我们常说“预测是供应链优化的基础”，这对“天作之合”是如何形成的呢？
提到供应链，我们可能首先想到的名词是“计划”“协同”“决策”等。
在现代的供应链管理中，这些流程机制的实现，都有赖于对于供应链的精准预测——在掌握“现有信息”的基础上，对未来的事情进行“测算”，提前预知供应链各环节（规划、生产、库存、运输），更好地应对前端市场和后端生产侧带来的不确定性。
预测过程通常会根据所用信息和方法分为两种。
传统的供应链预测，一般是依靠定性的方法，依赖于专家的感知和经验，以及对历史情况的人工判断。
例如，有的公司直接对于历史数据进行简单转换、拆解，得出未来的预测值；另一些公司利用市场研究报告对特定人群、细分市场进行调研，得到对于未来的期望值。
这样的预测方法比较费时费力，结果也不可量化评估。
在现代供应链中，当历史数据充分且可以将其中的模式延续到未来时，那么我们会优先采用定量的方法。企业的生产或业务系统会积累大量的实时或离线数据，对于数据加工及结果输出的效率要求很高，此时算法的作用就会凸显。
近年来，随着算力、数据的不断完善，AI算法在供应链预测上被越来越多地使用——使用大规模数据以及数据科学理论，更加“定量”地把握供应链的未来动向。
供应链预测没有一种放之四海而皆准的方法，无论选择哪种方法，都不可能100%准确，但无疑预测算法的引入大大地减少了信息的偏移和风险，可以做出更可靠的预测。
供应链预测在企业中的成功案例也屡见不鲜，简单举两个例子：
某企业甲曾面临着严重的商品库存成本过高、仓库协同及调拨困难等问题，其根源在于缺少对于前端需求的认知，缺乏准确可靠的预测数据。预测算法在改善其供应链管理能力的作用是，通过对历史订单、仓储信息的分析，对于仓储各环节的商品建立预测模型，提前预知各商品未来1-2个月的需求量。供应链管理部门可以根据这些信息提前将货物放在距离实际需求最近的仓库中，而对于不确定性较大的商品则提供足够的安全库存，保证商品的高效履约。更重要的是，整个过程的成本相较有了之前显著降低，用更少的成本换来了更充足的货物履约能力——这一切的背后都有着AI预测算法的深度加持。
某企业乙有着完整的供应链链路，从采购、分销到补调、配送，“全链路”的业务形态使得管理难度呈指数增长，这其中的问题包括过高的管理成本，也包括完整链路的协同困难。预测技术在这种场景下有着很多用武之地，对于各单点环节，预测技术可以帮助其完成运营计划的指定，无论是在采购量的精准预测，还是对于履约环节的运输、分拣环节包裹量的预测，都可以帮助各单个环节提前安排人员、设备，或更加科学地制定预期目标。更重要的是，这些预测值在各环节之间进行横向校准，保证数据的“统一性”，使得各环节不再各自为战，而是有着统一的预测数据底座，利用预测数据驱动前台业务协同。
如果你对供应链行业感兴趣，也有意向走进预测领域，那么你可能需要从以下几个方面积累能力和经验：
1. 数据思维。
无论是选模型、看业务，都依赖于对于数据本身的了解，透过数据洞察问题，比如数据形态如何，可预测性如何，是否存在一定的周期性或季节性特点，数据底层加工是否可靠，是否需要其他维度的数据辅助，如何获取这些数据等等。
总之，如果没有数据驱动思维，除了拍脑袋，啥也做不了。我曾问过北大光华管理学院的一个统计学家，到底什么样的数据是不可预测的。他说：什么数据都可以做预测，但是预测的精度及是否有意义就是另一回事了。
事实也的确如此，给了两天的销量数据让我预测第三天，能做吗？能做，但是结果你信吗？你一定不敢信，这是没有意义的预测。
所以，数据驱动思维决定了我们看待数据的角度，对于数据质量的洞察决定了最终的预测是否有效。
2. 建模能力。
建立一个可靠的预测模型需要算法工程师多个层次的能力。
首先，你需要掌握基本的统计学模型常识和常用方法，并知晓其背后的计算原理、应用场景、基本参数。
而后，你需要懂得如何利用现有的数据，让数据在模型中既“能表达”，也要对数据表达的信息有所取舍，让模型发挥最恰当的作用。
更重要的，完成模型搭建不代表建模已经结束了，我们还需要持续纠偏，预测在某种程度上其实是一个持续跟踪与纠偏的过程，比如跟踪预测方向的偏离，预测幅度的偏离，预测变化的偏离。
在发现偏差后，首先要分析偏差原因，是市场有了变化还是内部执行出现问题，比如，发现一款产品出货量突然下滑，我们可能通过分析发现，是一家竞品同款产品突然在搞促销，我们找到了偏差的真正原因，才能够有的放矢地进行后续操作；其次找到原因后，要采取相应的措施，比如拔高或降低预测，修正我们的预测模型，比如认定为特殊个案或者可以承受而暂不采取措等等；最后，我们要跟踪采取措施后的结果，再回到第一步，进行纠偏循环，不断地记录、分析与预防。
3. 行业认知。
供应链行业与完全线上化场景不同，其中的预测算法一般并非是单一目标去极致追求准确率，而是要帮助到实际的业务表现。
在这个行业下的算法工程师不仅要看数据、看模型，更要将视野放宽到业务层面。
事实上，供应链预测算法的设计往往是根据具体业务目标取舍后的结果，供应链的预测工程师需要更多地关心下面几个问题：
你的业务方或客户的KPI是什么？
他们将预测结果用于何处？
什么业务指标最能影响预测的表现？
他们对准确度、效率的敏感度如何？
这都决定了预测算法如何设计——使用传统算法保证效率再快速迭代，抑或是融合库存策略信息从而帮助库存决策优化，这些设计思路都是来源于实际的预测使用场景。
供应链行业的预测并不一味追求模型的“高大上”，而是要让算法有温度，能切实贴近业务，帮助完成行业的具体痛点问题。
4. 创新思维。
作为算法工程师，持续迭代并在这个过程中不断创新的意识是十分关键的。
具体在预测领域，创新并不一定是从理论层面重新推导一个全新的模型，而是使用创新方式解决实际发生的预测问题。
这其实包含两个层级：
第一，需要持续关注当前算法中存在的问题，预测算法有着“No free lunch”的特点，任何一个策略都有其假设和处理边界；
第二，针对当前算法无法处理的问题，在模型结构、数据处理、特征融合中进行创新。
接下来要给大家推荐的这本书，是作者深耕供应链预测领域十年的心血之作——《智能供应链预测算法理论与实践》，
这本书几乎包含了供应链预测所需要的所有技术内容，
提供了预测算法相关的从入门到精通的保姆级教程，
从基础模型篇到进阶模型篇，再到行业实践篇，一步步带你夯实数理基础，跟进前沿算法策略，并深入供应链行业的建模案例。
本书内容涵盖了供应链预测领域的算法理论模型和行业实践知识。
首先从商品需求预测案例入手，以简明易懂的方式介绍了预测的基本流程。
随后详细介绍了业界常用的基础预测模型和复杂预测模型，包括传统的时间序列模型、统计学习模型、机器学习和深度学习模型。
最后通过实战案例详细介绍了不同算法模型的适用场景，以及如何有效地融合不同类型的算法来应对不同行业的预测需求。
通过阅读本书，在知识方面，您可以：
系统构建需求预测的知识体系；
深入理解预测算法的基本原理；
完整学习预测模型的应用知识。
通过阅读本书，在实践方面，您可以：
快速实现需求预测的基础代码；
熟练掌握预测问题的解决思路；
全面汲取预测算法的行业经验。
授人以鱼，不如授人以渔，一书在手，助你预测无忧，扶上快马，送你广阔一程。
↑限时五折优惠↑
限时五折优惠，快快抢购吧！
按以下方式与博文菌互动，即有机会获赠图书！
活动方式：请加工作人员微信hey1206_mayday，并在文末留言，谈谈你最喜欢的运筹OR帷幄预测算法相关的推文，我们将为点赞量最高且转发本文至朋友圈的5位粉丝赠送此书
活动时间：12月24日开奖
快快拉上你的小伙伴参与进来吧~~
发布：刘恩惠 审核：陈歆懿
微信公众号后台回复
加群：加入全球华人OR|AI|DS社区硕博微信学术群
资料：免费获得大量运筹学相关学习资料
人才库：加入运筹精英人才库，获得独家职位推荐
电子书：免费获取平台小编独家创作的优化理论、运筹实践和数据科学电子书，持续更新中ing...
加入我们：加入「运筹OR帷幄」，参与内容创作平台运营
知识星球：加入「运筹OR帷幄」数据算法社区，免费参与每周「领读计划」、「行业inTalk」、
「OR会客厅」等直播活动，与数百位签约大V进行在线交流
文章须知
微信编辑：疑疑
关注我们
FOLLOW US
