想要提高您的短期预测能力吗？试试需求感知技术
提高短期预测能力？试试需求感知技术
当传统预测方法的准确性达到瓶颈时，我们如何推动进一步的改进？
介绍
需求预测是一种估计组织未来一定时期内销售额的过程。短期需求预测通常展望1-3个月，而中期预测可以延伸到6-18个月。长期预测通常可延伸到3-5年。预测有助于企业决定销售什么、何时销售以及销售多少，保持多少库存，并在未来投资于满足动态客户需求的产能。公司通常依靠历史趋势与客户提供的信息相结合，同时考虑促销或抛售等因素，以创建需求预测。
需求预测的重要性有几个原因。它位于销售和运营规划（S&OP）流程的顶端，在这个阶段生成的预测向其他阶段传递，包括供应计划、生产调度、物流计划和库存优化。需求预测尽可能准确是至关重要的，以避免与库存过多或过少相关的成本。过度预测可能导致过多的工作资金困在库存中。另一方面，持续低估预测可能导致缺货客户，或者导致在短时间内使用更昂贵的原材料进行订单，并使用更昂贵的运输方式。准确的计划通过在正确的时间、地点制造适量的产品，帮助避免这些情况的发生，促进高服务水平和更低的存储成本。
预测中的挑战
“预测非常困难，特别是当涉及到未来时。”
这句话通常被认为是尼尔斯·玻尔（关于他是否真的说过这句话存在一些争议）的话，他是20世纪的一位著名物理学家。尽管这是对预测的一种轻松看法，但它强调了预测的固有挑战。除了不了解未来，还有其他与预测方法相关的挑战。
· 商业环境的变化 – 例如，替代品可能取代一个产品，导致其需求下降。或者，对产品的新应用可能导致需求与历史趋势相比上升。
· 业务模式的转变 – 一个组织可能会改变其运营模式和商业策略。例如，化工公司可能选择将业务从大宗化学品转向更多的专业产品，因此历史需求模式可能不再适用。
· 数据可用性 – 历史销售数据、客户和产品层次结构数据以及实时订单数据可能存储在不同的系统中。
· 数据质量 – 这可能包括由于输入错误或数据在不同和不一致的粒度上捕获而导致的不准确数据等问题。
预测方法
预测可以基于定量或定性方法。定量方法主要是基于时间序列分析，我们尝试根据历史数据捕捉时间趋势（例如增长、季节性）。在其他定量情况下，我们可以建立计量模型，将需求预测与业务相关因素进行相关。通过定性方法，我们依靠“众人的智慧”，并尝试根据专家或调查的集体意见来预测未来。在线上有几个有见地的预测技术资源可供参考；以下是一些示例：
需求预测方法的终极指南：提高销售和优化库存 – nexocode
在我们的指南中发现需求预测的秘密！学习方法、挑战、好处和人工智能的作用…
nexocode.com
需求预测：你需要了解的一切
需求预测对于快速增长或波动性市场的公司至关重要，因为它帮助他们看到未来的…
www.netsuite.com
如何选择合适的预测技术
每个经理都应该了解不同类型的预测和使用它们的时机。
hbr.org
6种需求预测和投射的好处
需求预测帮助企业在库存和产能方面做出更明智的决策。我们评估需求的类型…
www.thefulfillmentlab.com
短期需求感知
短期需求感知是一种利用领先指标预测近期产品销售的预测技术。它结合了历史数据和实时信息来进行每日或每周级别的预测。通过这样做，它捕捉到市场中的一些关键动态，特别是在波动时期。因此，它帮助计划人员调整他们的生产和物流计划，以更精确和准确的预测，从而提高供应链的弹性，降低库存和运输成本。关于需求感知有各种在线资源 – 这里列出了一些：
什么是需求感知 – AI/ML解决方案和服务 | 首席谷歌云合作伙伴
参数传统需求预测需求感知传统需求预测方法依赖于历史…
pluto7.com
文章 – 凯尼
编辑描述
www.kearney.com
由于运输规模的巨大，需求感知预计将具有很高的经济价值（以节约成本或避免收入损失为衡量）。由于预测的细化程度和刷新的频率，需求感知可能需要大量的数据和计算资源。但随着消费者可用的计算能力越来越强，可追踪性预计将会很高。需求感知的结果在解释上通常较高，因为我们通常为这些应用使用基于线性回归的模型。往往可以对结果进行分析，以向利益相关者清晰解释预测。需求感知的预测更新建议是可行的，因为根据预测变化改变生产是组织内部的决策。需求感知应用在输入数据刷新方面也大多持续可持续，因为它们依赖于每天生成的实时订单数据。
一个简化的需求感知方法
需求感知依靠相关的领先指标来估计销售预测。客户下订单的速度可能是近期需求的一个领先指标。在某些行业中，例如石化行业，客户通常会提前数周下订单，以在每个月进行预订。在本文中，我们讨论了一种基于化学公司客户订单的需求感知方法。
在这种方法中，假设是如果订单在早期以比历史订单下单趋势更快的速度下单，最终的月度需求将会很高，反之亦然。建议是通过在每个月中间进行客户订购趋势分析来增强传统的预测流程，以估计下个月的产品需求。这种早期洞察力对供应链和产品经理来说非常有帮助，可以帮助他们做出关于调整生产和定价的决策。该分析还将识别出可能会按照其预测下订单的客户，从而使剩余数量可供其他希望超过其预测数量的客户。这将使得在两组客户之间主动“交换”产品，减少订单阻塞和延迟，并丰富客户体验。
为了构建需求感知的机器学习解决方案，我们按照一系列步骤进行，包括数据收集、探索性数据分析、数据处理（清洗和特征工程）、模型开发和改进、可行性洞察和建议。主要目标是基于客户订单属性来预测当前和下个月的需求情况（例如产品家族、客户类别等）。下面列出了每个步骤的详细信息：
a. 数据收集 — 根据商品公司环境下该用例的典型情况，我们假设每个产品（或产品家族）都有几十个或几百个提前下订单的客户。为了捕捉客户订单的年度和季节性趋势，我们至少收集过去36个月的数据。我们收集包括请求量、销售订单日期、需求订购月份、客户信息（包括客户类别和地理位置）、产品属性（包括产品家族和市场细分）在内的销售订单数据。我们从需求订购月份开始，按照每天的工作日（不包括周末和假日）在过去两个月的时间范围内（从上个月的第一个工作日开始，到需求订购月份结束）寻找销售订单中所请求的总产品数量。这里假设在此日期之前没有下订单（上个月的第一个工作日）。我们还需要从分析中删除取消的订单或退货的订单。表1显示了数据框中的样本数据。
*WD — 工作日
b. 探索性数据分析 — 我们首先了解数据的规模（行和列），以及特征的数量和类型（数值型 vs 类别型）。我们还确定每列中的空值数量。我们通过直方图和盒图等方式可视化数值列，以观察数据的分布情况（包括均值、中位数、偏度和异常值），通过条形图等方式可视化类别数据，以确认唯一值并识别任何需要处理的异常值。
c. 数据处理 — 在这一步骤中，我们去除异常值（例如负值或数值列中的极高值）。我们还选择特征并进行特征工程。对于这个用例，我们选择高于预测变量的聚合级别的特征。例如，如果我们预测产品家族的需求，我们选择市场细分、地理位置、累积订单量和月度基线销售预测作为预测特征。每个工作日的累积订单（表2）是在特征工程的一部分中从每日订单量派生出来的。图1展示了累积订单如何随工作日变化的示例。
d. 模型开发和改进 — 对于这个用例，建议使用多元线性回归。这预计是一个“分段”解决方案，每个工作日都有不同的回归函数。有了36个月的数据和每个产品家族的数百个客户，我们将对每个产品家族的训练集中有数千个数据点。我们首先定义一个损失函数，以帮助我们构建提供最准确需求预测的模型。我们选择了几个准确度指标，包括平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和R2，并测试不同模型在这些指标上的性能（我们希望R2值高，误差值低）。原始误差简单地是月度需求预测与产品家族级别的历史实际值之间的差异。在数据准备方面，我们首先将数据分为训练集（数据的80%）和测试集（数据的20%）。对于每个集合，我们单独处理缺失值或空值，以避免数据泄漏。如果缺失值在一个特征中占据了大多数，我们可能会完全删除该特征，因为它对预测能力几乎没有贡献。如果只有少数行中存在空值，我们可能会删除带有缺失值的行。我们还可以使用中心趋势（例如列的中位数或众数）来填补缺失值。此外，我们还将类别变量转换为数字格式，使用独热编码。为了将数据缩放为线性回归模型的输入，我们将因变量（月度需求预测）除以基线销售预测，并将累积订单（自变量）除以基线销售预测。回归模型的系数提供了特征对预测变量变异的显著性。
e. 可操作的洞察和建议 — — AI 应用程序预测的需求可能高于或低于基准销售预测。为了向利益相关者解释结果，一种方法是将历史订单曲线与实时订单进行比较（见图2）。
*此处仅显示了3个月的历史累积订单百分比曲线，仅供说明目的；在实际讨论中，我们将包括至少12个月的数据。
在这个图中，历史累积订单百分比曲线以实线表示，而实时订单（作为下个月基准销售预测的百分比）以虚线表示。我们可以看到，在选择的历史月份中，10个工作日之前约有12%的总需求被订购，但我们的趋势是预测的5%左右，表明需求较基准预测期望的需求量要低。对于这个例子，通过利益相关者的支持来更新需求预测，我们可以在减少生产产品系列的同时，识别那些订购量低于其提供的预测量的客户。通常情况下，可以每天运行预测模型，提供生产和库存信号，以及销售团队对需求的强弱信号。AI/ML 模型可以在每个季度或业务重组时进行一次重新训练。
经济价值估计
将预测的不准确性货币化的一种思考方式是从缺货导致的销售收入损失和过剩未售库存的增加储存成本方面考虑。虽然长期来看，预测的波动可能会平衡，但是持续的预测偏差可能会导致产品组合不平衡。短期缺货导致的销售收入损失可能会对企业产生长期影响，因为客户可能会选择永久离开组织，转而选择竞争对手。我们通过下表3的简单示例来说明销售收入损失的情况，其中一个关键假设是组织没有足够的库存来弥补预测的不准确性。该表格提供了基准预测（不使用AI应用程序）和每月对10个产品系列（PF1至PF10）的实际需求。还提供了每个产品系列的价格。这些数字的大小代表了大宗化工产品的典型情况。
我们可以看到，对于一些产品，我们预测的比实际需求多（预测 > 实际），而对于其他产品，我们预测的比实际需求少（预测 < 实际）。对于预测不足的产品，我们假设缺乏库存来弥补这一差额，并通过将价格与差额相乘来计算销售收入损失。估计的总销售收入损失约为5800万美元。通过使用能够使用实时订单感知未来月度需求并更新预测并制定正确数量的产品的AI应用程序，我们可以减少这些销售收入损失。即使预测误差改善20%（对于此类应用程序并不罕见），组织的销售收入每月也将减少1160万美元。
结束语
使用实时客户订单的短期需求感知可以比传统的预测方法更准确，因为它利用实时信息来提升预测的准确性。需要注意的是，这种方法可能不适用于所有的用例或业务情况。当订购模式有一定规律且提前下单时，它的效果最好。这种方法在与市场情报相结合，以理解观察结果背后的业务洞察时效果最佳。这种方法无法预测超过6-8周的需求，因为客户通常不会提前那么久下单。
本文介绍的方法也可以用于其他目的。例如，我们可以使用这种方法来估计每个客户/产品组合的预期需求与实际订单之间的偏差。这可以帮助识别出进一步调查的客户，他们的产品销量与基线销售预测相比，下单量偏少或偏多。
最后，我们希望在更新的预测可用时采取行动。这可能包括增加/减少生产或与超过其预分配或尚未提货的客户跟进。
感谢阅读。希望对您有帮助。欢迎发送您的评论至[email protected]。让我们在LinkedIn上互联。
