需求预测有助于企业了解和预测客户需求，并协助做出关键的供应决策，以优化业务成果。
错误的预测可能导致库存问题，破坏供应关系，不良的现金管理和增加成本。因此，改善企业的预测模型应该是一个优先事项。
成功与失败
需求预测是企业的一个重要方面。因此，投资或采用正确的预测模型是至关重要的。2001年，耐克公司投资了一个需求计划软件。然而，由于测试不充分，预测并不准确。这使耐克公司损失了大约1亿美元的销售额，因为低销量的鞋子供过于求，而受欢迎的Air Jordans的库存不足。
另一方面，宜家的预测方法帮助其业务蓬勃发展。在宜家，物流经理根据销售点（POS）和仓库管理系统数据，准确预测未来几天的销售情况，并订购产品以满足预期需求。如果经理看到不匹配的情况，他/她会手动统计库存的产品。
虽然宜家已经成功地做到了预测需求和销售，但并不是所有的企业都能使用同样的方法；因此，投资于现代需求预测技术是至关重要的。
为什么有些预测会失败
没有任何一种需求预测方法能在每一次都能准确预测。需求的波动可能来自于各种内部和外部因素，如产品价格、促销活动、天气状况，甚至是影响者的社交媒体帖子。
重要的是要接受，每一次预测都会有不确定性的因素。以大流行病为例。任何预测方法都不可能预测到大流行病及其对需求和供应的干扰。
此外，组织还应该找出他们的预测不准确的原因。这可能是由于错误的或过于敏感的衡量标准。同样重要的是，将实际结果与预测进行比较，不断分析导致预测错误的根本原因。这有助于不断地改进预测模型。
开发一个强大的需求预测流程
要使预测过程稳健，首要的前提是要有正确的数据。一个错误的数据集可能导致错误的预测，这将影响一个组织的销售和盈利能力。应该更加重视拥有正确的数据战略。如果没有数据战略，亚马逊的成功故事是不可能的。数据战略也应该与公司的目标相一致。它应该优先考虑让数据代表公司的目标或通过需求预测试图实现的目标。
第二是规模。现在的组织在很短的时间内产生大量的数据。其中80-90%的数据是非结构化的，70-75%的数据是未使用的（分别根据CIO和Forrester的研究）。预测往往需要非常细化的水平，以配合更广泛的组织目标。举例来说，一家工业设备制造商会对某一地区的特殊用途泵的需求预测感兴趣，以确定附近工厂的原材料需求。该制造商可能在全国各地和其他地区销售数以千计的产品，这将需要运行10万多个ML模型来产生最终结果。这就需要大规模的计算能力和并行处理能力。云技术的发展与大数据服务相结合，帮助企业解决可扩展性问题。
此外，采用新的和现代的预测过程和技术是非常重要的。例如，通过机器学习（ML）实现自动化，帮助移动服务提供商Uber预测多个市场上数百万客户的动态票价。对于像Uber这样的大规模公司来说，实时预测需求和价格绝非易事。因此，对Uber来说，投资于正确的流程和技术是最重要的。
需求预测的未来
亚马逊在10多年前就开始了用ML进行需求预测的旅程。根据Forrester的数据，55%的组织将在未来两年内投资于人工智能。基于人工智能和ML的应用程序利用数据来进行预测。降维、交叉验证和网格搜索机制使算法能够调整优化模型的特征和参数，并使误差最小化。MLOps服务与Kubernetes、TensorFlow、docker容器技术一起确保了模型的顺利部署、自动化和维护，从而使AI/ML驱动的需求预测在云上可扩展和快速。
今天，越来越多的组织正在转向下一代需求预测解决方案。在Gartner进行的一项调查中，45%的受访者表示他们已经在使用需求预测技术。其中约43%的人计划在未来两年内使用由人工智能驱动的需求预测。
结论
使用AI和基于ML的需求预测方法的好处是多方面的。根据Mckinsey的说法，在基于人工智能的方法的帮助下进行需求预测，可以将供应链网络的错误减少30%到50%。
采用这些方法可以帮助组织在各个层面做出准确的预测。此外，人工智能甚至可以将可能影响需求的外部因素考虑在内。这是很有好处的。此外，与人工流程相比，它还可以节省大量的时间和资源。底线是，下一代人工智能和ML驱动的需求预测将成为大多数组织运营的核心。
这篇文章是由AIM领导人委员会的一名成员撰写的。AIM领导人委员会是一个由数据科学和分析行业的高级管理人员组成的只接受邀请的论坛。要检查你是否有资格成为会员，请填写这里的表格。
