供应链计划员 · 任务逐条

需求预测

在大公司里,预测本身如今是机器做的。联合利华说,它的预测引擎每周在 40 个市场、500 多万个产品与客户组合上生成一份 104 周的预测;亚马逊说,一个基础模型把大促活动的长期全国预测提高了 10%,把数百万热门商品的区域预测提高了 20%;美国 FDA 也在运行一个已部署的模型,预测自然灾害等情景下关键医疗器械的需求。

这些是公司和机构对自己系统的叙述;都没有报告有多少计划员在调整预测,也没有报告计划岗位发生了什么。

补货与库存

一些零售商如今让算法来决定。阿里巴巴在发现其算法在缺货率和库存水平上胜过人类采购员之后,一直在探索一种算法建议即为最终决定的补货系统;京东衡量一个「自动化率」—— 由模型给出并被直接采纳执行的补货决定所占的比例 —— 并报告一个新模型在现场部署中把周转天数缩短了 5.27 天;沃尔玛说,一个自动调拨过剩库存的系统已为它省下 5,500 多万美元。

这些是最大的零售商的叙述和它们参与撰写的研究;都没有测量计划员人数,而在整个欧盟,2025 年使用 AI 的企业里只有 6.08% 把它用于物流。

计划会与取舍

计划自动化程度最高的公司,仍把最终决定描述为人的事:联合利华说,由它的员工提供作最终决定所需的判断、背景与经验;在微软的云供应链里,由计划员确认优化结果符合业务需要,或者推翻它。美国的预测认为,2025 至 2035 年物流师就业将增长 18%。

这些是公司对自身流程的陈述,以及对一个更宽的美国职业的预测;这里没有任何东西测量计划会发生了怎样的变化。

应对中断与重新计划

工具如今替人跑情景分析,计划员据此行动。沃尔玛说,计划员用天气模拟看清一场风暴会怎样影响库存、路线和配送,并在风暴到来之前调配库存;在微软,部署一个基于大语言模型的工具之前,回答一个关于云供应链的情景问题需要三名以上运营人员和一名值班工程师。

这些是公司的叙述;微软的工具只报告了初步准确率,两者都没有测量计划员的时间或人员配置。