一个常见的模拟情形：季度计划赶不上一场决赛

以一个模拟情形开始。某运动品牌的区域团队按季度制定计划，第三季度篮球品类的备货参考了去年同期，全区约12万件。季度中段，本地球队意外打进总决赛，相关球衣和训练服在两周内卖出了原计划一个季度的四成，而同期其他品类的库存基本没动。季度计划本身没有错，它只是不知道这场决赛会发生。

类似的情形在体育零售中反复出现，这也是越来越多团队开始调整计划方式的起点。BB体育供应链研究组在近期的项目交流中注意到，讨论的重心正在从“这个季度备多少”转向“下一场关键赛事前后，需求、库存和产能分别在哪里”。

从按季度补货，走向按赛事日历排计划

变化的核心是时间轴的更换。传统计划以季度或月为单位，赛事被当作一个需要额外加量的“特殊因素”。新的做法是反过来，把全年的赛事日历作为主轴：联赛关键轮次、杯赛决赛、城市马拉松、大型综合赛事，每一个节点前后都标出预期的需求窗口，再把常规需求填进节点之间的空档。

这样做的直接结果是，计划的颗粒度从“季度”变成了“赛事窗口”，通常是一到三周。生产排期、面料采购和区域库存的调整，也开始围绕这些窗口安排，而不是平均分布在整个季度里。

为什么现在才连得起来

赛事影响销量，这个道理行业里早就知道，之所以过去难以落地，主要是三类数据长期分离：

  • 赛事数据在市场部门，关注的是营销活动和赞助曝光；
  • 销售和库存数据在零售和物流部门，按门店、仓库和SKU记录；
  • 生产和采购数据在供应链部门，按订单和工厂排期记录。

这几年，随着零售数据的实时化和预测模型的普及，把三类数据对齐到同一个时间轴的成本明显下降。Demand Model 可以按赛事情景估算需求区间，Forecast Model 把区间拆到区域和尺码，Supply Chain Analytics 再对照 Lead Time 判断每个节点还来不来得及。这种分工式的模型组合，比单一的销量预测更适合体育商品。

对商品和供应链经营者意味着什么

第一，决策时间点提前了。按赛事窗口倒推，很多关键决定需要在赛事前三到八周做出，那时胜负和赛程往往还不确定。经营者需要习惯在情景而不是确定结果下做决定。

第二，库存的形态在变化。为了应对不确定的结果，越来越多团队采用“半成品等待”的方式，例如先生产未印号的空白球衣、未贴标的通用配件，等赛果出来再完成最后一步。这对工厂和仓库的柔性提出了更高要求。

第三，评价指标在变化。售罄率不再是唯一的成绩，窗口内满足率、缺货时长、赛后剩余库存的折扣率开始进入复盘。关于为什么售罄不等于成功，可以参考球衣卖断货为什么不一定值得庆祝。

第四，人工复核的位置在前移。过去复核主要发生在季末盘点，现在更多发生在赛前的情景评审会上。在BB体育接触的模拟项目里，商品、供应链和区域零售负责人通常会在赛前四周一起确认情景假设和预投入上限，模型的结论只是会上讨论的起点，而不是直接生成的采购单。

安全库存的放置方式也在改变

当计划以赛事为轴，Safety Stock 不再平均放在全国总仓，而是随赛事日历在区域之间流动。模拟情形中，决赛前两周，把约30%的相关品类安全库存前移到主场城市周边的区域仓，赛后两周再根据消化情况回调。这种做法缩短了赛后补货的物流时间，但也增加了调拨次数和成本，需要逐次核算是否值得。

还有哪些问题没有解决

这种变化并不意味着问题已经解决。至少有几件事仍然困难：

一是赛事情景的概率很难估准。模型可以给出胜负情景的需求区间，但各情景发生的概率仍然很依赖人工判断，而且容易被舆论影响。

二是被截断的需求很难还原。过去的赛事销量大多受库存限制，用这些数据训练模型，会系统性地低估热门赛事的需求。

三是组织协同。把赛事日历放进供应链计划，需要市场、零售和供应链部门共享数据和决策节奏，这往往比技术本身更难推进。

四是责任边界。当备货依据是一个情景预测，结果出现偏差时由谁承担，很多企业还没有明确的规则。

接下来值得关注什么

短期内，行业可能会在两个方向上继续推进：一是把赛事日历与天气、交通、城市活动等外部数据结合，提升区域级别的需求判断；二是在工厂端建立更多“等待赛果”的柔性产能。BB体育在体育供应链方向的研究，也集中在情景预测的校准和截断需求的还原上。

可以确定的是，体育商品的供应链正在从“按历史补货”走向“按赛程准备”。这不是一次性的技术替换，而是计划方式和组织习惯的逐步调整，AI在其中负责把数据连起来、把情景算清楚，关键的取舍仍然要由经营者做出。BB体育会持续跟踪这一变化在不同品类中的实际效果。