07 AI 与 ML 在需求预测中的应用
📌 知识层级说明 🟢 基础必掌握 — 入职前、面试前必须理解 🟡 进阶了解 — 有基础后扩展，理解逻辑即可 🔴 暂缓 — 工作后遇到实际场景再深入
一、为什么传统方法不够用？🟢 基础必掌握
传统统计模型（移动平均、指数平滑）的局限：
| 局限性 | 说明 |
|---|---|
| 只用历史数据 | 无法纳入天气、节假日、促销、竞品等外部信息 |
| 线性假设 | 现实需求往往是非线性的（断点式变化） |
| SKU 数量多时效率低 | 一家大型零售商可能有百万 SKU，人工调参不现实 |
| 无法自动捕捉规律 | 需要人工判断并设置季节因子、趋势参数 |
AI / ML 的优势：自动从海量数据中发现规律，处理高维度、非线性、多变量的复杂需求模式。
二、主流 AI/ML 预测方法概览 🟡 进阶了解
方法一：随机森林（Random Forest）
- 类型：集成学习（多棵决策树投票）
- 特点：对异常值鲁棒，可处理非线性关系，特征重要性可解释
- 适用：需求影响因素多（促销、价格、竞品、天气等），数据量中等
方法二：梯度提升（XGBoost / LightGBM）
- 类型：集成学习（串行提升）
- 特点：预测精度高，是 Kaggle 竞赛的常胜方法
- 适用：结构化数据，特征工程完善的场景
方法三：LSTM（长短期记忆网络）
- 类型：深度学习，循环神经网络变体
- 特点：能捕捉长时间依赖（记得12个月前的趋势），适合序列数据
- 适用：数据量大（百万级+），时间序列特征复杂
💡 对入门者的建议：你现阶段不需要会写这些模型的代码。理解”AI预测工具存在、能做什么、有什么局限”就够了。使用现成的商业 AI 预测工具（如 SAP IBP、Azure Machine Learning）更是岗位实际需求。
三、外部数据源的引入 🟡 进阶了解
AI 预测的核心优势之一：可以融合多种外部数据提升精度。
| 外部数据类型 | 对需求的影响 | 典型应用 |
|---|---|---|
| 气象数据 | 高温推动空调/饮料销量；降雨影响出行/外卖 | 快消品、家电行业 |
| 节假日/促销日历 | 双11、618、春节大幅拉升消费电子/快消品需求 | 电商、零售 |
| 竞品价格 | 竞品降价可能导致本品需求下降 | 消费电子、快消品 |
| 宏观经济指标 | GDP、PMI、CPI 影响大宗商品和工业品需求 | 制造业原材料 |
| 社交媒体热度 | 某产品爆火可能带动销量激增 | 新消费品牌 |
四、中国企业的 AI 预测实践现状 🟢 基础必掌握
| 企业类型 | 现状 |
|---|---|
| 大型互联网/电商（阿里、京东、拼多多） | 自研 AI 预测系统，处理数百万 SKU 的实时预测 |
| 头部制造企业（华为、比亚迪、宁德时代） | 引入 SAP IBP 或自研系统，结合 AI 做需求预测 |
| 中型制造企业 | 多数仍以 Excel + ERP 基础预测为主，AI 化程度低 |
| 快速成长中 | 政策和市场双重驱动，AI 供应链预测工具市场快速扩张 |
主流商业工具：
- SAP IBP（Integrated Business Planning）：全球最大供应链计划软件
- Oracle Supply Chain Planning：涵盖需求感知、预测、优化
- 国内：盘古供应链（华为）、汉得、浪潮等
五、AI 预测的局限性 🟢 基础必掌握
不要迷信 AI，它有明显局限：
| 局限 | 说明 |
|---|---|
| 黑盒问题 | 深度学习模型难以解释”为什么这么预测”，业务人员难以信任 |
| 数据依赖 | 数据质量差、历史太短时，AI 预测不如简单统计模型 |
| 黑天鹅事件 | AI 从历史学习，对从未发生过的事件（疫情、战争）无能为力 |
| 冷启动问题 | 新品没有历史数据，AI 无法有效预测 |
最佳实践：AI 生成基础预测 + 人工判断修正 = 人机协作，而非完全依赖 AI。