供应链计划员

美国。劳工统计局预测,2025 至 2035 年物流师就业将增长 18%,远快于平均水平,从 255,100 个岗位增加 44,900 个,每年约有 26,600 个职位空缺。O*NET 把需求计划员和供应链计划员列为物流师与物流分析师的职称。它数的是一个国家的岗位,不是任务。

一个有资格的人,在具名、有日期、可归属的公开表态里,对未来做出了一个判断。记录它,是为了让「谁在什么时候说了什么」保持可核对 —— 而它永远不改变任务判断,因为预测不是观察。它的价值在之后才到:这条记录和那个职业的证据同在一页,读到预测的人,旁边就是「后来发生了什么」的记录。那就是结算;本站不对一条预测是否应验发布结论。

联合利华对自己供应链的叙述。它说,其预测引擎把机器学习与数据科学结合起来,每周在 40 个运营市场、500 多万个产品与客户组合上生成一份 104 周的预测;AI 帮助它在大规模上作出更好的决定,但人的专长仍然关键:由员工提供作最终决定所需的判断、背景与经验。这是公司在描述自己的流程;没有给出人员配置数字。

企业已正式投入使用。可以改变基线,但要结合规模与场景相似度加权。

沃尔玛的技术博客。它说,计划员不再在中断发生后才应对,而是用模拟即时看清天气会怎样影响库存可得性、运输路线和顾客配送;这些洞察帮助计划员在天气影响运营之前,找出调配库存、调整运输时间或改道发运的机会。工具为计划员提供信息,由计划员采取行动;没有给出数字。

企业已正式投入使用。可以改变基线,但要结合规模与场景相似度加权。

欧盟 27 国,10 人以上的企业,参照年 2025。19.95% 的企业使用了至少一种 AI 技术,其中 6.08% 把它用于物流 —— 约占全部企业的 1.21% —— 是该数据集发布的七个用途里最低的;在 250 人以上的企业中,这一比例为 14.95%。它测量的是整个经济中企业的采用情况,不是计划员的工作;「物流」是这份调查的宽泛分类。

企业已正式投入使用。可以改变基线,但要结合规模与场景相似度加权。

中国,京东。一个补货模型通过现场部署并以双重差分分析验证,相对现行做法报告:周转缩短 5.27 天,现货率提高 2.29%,持有成本降低 29.95%。论文把自动化率定义为由模型给出并被采纳执行的补货决定所占的百分比,并写明实验组商品由京东的管理者按高自动化率挑选。几位作者供职于京东,对结果有利益关系。

企业已正式投入使用。可以改变基线,但要结合规模与场景相似度加权。

沃尔玛自己的新闻文章。它说,出现过剩库存时,一个系统会在过剩变成浪费之前,自动把货调往最需要的门店;单这一个系统就已为沃尔玛省下 5,500 多万美元。这是公司在描述自己的系统;没有说计划员的做法有什么不同,也没有报告人员配置。

企业已正式投入使用。可以改变基线,但要结合规模与场景相似度加权。

亚马逊对自身运营的公告。它说,以前的系统用销售历史来指导库存计划决定,而一个基础模型加入了天气规律、节假日安排等有时间性的数据;这些预测使大促活动的长期全国预测提高了 10%,数百万热门商品的区域预测提高了 20%。这是公司在描述自己的系统;没有报告对计划人员的影响。

企业已正式投入使用。可以改变基线,但要结合规模与场景相似度加权。

中国,阿里巴巴。摘要写明:传统上由人类采购员作补货决定,他们可以不理会算法的建议;公司一直在探索一种新的补货系统,其中算法建议即为最终决定;作者给出证据表明,他们的算法在降低缺货率和库存水平上胜过人类采购员。四位作者中有三位供职于阿里巴巴;摘要没有给出数字,「探索」也弱于全面部署。

真实场景里的小规模试验。说明落地条件正在被检验,不代表条件已经成立 —— 所以单独一次试点永远不够,两次互不相干的才够。

美国,印钞局。清单条目标为已部署,运行日期 2023 年 9 月 15 日;条目写明该模型通过预测供应商交付表现和物品缺货,帮助减少供应链中断,支持主动的采购决定,改进库存计划。这是机构在描述自己的模型;没有报告对员工的影响。

企业已正式投入使用。可以改变基线,但要结合规模与场景相似度加权。

美国,微软 Azure 的服务器供应链。论文写明:作者把 OptiGuide 工具部署到 Azure 供应链所用的服务器部署优化中;优化结果的主要使用者是计划员,他们确认结果符合业务需要,或者推翻它;在 OptiGuide 之前,回答一个情景问题需要三名以上运营人员和一名值班工程师;初步评估显示分布内准确率超过 90%。微软既开发又使用这个工具,还出售其底层模型。

企业已正式投入使用。可以改变基线,但要结合规模与场景相似度加权。

美国,FDA 器械与放射健康中心。清单条目标为已部署,运行日期 2023 年 4 月;条目描述的是估计医疗器械未来可能的需求,以及在自然灾害、公共卫生紧急事件等多种情景下预测关键器械的需求。该条目在文件中没有编号,也没有给出数字;这是机构在描述自己的模型。

企业已正式投入使用。可以改变基线,但要结合规模与场景相似度加权。

如果你刚入行,预期预测和大部分例行补货都由系统来做,也预期工作集中在例外上:模型算错的品项,它看不到的促销,需要新计划的中断。把模型的原理学到足以判断什么时候该推翻它。

预期花在做预测上的时间变少,花在决定取舍、处理系统标出的问题上的时间变多。走得最远的公司仍把取舍的最终决定留给人 —— 那正是你的经验派上用场的地方。

保住并强化

留下来,成为处理例外的那个人

机器预测和补货处理例行的部分;公司仍依靠计划员判断取舍、在模型出错时推翻它。

调整职责

转向计划取舍与产销协同

跨部门平衡供应、销售与成本,正是这里记录的公司让人来主导的地方。

相邻转岗

转向计划分析与模型管理

总得有人知道预测或补货模型什么时候跑偏了,并决定它可以独自作多大比例的决定。

在大公司里,它正在接手大部分预测和例行补货 —— 一些零售商让算法直接作补货决定。但同样是这些公司说,取舍的最终决定由人来作,美国的预测也认为 2025 至 2035 年物流师就业将增长 18%。

我们不用年数回答这个问题。看一看不经计划员之手就发出的决定所占的比例 —— 京东这样的公司已经在衡量它 —— 以及成本、服务与产能之间的取舍是否开始由系统而不是人来定。今天,这里记录的公司把后者留给了人。

在大规模上,这里记录的公司是这么说的。亚马逊报告,加入基础模型后,大促活动的长期预测提高 10%,区域预测提高 20%;一项由阿里巴巴员工参与撰写的研究发现,其算法在缺货率和库存水平上胜过人类采购员。模型看不到的东西,仍由计划员来调整。

美国的预测认为,2025 至 2035 年物流师就业将增长 18%,远快于平均水平,每年约有 26,600 个职位空缺。工作正从制作预测转向处理例外、取舍和中断。