要用 AI 分析库存缺货模式，先按 SKU、地点和时间重建可售状态，识别缺货区间，再比较模式，但不给它们贴上原因标签。缺货期间观察到的销量可能只是被截断的需求下界，因此每个解释都必须保持为假设，直到区分性检查提供证据。

按负责任的 AI 工作流操作：保留数据血缘，限制转换，并把运营决定留给库存负责人。

关键要点

计算事件之前，先定义 SKU、地点、渠道和时间粒度。

根据库存移动而不只是销量，重建在手库存和可售状态。

零销量可能意味着零需求、无货可售、停业或数据缺失。

除非有证据测量，否则流失需求和替代购买都视为未观察到。

用明确的检验让候选解释之间可以互相区分。

由负责的所有者决定补货或流程变更。

库存缺货分析：什么是缺货模式？

缺货模式是对商品何时、何地不可售、持续多久、伴随哪些可观察条件的可重复描述。它不是原因。“缺货集中在周末到货之前”是一种缺货模式；“供应商不可靠”则是需要独立证据的因果主张。

库存研究把缺货期间的需求视为截断需求，因为观察到的销量无法揭示有货时本会发生的全部购买。［1］关于离散商品库存的研究同样讨论了在需求未知且被截断时如何学习。［2］这一区分能避免常见错误：把断货期间的低销量读成顾客兴趣低。

使用把观察与解读分开保存的行结构：

字段	用途
SKU/location/time grain	精确的分析单位
opening/closing on-hand	经勾稽的库存状态
receipts/transfers	入库和地点之间的移动
sales/cancellations	已满足的需求和冲销的交易
stockout interval	开始、结束和检测规则
availability flag	可售、不可售、未知或数据缺口
lead time	从下单到可用收货的实测间隔
reorder parameters	当时生效的版本化设置
promotion/calendar	经核实的事件，而不是假定的原因
data-quality flag	缺失、重复、延迟或冲突的输入
censoring status	观察到的销量是否可能低估需求
hypothesis/check	候选解释和区分性检验
owner/evidence	决策权和关联的结果

截断需求分析中的缺货模式工作流

步骤 1：固定缺货模式的分析单位

选定一种 SKU 标识、地点标识、渠道和时间粒度。记录时区、业务日历、快照 ID、源表、提取查询或报表、过滤条件、状态映射和负责人。SKU 被替换、组合、改标签或在地点间迁移时，要保留映射和生效日期。

用可操作的方式定义“缺货”：它可能指在手库存为零、可承诺量为零、禁止下单，或面向顾客的渠道显示不可售。这些状态不能互换。

保留不可变的原始摘录和转换日志。用表格分析控制核对类型、键和公式，但不要让清洗后的表格抹掉相互冲突的源值。

步骤 2：重建可售库存时间线

从经核实的期初余额开始，按事件顺序依次应用收货、销售、退货、调拨、调整、预留、释放、损坏、隔离和取消。说明事件用的是下单、发货、收货、入账还是生效时间。

用独立快照核对计算出的期末余额。差异进入例外队列，记录数额、首次发现时间、受影响区间和负责人。不要在不保留差异的情况下把负余额强行改为零。

可售状态可能不同于实物在手库存：库存可能被预留、隔离、下架、无法取用或分配给其他渠道。两个字段及把状态换算为可售数量的规则都要保存。

步骤 3：区分零销量和无库存

为每个时间段设定状态：有货且有销量、有货但零销量、无货、部分可售、停业或未知。数据源缺失不是缺货；门店停业也不能作为顾客需求的证据。

在不可售区间内，观察到的销量并不是完整需求。即使顾客尝试购买、换商品、换地点、推迟购买或直接离开，销量也可能为零。关于缺货引发替代行为的研究表明，替代行为会影响对满足率的解读。［3］没有获批分析方法和证据支持时，不要用品类平均值凭空制造流失销量数字。

步骤 4：按规则识别缺货模式

定义确定性的事件逻辑。例如，当获批的可售信号进入 unavailable 时事件开始，当可用库存恢复且渠道能够销售时事件结束。写明短暂间隙、延迟更新、部分可售和夜间停业分别如何处理。

对每个事件计算开始、结束、时长、期初背景、最后一次销售、下一次收货、需求截断状态和数据质量状态。保留源事件 ID，便于分析人员重放结果。

人工抽样检查事件：在可行时比较源移动记录、渠道状态以及实物或循环盘点证据。AI 可以根据已核实的字段整理事件叙述，但不能认证事件。

步骤 5：分组缺货模式而不宣称原因

只有在事件通过校验后才做聚合。有用的切分维度包括 SKU、地点、日期或小时、供应路径、交货期区间、补货策略版本、促销、品类和事件时长。同时给出计数和分母：“80 个 SKU—地点周中有 12 个”比“很频繁”更有信息量。

把暴露量与结果分开：繁忙地点天然有更多缺货和销售的机会。按观察期、补货周期或其他站得住的分母比较比率，并保留低销量带来的不确定性。

不要把供应商名称、星期几或季节标签当作归因捷径。聚类不能证明原因，只是提出问题的起点。它可能反映需求、补货、调拨、参数、数据延迟、选品决定，或多个相互作用的因素。

步骤 6：提出互相可区分的假设

只让 AI 从获批的假设分类中提出解释，并要求为每个解释给出能区分它的检验：

假设	区分性证据
需求超过获批准的预测	按获批方法比较未截断时段、订单、搜索或预留
收货晚于计划	比较采购单、发运、收货和可用时间戳
补货参数已过时	用当时生效的参数版本和已知输入重新计算
库存记录不准确	把事件台账与循环盘点或实物证据比较
库存存在但不可售	检查预留、隔离、上架和渠道状态
调拨造成当地短缺	追踪来源地和目的地的移动时间及审批
促销改变了需求	比较计划曝光和合适的对照组；让干扰因素保持可见

使用 consistent with（一致）、contradicted by（被反驳）或 unresolved（未解决）这类措辞。绝不能因模型解释流畅就把相关性变成原因。

仅使用提供的事件表，列出可观察的模式。
对每个模式返回互相可区分的假设及所需检查。
不得估计截断需求、归咎责任、推断供应商表现或宣称原因。
原样保留 unknown 和相互冲突的值。

步骤 7：执行检查并保留反证

为每项检查指定负责人、数据集、方法、预期的区分结果、到期日、结果和证据链接。要寻找可能否定你偏爱假设的证据，而不只是支持它的证据。

在解读时间先后之前，先用数据验证清单检查。事件延迟入库会让收货看起来迟到，或让余额看起来为负。再用受控的表格匹配勾稽源总额和行数。

如果两个假设都仍然合理，就都保留。正确结论可能是“证据不足”，这总好过把钱投在错误的干预上。

步骤 8：由库存负责人决定行动

呈交事件、分母、模式、已核实的检查、反证、不确定性和受影响的控制。由库存负责人决定是否调整补货参数、供应商流程、分配、安全库存、监控或数据管道。

证据能把某种机制与事件联系起来时，才使用根因分析流程。缺货仪表板不等于完成了根因分析。

记录决定、审批人、生效日期、预期信号、防护限制、回滚条件和复审日期。可行时先在有限范围内测试变更，同时监控可售状态和库存积压、多余调拨等意外影响。

步骤 9：可重复地复审缺货模式

为定义、映射、可售逻辑、事件规则、参数和假设分类定版本。在源数据修正到来、商品组合变化、新渠道上线或订货规则改变时重新运行。

分别跟踪预测误差和事件检测误差。监控被标为 unknown 的区间占比，以及带有未解决数据质量标记的事件比例。事件数据仍不可靠时，改进解释模型也不能改善决策。

NIST AI RMF 通过 Govern、Map、Measure、Manage 四项功能来组织风险工作。［4］应用这些功能的方式是：指定决策负责人，描述运营场景，测量事件和推断的误差，并管理未解决的假设，而不把它们变成事实。

历史结果始终与产生它们的输入和规则绑定；修改 SKU 映射或事件阈值后，不要改写以前的缺货模式。

如何核查缺货原因假设？

总结

衡量缺货模式之前，先重建可售状态。
保留数据血缘、数据质量例外和需求截断状态。
用合适的分母对已核实的事件分组。
把模式变成假设，而不是因果主张。
执行区分性检查并保留反证。
把最终的运营决定交给库存负责人。

常见问题

零销量能证明缺货吗？

不能。零销量可能出现在无需求、停业、渠道故障、数据缺失或无货可售时。应使用获批的可售信号和库存时间线来判断。

销售数据能揭示缺货期间的需求吗？

通常单靠销售数据做不到。已完成销量可能只是下界，因为尝试购买、替代、推迟和放弃都可能观察不到。

AI 应该估算流失销量吗？

只有具备合适证据的获批分析方法才应估算截断需求。AI 不得根据前后时段或品类平均值编造数字。

替代购买应如何处理？

只有在顾客、购物篮或渠道证据支持、且隐私规则允许分析时，才记录观察到的替代行为。其它 SKU 增长不自动等于替代。

应该使用什么时间粒度？

使用运营决策所需、且可靠的最细粒度。日度表可能掩盖两小时的断货，而库存事件入账延迟时，分钟级数据又可能增加噪声。

能把促销标为原因吗？

仅凭时间先后不能。应核实实际曝光，比较合适的对照时段或对照组，并在提出因果主张前考虑库存、价格、选品和日历变化。

库存余额变成负数怎么办？

把负数结果作为勾稽例外保留下来。调查时间、漏记收货、重复销售、单位、映射和调整规则，而不是把数值强行改为零。

什么时候应该批准行动？

在负责人审阅已核实的事件、假设、区分性证据、不确定性、成本和意外影响之后。在可行时从有限、受监控的变更开始。

免责声明： 本文提供一般的库存分析信息，不构成会计、财务、供应链或其他专业建议。调整运营之前，请与负责的库存和分析负责人核实数据与方法。

来源

INFORMS, A Censored-Data Multiperiod Inventory Problem with Newsvendor Demand Distributions — https://pubsonline.informs.org/doi/10.1287/msom.1110.0340
Production and Operations Management, Discrete-item inventory control involving unknown censored demand and convex inventory costs — https://doi.org/10.1111/poms.13824
Journal of Business Logistics, The impact of stockout-based switching on fill rates — https://doi.org/10.1111/jbl.12359
NIST, AI Risk Management Framework — https://www.nist.gov/itl/ai-risk-management-framework

Sources checked 2026 年 9 月 6 日。

如何用 AI 分析库存缺货模式：重建时间线并验证假设