• 首頁
• 產品及服務
• 行業解決方案
• 合作伙伴
• 投資者關系
• 關于我們

• AI
• 數據
• 云
• 基礎架構軟硬件
• 物聯網

• 行業解決方案

• 合作伙伴

• 投資者關系

• 關于我們

SKU數量龐大且需求不穩定

汽車后市場的訂單量取決于零散的、隨機的市場需求，且汽車零配件產品種類多。在使用頻率方面，非標品和長尾件多，單個SKU消費頻次低，產品的需求更加難以預測。

?

庫存成本壓力大

零配件的供應和配送受到季節性、周期性和區域性的影響。如果經銷商和廠商保有大量庫存以應對可能的零配件需求，則會導致大量的庫存積壓，庫存成本高；反之，如果經銷商和廠商不保有零配件庫存，則會導致客戶維修服務周期過長，導致客戶流失。

?

整體供應和配送網絡較為復雜

零配件的供應和配送網絡涉及從經銷商和OEM廠商發出訂單需求，到實際的配件配送過程，其中涉及到眾多主體和信息交互。汽車后市場的交貨期隨機性強、時限短，部分零部件產品工藝及原材料相對復雜，產品供應能力受產能及外部中斷的影響度高，供應商交期不穩定。

基于數據治理、數據探索、模型訓練、策略應用等全周期數據價值挖掘流程等優勢，PG數碼通過對供應商生產、供應鏈物流、庫存流轉等全流程進行數據采集和KPI監控，幫助車企構建汽車零配件供應鏈的數據解決方案。

PG數碼通過零配件的生命周期、業務屬性等，對零配件進行分類，并進行分類預測及優化。首先，使用機器學習及人工智能算法預測配件需求，根據其零配件的不同類別，選取模型算法庫中的適用模型，并經過業務規則調整等形成最終預測結果；隨后，將需求預測結果與企業經營戰略約束、業績指標約束、采購約束等條件相結合，制定與企業適配的配件庫存策略，把控降低庫存與提高滿足率之間的平衡；最后，使用KPI指標監控模型效果及企業庫存指標，及時了解并且調整模型策略。

對某汽車配件售后服務部，關于汽車配件分銷倉庫訂單預測和各級庫存進行模型優化，庫存預測精確度從92%提升至97%，助力數十萬零配件庫存優化；

優化后的配件庫存水位遠高于現狀，確保了零配件一次滿足率保持在95%，顯著提升了客戶滿意度和服務響應速度；

針對預測精度、庫存水平、WHO、服務水平等關鍵指標，建立了KPI指標監控體系，當出現異常時，及時報警和進行根源分析，并采取相應的策略；

通過配件分銷倉庫訂單預測和各級庫存模型優化，實現安全庫存動態調優，采用MIN-MAX補貨策略，一旦小于最小值即可自動觸發補貨。