收益：
- 能够解释汽车供应链的分层结构（OEM、Tier-1、Tier-2）以及需求预测在生产计划中的作用
- 能够在需求预测、供应商风险评分和库存优化方面建立人工智能工作流程
- 能够根据业务约束、单一来源风险和场景分析来验证预测和建议输出
一辆汽车是由来自不同国家数百家供应商的约 30,000 个零件组合而成。如果其中一个零件未能按时到达，一条价值数百万美元的生产线就会停止。 2020-2021年的芯片危机痛苦地证明了这一点：由于半导体的小幅短缺，全球数百万辆汽车无法生产。这就是为什么供应链管理是汽车的核心，而人工智能正在改变当今的领域，从需求预测到供应商风险管理。在本单元中，我们将了解汽车供应链的结构、人工智能的作用以及为什么建议需要与业务限制相平衡。
汽车供应链的分层结构
汽车供应链就像一个金字塔：
- OEM（原始设备制造商）：设计和组装车辆的主要制造商（品牌）。
- Tier-1（一级供应商）：直接向 OEM 销售完整系统的公司（例如完整制动系统、座椅、仪表板）。
- 二级及以下：向一级销售零部件/原材料的公司（例如刹车片材料、微芯片、螺栓）。
这种分层结构意味着较低级别的小问题可能会向上蔓延并导致生产停止。这就是为什么可见性（即了解链条深处的内容）至关重要但又很困难。
人工智能在汽车供应链中的主要用途
- 需求预测：预测哪种型号、哪种硬件以及在哪个地区的销量。生产计划以此为基础。
- 库存优化：保留多少库存。大量库存=资金占用+仓储成本；库存低=生产线停工的风险。汽车行业传统上采用 JIT（准时生产）：零件在需要时准确到达生产线，库存很少。这是有效但脆弱的。
- 供应商风险评分：预测供应商延迟交货、质量问题或破产的风险（财务数据、过去的业绩、地缘政治信号）。
- 物流和路线优化：运输、海关、运输成本。
- 价格和成本分析：监控和预测原材料价格变动。
提示：需求预测永远不应该以单个点（“下个月 4,200 单位”）的形式呈现，而应具有范围和情景（“基数 4,200；坏情况 3,600；好情况 4,800”）。生产和库存决策是根据不确定性做出的。
需求预测工作流程
- 历史数据：销售、订单、季节性、活动影响。
- 外部变量：经济、燃料/能源价格、激励措施、竞争对手动向。
- 模型：时间序列模型（季节性+趋势）或机器学习。
- 评估：使用 MAPE（平均绝对百分比误差）等指标衡量预测误差。例如，MAPE 8% 表示预测与现实的平均偏差为 8%。
- 场景和业务解释：将数字与生产/供应限制相结合。
注意：低 MAPE 并不总是“好”。如果模型对过去过度拟合或者存在数据泄露，可能过去很好，但未来却很糟糕。此外，该模型无法预测罕见但具有破坏性的事件（流行病、芯片危机），因为它们不在历史数据中；情景规划完成了这一点。
最关键的风险：单一来源
成本优化通常说“从最便宜的单一供应商那里购买”。但这会产生单一源风险：当供应商发生火灾、罢工、破产或地缘政治危机时，您别无选择，生产就会停止。人工智能可以在成本模型中推荐单一来源；但经验丰富的规划师会使用以下工具来平衡这一点：
- 第二来源（双重来源）：能够从两个供应商处购买相同的零件。
- 库存缓冲（安全库存）：关键零件的额外安全库存。
- 场景分析：“如果该供应商外出 3 周会发生什么？”
策略
优势
缺点
单一来源
最低成本
停电期间生产停止
双源
耐用性
成本较高，协调性
高安全库存
中断缓冲区
资金占用、仓储成本
JIT（库存不足）
高效、低资本
脆弱，容易受到破坏
正确的答案不是“所有人都一样”：安全关键和单一来源的零件应该得到最高的保护，廉价而丰富的零件应该得到最低的库存。
小型案例研究
情况 1 - 单源陷阱。 AI成本模型显示，从单一远东供应商购买传感器每年可节省120万欧元。规划团队进行风险分析：该传感器对安全至关重要且来源单一，港口延误 2 周可能会导致整个装配线停止运行（每日停机成本约为 400,000 欧元）。添加第二个来源和 3 周缓冲库存；净储蓄减少，但连续性得到保证。结论：最便宜的不一定是最耐用的。
案例 2 - 需求场景。当某个地区宣布新的废钢激励措施时，人工智能模型预测需求会增加 6%。规划团队并不将其视为一个单一的数字；而是将其视为一个数字。它创建一个好/坏的场景范围（3%-11%）并建立灵活的生产计划。实际增幅为9%；由于计划灵活，因此没有库存爆炸或销售损失。结论：场景范围对于单一预测是稳健的。
案例 3 - 供应商预警。风险评分模型捕捉二级供应商付款延迟和交付偏差的增加情况，并提高其风险评分。采购团队提前与替代来源接洽；两个月后，当供应商实际上放慢生产速度时，生产线并未受到影响。结果：人工智能提前发出信号，人类主动做出决策。
提示模板
模板 1 - 需求预测解读：
角色：您是一名供应链规划分析师。任务：将以下需求预测输出转化为业务决策。背景：基本预测 4,200 单位/月，MAPE 8%，存在新的激励不确定性（匿名区域）。约束：不要给出奇数；输出良好/基本/不良场景范围以及每个场景的生产/库存建议。输出：场景|请求|建议的行动表。
模板 2 - 单一来源风险分析：
角色：您是供应风险专家。任务：评估单一来源提案的风险。背景：安全关键传感器，单一供应商，每年节省大量费用；每日生产线停机成本很高。约束：不以成本为唯一标准；第二个来源，缓冲库存并评估情景分析。输出：风险|可能的影响|减持建议|残余风险。
模板 3 - 库存余额：
角色：您是一名库存优化顾问。任务：建议零件的安全库存水平。背景：平均交货时间为 18 天，差异很大，零件很关键，但并不昂贵。约束：解释JIT效率和中断风险之间的权衡；给出范围而不是精确的单个数字。输出：推荐范围+理由+遵循的信号。
模板 4 - 供应商风险评分解释：
角色：您是采购风险分析师。任务：为风险评分不断上升的供应商推荐行动计划。背景：过去 3 个月交货偏差和付款延迟有所增加；该供应商是二级供应商（匿名）。输出：预警|建议行动|时间范围。
弱提示/强提示
弱提示：
最大限度地降低成本。
单一标准（成本）忽略了单一资源风险、质量和连续性等关键维度。
强力提示：
角色：您是供应链策略师。任务：为安全关键部件推荐供应策略选项，并比较每个策略的耐用性与成本平衡。背景：目前单一来源；线架非常昂贵；该部分至关重要。约束：不仅仅是成本；评估单一来源风险、第二来源、缓冲库存和情景持久性。输出：策略|成本影响|耐力|推荐情况。
常见错误
- 以成本为唯一标准。单一来源风险可能导致生产停顿；耐用性也是一种价值。
- 认为需求预测是一个单一的数字。不确定性范围和场景至关重要。
- 盲目相信低 MAPE。过拟合/泄漏可能是潜在的；罕见事件无法预测。
- 忽视可见性。不知道 Tier-2/Tier-3 深度是一个隐藏的风险。
- 不通过业务限制过滤人工智能推荐。该模型可能不知道合同、容量或地缘政治等约束。
综上所述
- 汽车供应链是OEM-Tier-1-Tier-2分层的；下阶段的小问题可能会停产。
- 人工智能在需求预测、库存优化、供应商风险评分和物流方面表现强劲。
- 需求预测应给出不确定性范围和情景；仅低 MAPE 是不够的。
- 单一来源风险是最关键的问题；成本不是唯一标准，耐用性也很重要。
- 工程师/规划人员必须通过业务约束、合同和场景分析来过滤人工智能建议。
应用任务
选择一组零件（例如电子控制单元芯片）。 (1)考虑该部件在供应链中的层级和单一来源风险。 (2) 使用模板 1 将需求预测转换为情景范围。 (3) 使用模板 2 对单一来源建议进行风险测试。 (4) 证明您建议的成本和耐用性之间权衡的合理性。
清单
- [ ] 我确定了零件的供应层和关键程度。
- [ ] 我讨论了场景范围的需求预测。
- [ ] 我使用第二个源/缓冲区评估了单一源风险。
- [ ] 我没有把成本作为唯一的标准；我还权衡了耐用性。
- [ ] 我对 MAPE 等过度拟合/泄漏的指标提出了质疑。
- [ ]我通过业务约束过滤了AI推荐。