12、统计预测与机器学习：需求预测的有效方法

统计预测与机器学习：需求预测的有效方法

1. 引入需求驱动因素的挑战

在预测过程中引入各种需求驱动因素是个有吸引力的想法，但也面临诸多挑战：
- 数据收集问题 ：在考虑是否将需求驱动因素纳入预测时，首先要问自己是否有所需的数据。许多供应链企业，尤其是制造商，仍属于小数据公司，关键数据常存于 Excel 文件中。需要权衡投资数据收集和清理的利弊，以及这些额外数据能带来的额外预测洞察和准确性。
- 非线性效应 ：大多数模型基于线性回归构建，隐含地假设需求与需求驱动因素之间存在直接的线性关系。但实际数据并非如此。以冰淇淋与温度的关系为例，天气越热，冰淇淋销量通常越高，但不能过度推断。即使外面很冷，需求也不会降至零；而天气太热时，人们可能不愿出门购物，且一天内吃冰淇淋的量也有限。
- 驱动因素间的交叉效应 ：需要考虑广泛的需求驱动因素，以了解它们如何影响需求以及彼此之间的相互作用。例如，天气变暖通常意味着周末会有更多烧烤活动，但这种关系并非简单直接。季节里的第一次烧烤可能在相对寒冷的天气下举行，而人们会避免在寒冷的夏夜组织烧烤，因为他们知道下周末天气会更好。在预测需求时，应同时考虑本周末和下周末的温度，这两个温度会对当前需求产生交叉影响。
- 滞后效应 ：一些驱动因素具有分散的滞后效应，营销和广告就是典型例子。今天看到广告，可能两周后才购买。将这些驱动因素纳入预测模型极具挑战性。

2. 时间序列预测与预测分析的比较

时间序列预测和预测分析各有优缺点，以下是两者的对比：
| 模型 | 复