上海
需求预测这东西，做出来的数字跟拍脑袋差多少？这种怀疑不是没来由——很多系统的输出是一个数字加一条曲线，既说不清怎么来的，也说不准差多少，用起来只能凭感觉打折。但把AI 预测拆开看，底层其实朴素甚至枯燥：用历史数据拟合规律，拿过去一段时间做回测，再挑误差小的那条路。这是统计学。
真正值得解释的是另一个问题：为什么需要五十多个模型，而不是挑一个强的？因为需求没有统一规律。快流件历史数据充足、走势平稳，移动平均、指数平滑这类统计模型往往就够用，而且可解释、不容易跑偏；慢流件和长尾物料数据稀疏，得靠机器学习把品类、季节、促销、区域这些特征一起喂进去；跨度长、影响因素多的序列，才轮到深度学习；而在服务水平、资金占用、仓储能力的约束下到底备多少货，本质是运筹优化问题，不是预测问题。没有哪个模型通吃所有场景，模型库的意义是让同一批物料在不同模型上各跑一遍，用回测结果说话。
判断一套预测靠不靠谱，看的也不是它讲的故事，而是验证机制。标准做法是拿历史数据假装预测过去：用去年此时的真实销量当未知，让模型预测一遍，再对齐实际值算误差。这类回测报告和准确率分析应当随时能调出来看，而不是只在项目汇报里出现一次。模型上线之后还要持续监控——市场结构一变，原来的模型可能立刻失效。
还有一层常被忽略：预测出的数字不会直接变成订单，中间隔着策略。EOQ 怎么定、安全库存留多少、新品和停产物料怎么特殊处理、替代料能不能顶、小起订量要不要取整——这些规则决定了预测误差会被放大还是被吸收。某种意义上，安全库存就是为预测不准留的余量，服务水平则是愿意为这份不准付多少钱。预测再准，没有这一层也落不了地。
落到具体企业，账是这么算的。长安汽车在备件供应链上引入 AI 做需求的智能推荐，销售转化率提升 15%；福特汽车此前的问题是采购预测不合理，一边积压一边缺货，转向数据驱动的需求预测、库存建模与采购部署之后，才把两头的问题同时收口。聚龄供应链的 SPP 平台在这一层集成的是五十多种机器学习、深度学习和统计运筹学模型，覆盖从终端销售预测到采购需求预测的完整链路。预测的价值从来不是算准未来，而是把不确定性量化成可以讨论的数字。一个能说清误差范围的预测，比一个看起来准确却无从验证的数字有用得多——前者能支撑决策，后者只能支撑汇报。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
