机器学习：需求预测新“法宝”-物流管理.docVIP

机器学习：需求预测新“法宝”-物流管理 机器学习：需求预测新“法宝” 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。