收益：
- 能够理解时间序列、趋势、季节性和活动影响的概念，并使用人工智能通过正确的问题和干净的数据进行需求预测。
- 能够解释预测准确性（MAPE、偏差）和不确定性（置信区间、情景）并根据范围而不是单个数字进行规划
- 能够区分人工智能预测是基于历史数据，而专家判断在新产品、促销或供应危机等突发事件中脱颖而出。
供应链中的每一项决策都基于一个问题：会有多少需求？你对这个问题的回答越准确，你持有的股票就越少，你远离的股票也就越少，你占用的钱也就越少。需求预测是供应链的引擎；库存、采购、生产和运输计划都从这里提供。人工智能在这个领域非常强大，因为它比人类更快地扫描数千种产品的历史并提取模式。但其力量的来源也是其局限性：人工智能从过去学习；如果未来与过去不同，那就是错误的。在本单元中，我们将学习预测语言、测量准确性、管理不确定性以及人工智能应该在哪些方面向您屈服。
预测语言：时间序列、趋势、季节性
需求数据通常是一个时间序列——一系列按时间排序的数字，例如产品每天的销量。将这个序列分为三部分是预测的基础：
趋势、长期方向：销售额逐年增加还是减少？季节性，定期波动：夏天卖冰淇淋，冬天卖取暖器；周五和周六市场很繁忙。噪音、无法解释的随机播放。良好的预测能够捕捉趋势和季节性，并且不会被噪音所迷惑。最重要的是，事件堆积如山：活动、促销、公共假期、天气、竞争对手的举动。当你让人工智能预测时，你必须告诉它这些事件；如果你不告诉他，他会认为在竞选当天跳槽是“正常的”，并对未来产生错误的认识。
提示：在向 AI 提供原始销售数据时，标记活动、假期和缺货日。无货的日子很重要：那天销量看似很低，但实际需求很高，只是没有货。如果不指定这一点，AI就会低估实际需求。
测量精度：MAPE 和偏差
“预测准吗？”这个问题的答案来自测量，而不是感觉。最常见的指标是 MAPE（平均绝对百分比误差 - 预测平均偏离现实多少个百分点）。如果 MAPE 为 10%，则意味着您的预测平均偏离真实值 10%； MAPE 越低越好。第二个重要概念是偏差：您的预测是否始终高于（库存过剩）或库存不足（库存不足）现实？即使预测的 MAPE 较低，但如果它始终朝同一方向偏离，则存在系统性问题。
你可以给人工智能一部分历史作为“训练”，一部分作为“测试”，并将其预测与现实进行比较。这是建立信任的诚实方法：用未见过的数据测试模型。只有当预测在过去被证明是一致的时，才值得应用于未来。
注意：没有任何预测是 100% 准确的；预计不会发生这种情况。目标不是产生一个完美的单一数字，而是产生一个可管理的范围，知道偏差。 “预测成真/它没有起作用”的二元思想是错误的；正确的问题是“它偏离了多少，我相应地保留了多少缓冲？”
管理不确定性：范围，而不是单一数字
规划者最危险的习惯是将预测视为一个单一的硬数字。事实上，每个预测都有一个置信区间——比如“下个月的需求很可能在 900 到 1,100 之间”。这个范围越宽，不确定性就越高。了解范围直接影响您的库存决策：窄范围需要较少的安全库存，宽范围需要更多的缓冲。
因此，请务必向人工智能询问场景：悲观（如果需求低）、预期和乐观（如果需求高）。考虑到三种情况，该计划不是基于单一假设，而是基于一系列可能的可能性。这是摆脱“锁定单一号码”陷阱的最实用方法。
一步一步：利用人工智能进行需求预测研究
- 清除数据。标记缺失天数、缺货天数、打开错误记录；使用匿名产品代码。
- 标记事件。将活动、假期和促销日添加到数据中。
- 减去图案。要求人工智能总结趋势、季节性和值得注意的事件。
- 测试一下。存储历史的最后一部分，让AI预测，与现实进行比较（MAPE和偏差方向）。
- 创建一个场景。要求三个预测，悲观/预期/乐观，以及每个预测的置信区间。
- 专家过滤器。人工智能不知道即将发生的已知干扰（新产品、供应危机、立法）；手动添加它们。最终的计划是你的。
三个迷你箱子
案例 1 — 捕捉季节性。一位饮料经销商抱怨说，他在夏季经常缺货，而在冬季则缺货。规划者向 YZ 提供了 3 年的匿名日销售额，并消除了季节性：6 月至 8 月的需求是冬季平均水平的 2.4 倍，并且每年从 5 月中旬开始跳跃。按照这个模式，他提前3周建立了夏季库存；夏季滞销库存减少70%，冬季滞销库存下降。人工智能显示了这种模式；规划者做出了库存决定。
案例2——屈服于新产品。一家公司要推出一款全新产品；没有历史销售数据。规划者问AI：“前三个月的需求是多少？”他问道。人工智能产生了一个看似合理的数字——但规划者知道这是没有根据的：没有数据。相反，AI 会问“过去类似细分市场发布的产品的前 3 个月模式是什么？”分析并设定为预测区间，谨慎入手。专家判断推翻了人工智能的虚假信心。
案例 3 — 无库存是当今的陷阱。一位分析师得出结论，该产品的需求已经下降，并建议减少库存。他的资深同事注意到，数据中销量低的日子实际上是缺货的日子：需求没有下降，没有货。当用此注释修正数据并重新提供给人工智能时，可以看到实际需求增加了。清理不当的数据会产生错误的预测。
四个可复制模板
1）模式提取：
您的角色：助理需求规划分析师。下面是某产品（匿名代码：PRODUCT-X）过去36个月的月度销售数据。促销月份[月份列表]，无货月份[月份列表]。任务：总结 (1) 趋势，(2) 季节性模式，(3) 值得注意的事件。考虑到没有库存的月份隐藏了真正的需求。我没有提供数据的月份是捏造的。
2）准确度测试：
使用下面 36 个月中的前 30 个月来预测过去 6 个月。然后将我的预测与过去 6 个月的实际情况进行比较；计算每个月的偏差和总 MAPE。告诉我您的估计是否始终存在偏差。显示公式。
3）情景预测：
在 3 种情况下估计下季度该产品的月度需求：悲观/预期/乐观。为每种情况给出一个置信区间，并写下它所基于的假设。请注意，这不是确定的，而是规划的一个间隔。
4）破损控制：
列出我根据历史数据提供的预测如何因以下即将发生的事件而失效：[新产品/促销/供应危机/监管变化]。建议我如何手动调整每个的预测。
弱提示/强提示
弱提示：
下个月我能卖多少钱？
没有数据，没有产品，没有背景。 AI要么拒绝，要么和好；这两种结果都不起作用。
强力提示：
您的角色：需求计划助理。以下是过去 24 个月 PRODUCT-X 的销售额；活动月份和无货月份均已标记。给出未来 3 个月的悲观/预期/乐观预测，为每个预测添加置信区间，显示过去测试的 MAPE。假设我有最终的股票决定。
方法
击中
不确定性管理
风险
依赖单一数字
误导性的
无
高——计划失败
场景+范围
现实的
好
低
只是直觉
变量
弱
中高
盲目服从人工智能
变量
无
高
常见错误
- 将缺货日误认为是真正的需求低迷。当商品缺货时，销量就会显得很低；这并不意味着需求下降。
- 锁定单个数字。将预测视为绝对真理就是忽视不确定性。始终询问范围和场景。
- 不标记活动。认为促销反弹是“正常”的模型扭曲了未来。
- 对没有历史记录的新产品的预测。对于没有数据的产品来说，看似安全的人工智能数量是没有根据的。
- 将突破留给人工智能。人工智能不知道流行病、供应危机和立法等结构性断裂；必须进行专家干预。
注意：无论预测看起来多么好，它都不能比它所基于的数据的质量更好。 “垃圾进来，垃圾出去。”花费大部分时间清理数据；模型部分完成其余的工作。
总之
需求预测是供应链的引擎，人工智能是加速这个引擎的有力助手。但人工智能会从过去学习；当未来与过去不同时，就会犯错误。捕捉趋势和季节性，标记事件，使用 MAPE 和漂移方向测量准确性，将预测设置为场景和范围，而不是单个数字。在新产品和结构突破方面，专家判断是第一位的。数据清洗是一切的基础；最终的计划是你的。
应用任务
获取您自己的一种产品（或假设的产品）过去 12-24 个月的销售数据，标记活动月份和缺货月份。使用“场景预测”模板向 AI 询问三种场景。然后使用“准确性测试”模板存储一些历史记录，并将预测与现实进行比较。写下你找到的MAPE和你选择的场景，连同其原因，共5项；还要指定您要添加的安全缓冲区。
清单
- [ ] 我是否已清除数据、标记缺货和活动日期？
- [ ] 我是否通过回测验证了 MAPE 和偏差方向的预测？
- [ ] 我是否要求提供场景和置信区间而不是单个数字？
- [ ] 如果出现新产品/破损，我是否优先考虑专家判断？
- [ ] 最终的股票计划是否经过我自己的批准？