在制造业的日常运营中，最易被忽视却最常引发连锁反应的，正是物料管理环节。

对于联想这样体量庞大、产品线复杂且高度多元化的制造巨头而言，售后供应链系统需要管理超过百万个物料编号（SKU）。这不仅仅是数量上的挑战。每个物料的种类、特性、适用场景千差万别，其需求又受到产品更新换代、市场波动、生命周期、乃至季节与客户偏好的多重影响。一场突发的供应链中断，可能迅速引发多米诺骨牌效应，牵一发而动全身。

那么，核心问题来了：如何精准判断某个物料在特定时间点是否需要使用？用量是多少？是提前备货还是按需采购？备货过多会占用资金，备货不足又可能导致维修中断——如何在库存风险与业务需求之间找到平衡，做到不偏不倚？

过去几年，联想在这一领域进行了大量探索，也经历了诸多试错，最终沉淀出一套行之有效的方法论。现在，我们将这些实践经验拆解开来，希望能为同行提供实质性的参考与借鉴。

01 向量数据库如何赋能物料管理

随着业务规模的持续增长，售后供应链中的数据量呈指数级膨胀。除了常规的库存数字，还包含物料的文字描述、图片、适配机型信息，以及用量、库存变化等时间序列数据——这些几乎都是非结构化数据。

这些信息恰恰是判断是否需要补货、补多少货的关键决策依据。然而，问题在于这类数据复杂且杂乱，传统的关系型数据库在处理时效率低下，分析能力也捉襟见肘。

为此，我们引入了 Milvus 向量数据库。它的核心能力，是将图像、文本、时间序列等非结构化信息，转化为可计算相似度的数字向量，并存储起来。这样一来，系统能够快速对比不同物料之间的“相似度”，及时发现市场的细微变化，并据此动态调整库存策略。哪类物料可能面临缺货风险，哪类物料库存积压过多，一目了然。这不仅能有效规避断货风险，还能显著降低库存积压带来的资金压力。

那么，这套方法在联想的售后供应链中，具体是如何落地的？接下来，我们来看几个核心应用场景。

02 场景一：辅助物料类型分类

在联想，仅售后供应链的物料种类就多达上百万种。每种物料都拥有独立的编号、描述信息以及对应的图片。举几个具体的例子：

• 5B20G15011：描述为“MB C N20P N2830 2G”，这实际上是一块主板；
• 5D10Q79736：描述看起来较为复杂，实际是一个带传感器的 LCD 模组，也就是一块屏幕；
• 5CB1M64754：名称很长，其实是笔记本的上盖，即键盘部分。

过去，我们只能依赖人工逐一查看这些描述与图片，再手动判断该零件所属类别。虽然最终能够分类，但速度极慢，且遇到模糊描述时极易出错。随着物料库存的不断累积，这种方式已难以为继。

后来，我们将这些文字和图片信息全部转化为向量，存储在 Milvus 向量数据库中。无论是新入库的物料还是历史库存，只要录入信息，系统就能通过相似度检索，快速匹配到最相似的物料类别，并一键完成分类。效率和准确率因此实现了质的飞跃。

03 场景二：物料与机型匹配关系分类

通常情况下，每种物料都有其专属的适配机型。表面上看，同类物料（例如“显示屏”），但笔记本电脑使用的屏幕与台式机使用的屏幕，不仅参数、性能有天壤之别，其损坏率也完全不同。

因此，每当新机型上线，我们就需要提前预测其会用到哪些物料，以及用量大小。而这些判断，往往需要参考过去类似物料的装机量与实际损坏率。这就要求我们首先明确：这批物料究竟是为哪个机型准备的。

还是用之前的例子。编号 5B20G15011 对应的是 LENOVO N20P CHROME；5D10Q79736 对应的是 LENOVO 500E CHROMEBOOK；而 5CB1M64754 则属于 IDEAPAD DUET 3 11IAN8。虽然这些描述看起来有些绕，但仔细分析可以发现，它们分别归属于 CHROME、CHROMEBOOK 和 IDEAPAD 这几个不同的产品线。

早期，我们主要依靠人工结合正则表达式，从这些文字描述中提取关键词来判断机型。但部分物料的模糊匹配准确率很低，而且随着物料种类增多、描述愈发混乱，这种方法的出错率不断攀升，维护起来也令人头疼。

后来，我们调整了思路：将这些描述信息提取出来，转化为向量存储在 Milvus 中，再通过相似度检索，快速找到与历史数据最接近的物料。这样一来，判断适配机型的依据，从“靠猜测”转变为“靠比对”。分类效率显著提升，准确率也比原来高出一大截。

04 场景三：辅助新员工决策，推动库存周转率提升10%

在日常供应链管理中，采购专员面临的核心难题始终是那几个：某个物料到底要不要补货？补多少才能在满足需求的同时避免积压？补少了怕断货，补多了又可能挤占仓库空间、占用资金。既要满足业务需求，又要提升库存周转率，这几乎是在走钢丝。

经验丰富的采购员通常会参考大量数据，如历史消耗量、当前库存、装机量（IB）、坏损率（RA）等综合指标，再结合多年积累的业务直觉做出判断。但这种“手感”和“数据敏感度”需要时间沉淀，对于刚入行的新人来说，面对众多看似无关实则密切相关的指标，很容易感到迷茫。

为了解决这一问题，联想将每种物料的各类特征进行整理清洗后，转化为向量格式，存储在 Milvus 向量数据库中。带来的好处是：每次遇到新的采购判断场景，系统可以通过混合检索，在历史决策记录中快速查找——是否存在与当前情况高度相似的案例？当时的老员工是如何处理的？这为新人的决策提供了直接参考。

例如，新人 Alice 负责物料 PL，她只需将这批物料的综合特征录入系统，同时筛选出老采购员 Bob 在类似情况下的决策记录。Milvus 能够迅速找出 Bob 以往的操作方式，为 Alice 提供明确的参考依据。

这种“经验迁移”机制，让决策过程不再完全依赖个人经验，新人也能做出稳妥的判断。在实际业务中，它直接推动库存周转率提升了 10%。

05 场景四：复盘效率提升20%

复盘，是联想一项非常重要的企业文化。无论是做项目、定策略，还是推进供应链流程，事后坐下来回顾目标、梳理过程、分析原因、总结经验，都是团队持续进化的关键。

在供应链场景下，复盘最关键的一步，就是回溯当时是如何做出决策的。例如，某个物料的补货策略，为什么在那个时间点决定多备一些库存？是否有数据支撑？是否有历史案例参考？过去，这类信息分散在各种系统日志、邮件、记录表格中，要想追溯一笔决策的来龙去脉，既耗时又费力。

如今，联想将这些历史决策的数据与背景信息全部转化为向量，存储在 Milvus 向量数据库中。每当需要复盘时，只需输入当前物料或场景的特征，系统就能快速检索到过去类似的操作记录、当时的判断依据以及最终效果。查找数据不再需要翻箱倒柜，几秒钟内就能锁定“当时是怎么想的”。

结果是，复盘效率提升了超过 20%。更重要的是，大家不仅能够回顾当初，还能基于数据做出更扎实的总结与判断，帮助采购团队精准制定补货策略，避免缺货风险，同时有效控制库存规模，提升资金使用效率。

尾声

在制造业，越是贴近一线的数据，越容易被埋藏在系统的缝隙中。物料信息、图片、机型适配、使用记录——这些看似琐碎的数据背后，其实隐藏着判断失误、库存积压、资金冻结的系统性风险。

在向量数据库的支撑下，那些原本散落、模糊、难以处理的非结构化信息，被重新整合进物料管理的主流程——从分类到适配，从采购到复盘，最终让决策不再依赖“拍脑袋”。

在资源日益紧张、节奏不断加快的制造环境中，依靠系统来兜底、让数据说话，或许才是每个大型组织实现持续进化最可靠的一条路径。