Почти правильное прогнозирование спроса - это мечта любого руководителя цепочки поставок.
Очевидно, что это приводит к возникновению всех ваших проблем - от нехватки поставок и избытка запасов до удовлетворенности клиентов.
В этой статье мы обсудим, как и где можно использовать ИИ для прогнозирования спроса.
Давным-давно….
Согласно Harvard Business Review от 1971 года, существует три основных типа прогнозов спроса.
Качественные методы (экспертные группы, маркетинговые исследования и т. Д.)
Анализ и проекция временных рядов (скользящее среднее, экспоненциальное сглаживание и т. Д.)
Причинно-следственные модели. (регрессия, эконометрические модели и т. д.)
В более поздние времена….
Перенесемся в более недавнее время,
Престижный конкурс M4 Forecasting 2018 дал несколько удивительных сведений о влиянии машинного обучения на прогнозирование спроса.
Из 17 наиболее точных методов 12 были «комбинациями» в основном статистических подходов.
Самым большим сюрпризом стал «гибридный» подход, в котором использовались как статистические функции, так и возможности машинного обучения.
Второй по точности метод представлял собой комбинацию семи статистических методов и одного метода машинного обучения, при этом веса для усреднения вычислялись с помощью алгоритма машинного обучения, который был обучен минимизировать ошибку прогнозирования с помощью тестов задержки.
Шесть чистых методов машинного обучения работали плохо, ни один из них не был более точным, чем комбинированный тест, и только один был более точным, чем Naïve2.
Источник: https // www.sciencedirect.com / science / article / abs / pii / S016920701830078
Результаты ясно показали, что
Комбинация статистических моделей работает лучше, чем одна модель
У гибрида статистического и машинного обучения больше шансов.
Как мне решить:
- Вы сделали все, что могли, используя подход статистического моделирования с точки зрения причинно-следственной связи (влияние переменных на выпуск), эконометрии (влияние экономических факторов на выпуск), качественного анализа (мнения экспертов), но остались несколько моделей, дающих сопоставимые результаты. .
Уровень машинного обучения может дать вам дополнительное преимущество при выборе веса для каждой модели.
2. Ваши переменные данных или функции довольно не интуитивно понятны, и у вас есть масса данных. Методы машинного обучения могут помочь вам в уменьшении размерности.
3. ML может не подойти вам, если ваш элемент прогноза - новый продукт без исторических данных или с небольшим количеством исторических данных.
4. Обратите внимание на разницу парадигм между статистическими моделями и моделями машинного обучения. Статистика является основой обоих методов.
В статистическом моделировании вы используете все свои данные и придумываете модель, которая «соответствует» данным.
В машинном обучении вы разделяете данные на наборы данных для обучения, проверки и тестирования.
5. Статистическая модель дает вам гораздо больше, чем просто прогноз. Это может дать вам доверительный интервал. Пример. С вероятностью 95% прогноз спроса в этом году составляет от 200 до 250 миллионов долларов.
Методы машинного обучения в их стандартной форме ориентированы исключительно на прогнозирование. Пример: прогноз на этот год составляет 212 миллионов долларов с MAPE 8% (средняя абсолютная процентная ошибка), без информации о доверительном интервале.
Таким образом, когда дело доходит до прогнозирования спроса, статистические подходы и методы машинного обучения следует рассматривать не как конкурирующие методы, а как совместные и дополняющие методы.
Надеюсь, эта статья дала вам интуитивное представление о влиянии машинного обучения на прогноз спроса.
Не пропустите эту статью о том, как заставить ИИ работать в цепочке поставок. А до тех пор
Удачного прогнозирования.
А сейчас до свидания.