工作流程

以下流程为基于场景的FDE复盘推断，必须在客户访谈和跟岗观察中确认。

汇总订单和库存 → 人工核对供应信息 → 判断风险 → 制定采购/处置计划 → 跟踪执行。

5.2 核心问题

5.3 项目前基线

六、场景选择与价值判断

6.1 候选场景

6.2 选择原因

第一阶段建议选择“供应链与库存优化”，因为任务边界可以被定义，输入与输出可以形成测试样本，并能通过缺货率、库存周转天数评价。上线初期保留人工审核和异常兜底，可以在控制业务风险的前提下验证价值。

6.3 核心验证假设

如果使用优化算法 + 数据分析与BI + 预测模型组合方案完成“识别供应、库存和采购风险，并给出可解释的补货或处置建议”，预计能够让缺货率和库存周转天数达到双方约定目标，同时把高风险异常控制在人工审核与可回滚范围内。

七、AI解决方案设计

7.1 方案概述

• 联想智能库存优化引擎实时连通了供应链各个环节的数据，通过大数据AI算法给业务提供智能化呆滞库存消耗方案，提高了业务人员决策的科学性与效率，实现了数字化的从无到有，降低了呆滞库存金额18%。
• 对于库存中的呆滞物料，联想智能库存优化引擎采取启发式算法和多目标混合整数规划模型结合的方式，充分挖掘畅销产品的齐套数据，结合各个区域各个工厂的库存呆滞物料，提供基于人工智能优化算法的呆滞物料齐套消耗方案。
• 本案例主要基于上图系统架构进行实施，底层依赖于CPU、存储、带宽等物理硬件资源，其次是中间件的链接，保证数据和系统的可用性、稳定性，而后是前后端的应用业务集群和核心算法服务集群，最后是面向用户的接入层。
• “预防”是指通过提高未来需求预测的精度、落实订单审查机制、加强系统规范化和管制等措施，减少呆滞物料的产生。

建议的任务链路为：业务系统或工作台发起任务 → 数据与权限校验 → AI识别、检索、预测或优化 → 规则校验 → 返回建议/执行动作 → 人工确认高风险结果 → 结果写回与日志留存。

7.2 系统组成

7.3 核心业务对象

1. 物料：需要定义唯一标识、关键属性、状态和与其他对象的关系。
2. 库存：需要定义唯一标识、关键属性、状态和与其他对象的关系。
3. 订单：需要定义唯一标识、关键属性、状态和与其他对象的关系。
4. 供应商：需要定义唯一标识、关键属性、状态和与其他对象的关系。
5. 采购单：需要定义唯一标识、关键属性、状态和与其他对象的关系。
6. 交期：需要定义唯一标识、关键属性、状态和与其他对象的关系。
7. 风险事件：需要定义唯一标识、关键属性、状态和与其他对象的关系。

7.4 AI与人的分工

7.5 技术选型说明

• 材料可识别技术：优化算法、数据分析与BI、预测模型、API与系统集成。
• 选型原则：先选择能验证核心假设的最简单路径，再根据准确率、成本、时延和部署约束升级。
• Agent或工作流：只有任务涉及多步判断、工具调用或状态管理时才使用Agent；稳定规则优先交给确定性工作流。
• 知识库/RAG：涉及企业知识时必须提供引用、版本和权限过滤；无知识检索需求时不强行使用。
• 部署方式：由数据敏感度、时延、并发、可运维性和企业基础设施共同决定，材料未披露最终选择。

八、项目交付过程

8.1 第一阶段：需求调研（Audit）

材料未披露访谈岗位、跟岗次数和需求变化记录。正式交付时，FDE应分别访谈战略层、运营层和执行层，并至少跟随真实用户完成3次端到端任务。调研输出应包括As-Is流程、痛点优先级、干系人、项目边界和成功标准。

8.2 第二阶段：数据与知识准备

材料中的数据线索

• 联想智能库存优化引擎实时连通了供应链各个环节的数据，通过大数据AI算法给业务提供智能化呆滞库存消耗方案，提高了业务人员决策的科学性与效率，实现了数字化的从无到有，降低了呆滞库存金额18%。
• 基于以上呆滞库存管理的痛点，在公司智能化升级大趋势下，联想研究院打造了具有自主知识产权的智能库存优化引擎，通过实时连通供应链各个环节的数据，基于人工智能技术助力企业呆滞库存管理。
• 以上数据不仅来源于多个线上数据库，而且有的输入数据需依赖手工经验的处理过程，如呆料分配到各个大区，需线下提供。
• 多种来源的各种类型数据量级很大，如物料全量库存数据可达到7亿行以上，整机历史出货数据可达到千万级行数，整机和物料之间的BOM关系数据，单个整机的齐套方案最多可达到上亿种。

数据准备需执行4C检查：完整性、口径一致性、准确性与时效性；敏感字段先脱敏，再划分训练集、验证集、盲测集和异常集。业务专家负责确认标签与知识版本。

8.3 第三阶段：PoC验证（Evals）

8.4 第四阶段：开发与迭代

交付范围应覆盖数据管道、AI能力、工作流、接口、权限、异常处理、日志、监控和用户界面。材料可识别的技术包括优化算法、数据分析与BI、预测模型、API与系统集成。材料没有系统披露首版问题、根因和迭代前后指标，因此不能把推荐方案写成已经发生的项目事实。

建议至少保留一次完整迭代记录：问题现象 → 根因 → 调整内容 → 回归测试集 → 指标变化 → 是否进入下一阶段。

8.5 第五阶段：试运行与上线（Deployment）

当前阶段判断：方案已披露（运行阶段待核验）。若进入生产，建议先选择3—5名真实用户和5—10个典型任务开展UAT，再按小流量、部门级、全量三个阶段灰度。上线前必须确认人工兜底、回滚、告警、用户培训与知识运营责任人。

九、项目结果与价值验证

9.1 核心结果

材料披露的结果（对外引用前需复核原始台账）

• 联想智能库存优化引擎实时连通了供应链各个环节的数据，通过大数据AI算法给业务提供智能化呆滞库存消耗方案，提高了业务人员决策的科学性与效率，实现了数字化的从无到有，降低了呆滞库存金额18%。
• “预防”是指通过提高未来需求预测的精度、落实订单审查机制、加强系统规范化和管制等措施，减少呆滞物料的产生。
• 呆滞物料库存产生的原因有很多，除因疫情等特殊条件下的备货策略调整因素外，在供求关系复杂变化，而生产管理水平提升有限的情况下也较为常见。
• 多种来源的各种类型数据量级很大，如物料全量库存数据可达到7亿行以上，整机历史出货数据可达到千万级行数，整机和物料之间的BOM关系数据，单个整机的齐套方案最多可达到上亿种。

9.2 价值分类

• 已披露价值：联想智能库存优化引擎实时连通了供应链各个环节的数据，通过大数据AI算法给业务提供智能化呆滞库存消耗方案，提高了业务人员决策的科学性与效率，实现了数字化的从无到有，降低了呆滞库存金额18%。
• 初步价值：AI有机会减少重复劳动、缩短任务周期并提升判断一致性，但需通过真实用户试运行验证。
• 预期价值：若PoC与UAT达标，可进一步扩展到“需求预测与供应商协同”；该项属于规划，不是已验证成果。

9.3 投入产出

建议按以下公式建立项目账：年度价值 = 效率节省 + 质量损失减少 + 经营增益；年度成本 = 建设投入 + 集成投入 + 模型/算力成本 + 知识运营与运维成本。ROI与回收周期只有在基线、运行周期和成本口径完整时才计算，当前材料不足以给出可靠数值。

十、问题、失败与关键迭代

10.1 已披露问题

• 基于以上呆滞库存管理的痛点，在公司智能化升级大趋势下，联想研究院打造了具有自主知识产权的智能库存优化引擎，通过实时连通供应链各个环节的数据，基于人工智能技术助力企业呆滞库存管理。
• 在原料层面，还要最大化呆滞物料的消耗，最小化为实现齐套需额外购料成本和等待时间。
• 对于库存中的呆滞物料，联想智能库存优化引擎采取启发式算法和多目标混合整数规划模型结合的方式，充分挖掘畅销产品的齐套数据，结合各个区域各个工厂的库存呆滞物料，提供基于人工智能优化算法的呆滞物料齐套消耗方案。

10.2 交付风险卡（需验证，不代表已经发生）

风险1：物料主数据重复或缺失

• 问题现象：待PoC和试运行观察。
• 根本原因：需通过数据分析、用户访谈和日志定位。
• 影响范围：可能影响准确率、使用率、稳定性或合规。
• 缓解方式：建立专项测试集、人工兜底、监控告警和回归验证。
• 关闭标准：风险指标达到双方约定门槛并连续稳定运行。

风险2：外部供应风险数据时效不足

• 问题现象：待PoC和试运行观察。
• 根本原因：需通过数据分析、用户访谈和日志定位。
• 影响范围：可能影响准确率、使用率、稳定性或合规。
• 缓解方式：建立专项测试集、人工兜底、监控告警和回归验证。
• 关闭标准：风险指标达到双方约定门槛并连续稳定运行。

风险3：优化建议与采购规则冲突

• 问题现象：待PoC和试运行观察。
• 根本原因：需通过数据分析、用户访谈和日志定位。
• 影响范围：可能影响准确率、使用率、稳定性或合规。
• 缓解方式：建立专项测试集、人工兜底、监控告警和回归验证。
• 关闭标准：风险指标达到双方约定门槛并连续稳定运行。

十一、安全与生产化机制

数据安全

• 盘点物料、库存、订单、供应商、采购单、交期、风险事件中的个人信息、经营数据、工艺参数和知识产权。
• 训练、测试与日志数据按最小必要原则脱敏；明确外部模型是否留存数据。
• 权限继承业务系统，检索、查看、生成与执行分别授权。

AI安全

• 输出附置信度、依据或引用；低置信度和无答案任务拒答或转人工。
• 高风险动作必须人工确认，工具调用采用白名单、参数校验和最小权限。
• 建立模型、Prompt、知识和工作流版本管理，支持一键回滚。

持续运营

• 每周复盘错误样本，每月回归核心测试集，并监控缺货率、库存周转天数、呆滞库存金额。
• 明确业务知识负责人、技术运维负责人和价值指标负责人。

十二、FDE角色与交付复盘

本项目中，FDE应承担需求调研、业务流程建模、数据审计、PoC设计、方案集成、用户验收和价值复盘。最重要的判断不是“使用哪一个模型”，而是把项目收敛到“识别供应、库存和采购风险，并给出可解释的补货或处置建议”这一可验证任务，并为高风险结果设计人机边界。

1. 最重要判断：用可量化任务替代宽泛的AI转型目标。
2. 最难协调关系：业务价值负责人、真实用户、IT/数据团队与技术供应商之间的目标和责任边界。
3. 可复用能力：场景审计方法、测试集、指标体系、工作流、权限与监控组件。

十三、可复用资产

十四、下一阶段计划

1. 补证：补齐业务量、人工时长、质量损失、数据质量、真实运行范围和项目成本。
2. 验证：按建议测试集完成离线盲测，再用真实用户开展小范围UAT。
3. 扩展：当前场景稳定后，评估“需求预测与供应商协同”，并把通用组件沉淀到企业AI平台。

下一阶段的首要目标不是增加功能，而是建立持续评测、错误样本回流、知识更新、模型监控和价值台账，使缺货率、库存周转天数可以长期追踪。

十五、结语：给同类企业的三条建议

1. 从高频、可衡量、风险可控的任务开始：先验证一个闭环，不把多个部门的愿望一次性塞进PoC。
2. 启动前先准备基线、数据和验收人：没有基线无法证明价值，没有真实用户和业务验收人无法进入生产。
3. 把人机边界和运营机制写进方案：明确AI做什么、人确认什么、异常如何降级、错误由谁修正，才能把演示变成可持续系统。