王文博 曹璐
市场的波动以及各种各样影响需求的复杂因素使得需求预测变得更加困难。“机器学习”这一新技术可以帮助企业克服这一挑战。
需求预测非常困难，现在采用的大部分需求预测技术结果常常不能令人满意，而且会出现重大的预测错误。这样的需求预测并不能迅速地分析需求数据的趋势，同时在了解需求变化的内在原因方面的作用也不大；而且，由于需求分析需要大量的人工投入，经常会出现偏差或是预测效率低的情况。
是什么让需求预测变得如此挑战重重？现今的商业环境下，需求数据不再是一系列逻辑统一的数字，而更像是一组杂乱无章的浑噩。需求不断地受到多重内外部因素的影响，时而高，时而低，因而单单靠分析历史数据并不能够准确地进行需求预测。需求应该被看作是由一系列复杂因素驱动，几乎不能够用传统的预测公式分析的这样一组数据。
然而，有一种叫作“机器学习”的新技术可以通过可靠模拟需求变化的各种原因，帮助企业成功地应对需求预测的挑战。它是一种对能够通过经验数据自动改进的计算机算法的研究，这些计算方法不再是一板一眼地遵循固定的编程指令，而是利用数据构建，并且经常性地改善具体算法的性能，进行预测。
困难重重的需求预测
如今的企业都遇到了哪些需求预测的困难呢？
大量促销活动——每年，意大利乳制品生产商葛兰纳诺公司（Granarolo S.p.A.）开展数以万计的客户促销活动，为34000 个库存产品促销进行需求预测。但是情况却更为恶劣：需求峰值可以比基础销售额高出30 倍。这是一个常见的困境。对于许多消费产品企业，广告和促销的费用可能会占到20% 多的销售收入。然而营销优化研究所（Promotion Optimization Institute）创始人兼首席行政官迈克? 坎特（MichaelKantor）表示，只有1/50 的企业能够准确地预测需求增长，确保消费产品的供货，并且评估这些促销的经济回报。没有先进的技术手段，很少有企业能在促销频繁的情况下精准地做出预测。
大量新产品——英国电子元件集团（Electro components plc）是全球领先的企业，有50多万种库存产品。公司每个月推出5000 种新产品，每天有来自32 个国家的44000 多个订单。每个月新增的产品是一回事，但是为品类繁多的新产品进行需求预测可不是一件简单的事。另外，新产品的预测也更困难。因而，预测者可以利用外部数据帮助他们预测初始需求，然后决定应该在新产品推广中投入多少的营销费用。
大量“长尾”需求——那些电子商务业务正在不断增长的企业发现，他们必须对那些客户订单小而且不频繁的慢销、“长尾”产品进行需求预测。异常值自然很难预测，这使得库存计划变得十分困难。即便你可以预测某种产品的平均需求，你可能也不能够预测需求高峰。手头上既要有足够的库存满足突如其来的需求激增，同时避免增加不必要的库存，要在这两者之间做出一个平衡几乎是不可能的。
不断增长的复杂性——在葛兰纳诺20 世纪60 年代作为牛奶生产商成立之初，需求计划并没有那么复杂，但是随着公司逐渐成长成为一个跨国集团，拥有8大品牌和上百种不同的乳制产品，采用各式各样的配送模式，情况就变得复杂了。公司基本的预测软件并不能够应对这种规模的增长，这导致预测的结果越来越不准确，并且耗费了巨大的人力成本。葛兰纳诺面临的情况也是现代供应链共同面临的，而且复杂性还在继续增加。
极端的节令性—— 美国暖气、通风和空调设备制造
商雷诺士国际公司（Lennox International Inc.）的需求预测非常复杂，原因有很多：一是产品的多样性（每种产品都有各自独立的需求模式），二是慢销产品多，三是销售受季节影响非常明显。更复杂的是，雷诺士公司计划大大扩展其配送网络。因而只有采用高度自动化的需求计划系统，公司才可以应对这样的复杂性和多变性。
数据太多——在总结分析所有的这些企业后，我们发现一个共同的规律：那就是太多的新数据。这里我主要指的是能够帮助企业更好地预测需求的市场和物流数据。管理大量多样且不断增长的数据流已经超过了大多数需求计划者（和计划系统）的处理能力。想要把这些新数据运用表格或传统的计划工具纳入到预测中实属不易，而且通常是无意义的，另外成本也会非常高。
以上这些示例公司都具有相当程度的复杂性和规模，这使得计划者不能够进行准确的需求预测。这些公司的业务不再是简单的、可基于历史销售数据进行预测的。因而在这些情况下，需求预测者都已经无能为力了。
我们发现很多情况下，人们总是等到非常晚才开始为预测做贡献。因而，他们并不是第一时间为准确的预测提供资源，而只是调整预测结果。这样的方式效率很低。
这些企业还有哪些其他的共同点呢？它们全都采用机器学习，提高预测的准确性。这一决定大大地降低了库存成本，同时为客户提供了更好、更有效率的服务。这同时也意味着计划者不需要浪费更多的人力时间否决或者调整需求。
接下来就让我们一同了解一下机器学习是如何实现这些改变的。
什么是机器学习？
机器学习系统的设计主要是针对能够处理各种各样数据的预测模型。不同于遵照传统的编程指令，机器学习系统通过模拟所有可能影响需求的变量，同时过滤掉随机和不可预测的需求波动，减少了需求的可变性。因而，它们能够从已经处理和分析的数据中学习，并且做出相应的优化和改变。例如，一个使用网页数据迅速检测到热销新产品的机器学习系统可以找到并了解哪些需求指标——比如网页点击量、规格下载和在线时间——是最可靠的，然后根据消费习惯的改变自动更新计算方法。
机器学习可以分析各种分销渠道的刺激因素（比如促销和广告）和需求指标（比如社交媒体活动）的效果。随着信息量的激增，这些因素和需求指标更容易获得，同时也更加容易管理。机器学习系统因此能够整合并且有效地模拟这些重要的新数据资源，包括详细的市场数据、机器遥测术和社会媒体费用，而这些方法是传统的需求计划系统不可能实现的。
那它有什么样的实际意义呢？其中一点，这意味着企业可以利用有价值的、更接近消费者的数据信号，包括实时销售数据和社交媒体渠道。这样公司就可以了解需求驱动因素，比如媒体、促销和新产品推广的效果，然后用这些信息大大地提高预测的质量和详细度。
出现这些情况你就需要它了
机器学习技术是否对你的供应链有益呢？想要找出结果，你首先要知道旧的计划系统是否正在产生越来越高的成本。
安全库存水平增加——你不能相信你的安全库存可以满足需求，保证服务水平，于是你不断地提高安全库存水平。机器学习则通过将更多的需求变量纳入分析，帮助那些产品种类多（包括长尾产品）的企业制定出最优且值得信赖的低库存水平。
“吃不消”的计划团队——你的团队花太多的时间人工地调整和评估需求预测，而且通常还是不能够提供及时准确的预测。这导致效率低下，影响团队士气。而机器学习可以根据各个需求变量的重要性，纳入预测分析，实现更为准确的预测。这样就解放了计划者的人力时间，让他们可以花费更多的时间用个人的洞察力和业务知识去精练需求预测。
销售与运作计划（S&OP）流程效率低下——来自销售与运作计划方面的共识预测并不可靠，或者这背后的共识合作过程太缓慢，不能够适应市场和产品的多变性。机器学习的高度自动化可以提高短期和中期预测的质量，通过从交易和促销数据中提炼出关键趋势，对这些趋势提出可实现的见解，因而让销售与运作计划更为高效，实现企业目标。
如果出现了上述任何一种情况，这也许预示着你应该要好好了解一下机器学习技术。这并不是让你立刻就换掉现有的需求预测软件。就比如，葛兰纳诺在现有的系统之外，并行采用机器学习技术，提高公司绩效。采用这项技术的企业发现它使用简单，而且还可以从现有的数据中学习，这就意味着它从实施投资到回报的时间相对比较短。
在不远的将来，大部分的供应链将依赖使用机器学习技术的软件，分析大量多样化的数据。对于那些希望解决复杂预测问题的企业，这项新技术无疑将会成为一项非常宝贵的工具。