收益：
- 能够区分需求预测方法（移动平均、指数平滑、季节性）
- 能够使用 AI 设置预测场景并使用 MAPE/MAE 等指标评估准确性
- 能够根据业务背景和促销/季节性影响交叉检查预测输出
需求预测是生产计划、库存管理和整个供应链的基础。错误的预测会造成双方面的代价：高估会造成库存成本和浪费，低估会导致销售损失和客户不满意。人工智能在预测过程的许多方面都有帮助，从选择方法到解释历史数据和生成场景；但将预测视为“神奇的水晶球”是最大的错误。在本单元中，我们将介绍经典的预测方法、如何使用人工智能正确构建它们以及如何衡量准确性。
预测方法简图
并非每一系列需求的表现都相同；有些是持平的，有些是有趋势的，有些是季节性的。需要根据系列来选择方法。
方法
什么时候合适？
注意
天真（最后一个值）
用于比较（基准）
不追随潮流/季节
移动平均线
静态、噪声系列
对趋势反应较晚
指数平滑 (SES)
平稳序列，强调附近数据
如果没有趋势就好了
霍尔特（双指数）
潮流系列
没赶上季节
霍尔特-温特斯
趋势+季节性
需要足够的历史数据
回归/机器学习
多变量，促销有效
过度拟合的风险
提示：始终从“天真的”猜测开始。如果你的复杂模型并不比天真的猜测更好，那么就不值得承担复杂性。 Naive 是测量精度的免费基准。
我们如何衡量准确性？ （指标）
如果不进行测量，就无法提高预测精度。最常见的指标：
- MAE（平均绝对误差）：误差绝对值的平均值。单位与需求单位相同。
- RMSE（均方根误差）：对较大的误差给予更多惩罚。
- MAPE（平均绝对百分比误差）：百分比；适合项目之间的比较，但当需求接近于零时会扭曲。
- 偏差：平均误差；表明您是否始终高估/低估。
一个小样本帐户。假设实际需求为 [100, 120, 90]，预测需求为 [110, 115, 100]：
误差（实际 - 预测）：-10、+5、-10绝对误差：10、5、10 → MAE = 25 / 3 ≈ 8.33 百分比误差：10/100、5/120、10/90 = 10%、4.17%、11.11%MAPE = (10 + 4.17 + 11.11) / 3 ≈ 8.43%偏差 = (-10 + 5 - 10) / 3 = -5 → 平均高估（预测 > 实际）
负偏差（真实值减去估计值）表明估计值始终被高估；这意味着库存通胀。此类方向错误可以隐藏在 MAPE 中，因此可以将它们放在一起查看。
利用人工智能构建预测流程
您可以在两个地方最有效地使用人工智能：(1) 查看数据并建议采取适当的方法和行动，(2) 生成预测代码。对于方法建议：
角色：您是一位在需求预测方面经验丰富的工业工程师。任务：检查下面的每月销售系列并推荐适当的预测方法。评估是否存在趋势和季节性，写下你的理由。数据（每月，最近 24 个月）：{{ value }}附加信息：12 月有促销，夏季需求减少。我想要的输出：1。评论该系列的特征（稳定/趋势/季节性）。2。 2 推荐的方法及其原因。3．我应该跟踪什么准确度指标？4.我应该注意的陷阱（异常值、促销效果）。规则：在没有看到数据的情况下，不要承诺绝对准确性。
弱提示/强提示
弱提示：
下个月我能卖多少钱？
这既不包含数据也不包含上下文； AI要么拒绝它，要么返回一个完全编造的数字。这样的输出很危险，因为它看起来值得信赖。
强力提示：
使用 Holt-Winters 逻辑和这个 24 个月的系列来预测未来 3 个月。季节长度为12。首先写出方法的假设，然后给出预测，然后通过回测最近6个月来计算MAPE。单独标记促销月份。数据：{{ ... }}
第二个提示询问预测以及信任该预测的置信度（回测）。这将预测从“预言机”转变为可测量的工具。
回测：预测置信度的衡量标准
预测的真正考验是在过去，而不是未来。您将拥有的数据分为两部分：模型构建（训练）和测试。您用第一部分构建模型，预测下一个时期，并将其与现实进行比较。这种“保留”逻辑揭示了模型是否真正有效。
为以下系列制定一个简单的回测计划：留出最后 6 个月作为测试，用剩余数据训练 3 种不同的方法（naive、SES、Holt-Winters），计算测试期间每种方法的 MAPE 和偏差，并制作一个比较表。写出获胜的方法和理由。
请注意：人工智能有时可以“预测”回测结果并向您提供现成的图表；也就是说，他可以编出看似合理的数字，而无需实际计算它们。请务必使用代码 (Python/Excel) 重现数值结果。语言模型不能可靠地执行长算术。
迷你箱：季节性产品积压
一家食品分销公司抱怨每年冬天冰淇淋等季节性产品的库存过多。工业工程师 Elif 向 AI 提供了 3 年的每月数据，并要求其评估该系列的特征。霍尔特-温特斯表示，人工智能可以检测到强烈的季节性（夏季高峰）和轻微的年度增长趋势。 Elif 在 Python 中生成预测并对其进行回测：MAPE 为 14%，但偏差显着为负 — 该模型始终高估。当他调查原因时，他发现他将历史数据中的一个竞选时期误认为是“正常”，并且给模型设置了过高的基数。当我们消除活动效应并重建模型时，偏差减小，冬季库存显着减少。教训：人工智能正确地建议了该方法，但清理数据和解释偏差是人类的工作。
常见错误
- 不跟踪指标：估计但从不测量准确性。没有测量的预测就无法改进。
- 只看 MAPE：忽略偏见。方向性（系统性）错误会悄悄地增加库存。
- 将AI编造的数字误认为是计算：没有用代码验证回测和指标值。
- 不清理异常值/促销：将一次性活动误认为是正常需求并将其教授给模型。
- 过度拟合：当一个复杂模型在过去完美拟合但在未来表现不佳时。保持简单模型作为基准。
综上所述
- 根据序列的特征选择预测方法（平稳、趋势、季节性）；总是从将自己与天真的人进行比较开始。
- 使用 MAE/RMSE/MAPE 测量精度，同时还监控偏差：方向误差是最昂贵的。
- 使用AI进行方法推荐和代码生成；将预测设置为可衡量的工具，而不是“预言”。
- 回溯测试是对模型可信度的真正测试；请务必使用代码验证数值结果。
- 清理数据（异常值、提升）并解释结果是人类的工作； AI 会跳过这些步骤。
应用任务
至少有一个 18-24 期的需求系列（真实或现实小说）。首先，给人工智能一个系列，并要求它解释其特征（趋势/季节性）并提出两种方法。然后利用“回测计划”的强大提示，保留最后6个周期作为测试，并比较至少两种方法。关键步骤：用Excel或Python重新计算AI自己返回的MAPE和偏差值，并与AI输出进行比较。如果发现不匹配的数字，请将其写下来。最后，解释偏差的迹象：您的模型是高估还是低估，这对您的库存有何影响？