预测客户未来需求：从明天到更远
Ping Xu在某中心供应链优化技术机构担任预测科学总监，她也是今年消费者科学峰会的组织者之一。在近15年的职业生涯中，她一直致力于优化和需求预测工作。
运筹学与需求预测的结合
运筹学是一个起源于二战时期的领域，当时军方需要解决大量食品和物资运输问题。如今，运筹学处于应用数学、计算机科学、经济学和统计学的交叉点。
大规模需求预测的挑战
当前团队负责两项主要工作：
- 公司级财务和运营规划的整体预测，为财务规划、多年预测、财报电话会议以及劳动力和运输能力规划提供支持
- 供应链需求预测，每天为数亿商品进行需求预测
团队需要回答的关键问题包括：
- "我们有新供应商 - 应该从他们那里订购多少？"
- "我们刚在新国家推出服务，预计客户会购买多少？"
机器学习与人工智能的应用
如今团队大量使用机器学习和人工智能技术来实现这些目标。具体工作包括理解未来几周和几个月内仓库需要什么物资。
在特殊时期（如COVID-19疫情期间），团队需要估计产品的真实潜在需求，例如当时极度抢手且缺货的卫生纸。需要分析的问题包括：
- 客户的真实需求是什么？
- 我们拥有哪些信号？
- 从疫情封锁到逐步重新开放的过渡期间，客户需求模式将如何变化？
技术创新与突破
团队最近在使用深度学习进行时间序列预测方面取得了算法突破。目前还在探索深度强化学习的应用。
科学工作的核心价值
科学工作的核心体现在三个层面：
- 解决有趣问题 - 结合统计学、机器学习和经济学，处理大规模与不确定性相结合的问题
- 规模化影响 - 从客户需求出发，解决当下急需的业务问题
- 学术社区 - 与优秀人才合作，自由交流想法，相互借鉴优势
技术方法演进
从传统的时间序列预测方法，到如今使用深度学习和深度强化学习，需求预测技术正在不断演进，以应对日益复杂的供应链挑战和不确定性环境。
研究领域：运筹学与优化
标签：时间序列、深度学习、需求预测、供应链优化技术、收益管理、库存规划
