需求预测——以价值驱动的方法提供 5 个洞察

原文：towardsdatascience.com/demand-forecast-a-value-driven-approach-with-5-key-insights-addc22e2e3e4?source=collection_archive---------4-----------------------#2024-01-25

预测的最终目标不是准确性，而是切实的价值创造。让我们一起探索 5 个洞察，最大化需求预测的价值。

https://medium.com/@lingyi_99090?source=post_page---byline--addc22e2e3e4--------------------------------https://towardsdatascience.com/?source=post_page---byline--addc22e2e3e4-------------------------------- Lingyi Tan

·发表于Towards Data Science ·7 分钟阅读·2024 年 1 月 25 日

–

https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/de257a689ef9e1d21ae13ec4962131eb.png

图片由Daoudi Aissa提供，来自Unsplash

介绍

嗨！1 月是规划和产生重大影响的最佳时机。作为一名数据科学家，你经常被要求构建预测模型，可能你认为准确性始终是黄金标准。然而，事情有个转折：真正的魔力不仅仅在于准确性，而在于理解更大的画面，专注于价值和影响。让我们一起来揭示这些重要的方面吧。

1. 价值是需求预测的终极目标

关于预测，我们首先需要对一件事达成一致：我们的最终目标是创造真实的价值。 真实的价值可以表现为可触及的财务利益，比如成本降低和收入增加，或者是你从预测过程中解放出来的时间和资源。有很多路径是从需求预测开始，最终以价值创造为目标。预测准确性就像我们的可靠指南针，帮助我们朝着目标前进，但它并不是我们追求的宝藏。

作为数据科学家的任务：

• 与你的经理和团队讨论需求预测的目的。其目标是设定准确的销售目标吗？还是降低库存水平？这些预测数字背后隐藏着哪些深层次的顾虑？

• 创建一个简单的商业案例，将预测准确度指标（偏差、MAPE）转化为财务术语。如果这项任务看起来很有挑战性，可以向你在业务领域的朋友寻求帮助。这样，你将学到很多关于业务和需求预测价值的知识。

• 评估你的商业案例，找出预测过程中的最关键方面。是减少偏差（特别是过度预测）来降低库存水平吗？是评估折扣对各类产品的影响（这可能更适合用弹性模型）吗？还是更侧重于降低 MAPE，防止供应团队在危机中不断应对不可预测的采购订单？

通过清晰地将预测要素与其价值关联起来，你会更有信心知道该将精力和智力集中在哪些部分。

2. 过程中的小调整可以带来巨大变化

在预测中，你可以在两个方面增加价值：过程和模型。作为数据科学家，我们可能会过度关注模型，但有时候，过程中的一个小调整可以带来很大的影响。产生预测的过程可以决定其质量，通常是以负面的方式影响质量。同时，从预测开始的过程是通向价值创造的路径。没有良好的过程，即便是最好的模型也难以创造任何价值。

作为数据科学家的待办事项：

• 了解预测中的“最佳实践”。这可能有些棘手，因为不同行业和商业模式对“最佳实践”的定义各不相同。但一些原则是普遍有效的。例如，预测应定期自动生成；手动覆盖应尽量减少，仅在有充分理由的情况下使用；预测应触发明确的决策和行动，如准备生产、调整库存或增加促销力度。

• 查看这些“最佳实践”，看看你是否涵盖了所有要点。如果是的话，太棒了！你已经准备好迎接下一个挑战。如果没有，深入挖掘一下。问问自己是谁或什么因素在阻碍进展。有哪些最小的变化可以改善整个预测过程？我真心建议你与这一领域的关键人物喝杯咖啡。你可能会惊讶于通过影响预测过程中的一个人所能带来的变化。

3. 更清晰的过程映射有助于更好的模型构建

即便是过程已经根深蒂固，无法改变，清晰理解过程依然极为宝贵**。** 它能让你集中精力于决策与行动链条中最相关的关键特征。

例如，如果生产计划需要提前两周确定，那么就没有必要关注下周的预测。同样地，如果关键决策是在产品系列层面做出的，那么关注单个产品层面的准确性就会浪费时间。让（不可更改）的流程细节定义建模的边界，避免做无谓的“煮海”工作。

作为数据科学家的待办事项：

• 与一位精通业务的同事搭档，绘制出预测流程的图示。确保每个步骤都包括以下元素：正在做出的决策、决策所需的输入、决策的执行者以及随之而来的结果。记住，这不是一项轻松的任务，我们的目标不是追求完美。尽量收集信息，并将其整理成图示。

• 接下来，查看你的图示（它可能看起来有些令人不知所措，充满了各种圆圈之类的元素），试着找出整个过程中最关键的决策点。弄清楚在这些节点上做出坚实决策所需的预测类型：你是需要产品系列层面的六个月预测，还是每个特定产品包变种的每周预测？这些就是你的顶尖建模技能和数据科学知识将要解决的关键问题。

4. 提高可解释性以更好地对齐和采纳

在建模方面，可解释性应该是重中之重，因为它显著提高了预测的采纳率。由于我们的最终目标是创造价值，预测必须在商业运营中使用，以产生实际的价值。

这可能包括将预测应用于促销计划以增加收入，或者设置库存目标以减少库存水平。在日常工作中，人们通常可以选择信任或不信任预测。（你有没有经历过在会议中，预测数据被忽视，因为没有人理解这些数字？）没有信任，就无法采纳预测，因此也难以创造价值。

相反，当预测数据伴随直观的解释时，人们更可能信任并使用这些预测。因此，准确预测的价值可以在他们的日常任务和决策中实现。

作为数据科学家的待办事项：

• 思考一下预测过程，并考虑人们是否希望和需要更好地理解你的预测模型。我认为，如果预测是供人们做中长期决策使用的（例如预算、定价或产能规划），那么解释它对于建立对数据的信任并促成决策至关重要。

• 你还需要理解决策者如何直观地解读或预期预测数据。然后，调整你的解释，使其符合他们的语言。这部分比较棘手——你需要将特征重要性、Shap 值和回归系数重新表述为“1%的价格上涨的影响”等术语。不要犹豫，向你那些有商业头脑的朋友寻求帮助，并在他们身上测试你的解释，看看是否合理。

5. 模拟场景以促进决策制定

场景模拟自然是可解释性的延伸。虽然可解释模型帮助你根据预期的关键驱动因素（例如，10%的价格上涨）理解预测，场景模拟则使你能够探索并评估这些预期或计划的不同替代方案。你可以评估每个选项的风险和收益。这种方法在战略决策中极具威力。

所以，如果你的任务是创建预测来确定明年的促销预算，至关重要的是与你的利益相关者就你想要探索的关键驱动因素（如折扣水平、包装形式、时机等）以及潜在的场景达成一致。围绕这些关键驱动因素构建你的预测，确保不仅准确，而且模型的解释和场景能够“讲得通”。这可能意味着当价格下降或节假日临近时，需求会增加。但当然，你需要和关键利益相关者一起搞清楚，在你的业务中，“讲得通”究竟是什么意思。

作为数据科学家的任务：

• 与决策者沟通，弄清楚他们希望为哪些假设场景做好准备。让他们识别出关键因素并设置场景：10%的通货膨胀激增、关键原材料的供应中断、自然灾害等。让他们按重要性对这些场景和因素进行排序，这样你就可以优先处理。

• 接下来，看看你的预测模型如何表现。尽量为一些场景和因素创建模拟预测，始终从最重要的因素开始。

• 向你那些有商业头脑的朋友确认，确保你的模拟是现实的。你可能需要尝试几次，调整模型，直到一切恰到好处。就像解释一样，使用商业语言来讲述故事是这项任务的关键。不要犹豫，寻求帮助。这对你和帮助你的人来说，都是一个学习机会。

总结

好的，我知道这看起来可能有点复杂。你可能在想，“所以，除了分析数据和训练模型，我还需要深入进行流程分析，制定一个解释模型，甚至为预测构建一个模拟引擎吗？”

不用担心，这并不是完全的预期结果。看看更大的图景，会帮助你找出预测模型的关键方面，弄清楚建立它们的最佳方式，并与合适的人建立联系，从而提升预测的价值。当然，你需要在通常的数据处理和模型调整工作之外增加一些额外的任务，但我保证这将是一次有价值的经历——而且，你还会在过程中结交一些商业敏锐的朋友！

如果你想深入了解这个简单框架，我还编写了一个全面的问题清单在这篇文章中，涵盖了与需求预测相关的各个方面。祝你在预测项目中玩得开心，并最大化你对世界的影响！