【人工智能】如何让企业预算有“迹”可循？机器学习智能预测探索之道 |历史|技术|经济|

2020年全球经济发展如何，研究机构等早已做出了自己的判断；而个人2020年的消费预算，通过支付宝2019年的账单大抵也可以推算出来。大到经济发展形势的预判，小到个人消费估算，关于未来似乎都有“迹”可循。如何量化这种“迹” ，审时度势的预测未来市场需求，对企业而言至关重要。随着数据分析和机器学习算法研究的深入和应用，相较于人工经验，机器智能预测在预测的准确率上，表现出较为明显的优势。
【【人工智能】如何让企业预算有“迹”可循？机器学习智能预测探索之道】

本文插图
智能预测模型通过对历史数据的提炼和影响因子的分析，借助智能算法得到相对准确的基础预测，将显著改善供应链运营绩效。据Gartner报告显示，需求计划准确性提升10% ，订单交付率可提升10%-15% ，库存成本降低15-30% 。
美云智数源自美的集团，基于企业和行业的数据，在供应链领域建立智能预测模型，并在分析产品特征和历史营销数据的基础上，运用机器学习、大数据等相关技术，对特定市场的供应与需求进行数学建模，美云智数排程易APS构建了基于产品特点可配置的复合模型，针对产品生命周期在不同阶段或者产品的不同特点进行分类，根据分类自动选择预测方法，提升预测准确性。
? 多版本预测方案
针对不同的业务需求，支持多版本预测方案的配置，基于同一份历史数据，生成不同颗粒度的预测数据，并对不同颗粒度的预测结果进行对比，评估不同维度的预测准确性和可参考性。

客户+SKU维度的预测用于指导客户预测的提报
区域+SKU的维度用于区域预测评审
总部+SKU用于总部需求预测的评审
……

本文插图
? 无限扩展的预测因子
模型通过对企业各品类产品在实际业务场景中所关联的多方位影响因子进行分类和梳理，并在计划系统里通过订单等标记串联客户从订单提交到分销产品的销售流程，透过业务数据规律筛选出主要影响因子，并对其重要性程度进行比较，确保从已知领域涉及的全部影响因子里筛选出重要因子，提升建模的准确率。

本文插图
通过“无限扩展的因子输入”和“因子分离”模型，支持不同行业、不同产品的因子定义和影响分析，并可应用于实际订单和预测基于因子的冲减。
? 多场景自适应预测模型
产品需求数据，实际上是非线性、时变的时间序列数据，预测结果是否准确，很大程度上取决于所采用的预测方法。不同产品特点使用的预测方法不尽相同。所以，通过对预测方法的研究，建立适当的预测模型，对企业未来市场需求的预测精准性意义重大。

本文插图
预测需求和实际订单终究存在差异，提升需求预测计算频率，可帮助我们修订预测的偏差。另一方面，在执行过程中，通过不断审视、修正预测，使得企业各业务领域围绕着更新的目标，持续保持富有前瞻性的协同。