预测技术

关联 依靠深度学习

计算 依靠云计算和 GPU

优化 依靠供应链洞察

如果每次单看一个产品，将无法获得充分的数据进行准确的统计预测。确实，在大多数消费市场中，产品的生命周期都不足 4 年，这意味着，大多数产品的使用时间甚至不到 2 年 – 这正是根据单一时序执行可靠季节性分析的最小深度。

我们通过统计关联来解决这一问题：从一款产品上获得的信息有利于促进另一款产品的预测。例如，Lokad 可针对一款仅销售 3 个月的产品自动检测适用的季节性信息。如果过去存在生命周期更长的产品，则系统将调取其季节性信息并应用于新产品。

虽然利用历史数据的关联性可大大提升预测的准确性，但同时也增加了计算量。如果通过关联 1000 款产品来查看所有可能的配对，则会有将近 100 万种组合。更糟的是，很多公司的产品种类远远大于 1000。

当客户推送数据给我们时，我们利用云计算和图形处理单元 (GPU),按需分配设备；然后会在一个小时内给出结果，同时解除相应的设备分配。由于我们采用的云计算（Microsoft Azure）按分钟计费，所以我们仅使用真正需要的功能。鉴于没有哪家公司每天需要多次预测，该策略与传统方法相比将削减 24 倍的硬件成本。

传统的预测属于中位数预测，即预测值高于或低于未来需求的可能性为 50%。不幸的是，这种传统方法并不能解决供应链的核心问题：降低库存量与避免库存缺货。

2016 年，Lokad 将概率预测概念引入了各个级别均已确立未来需求概率的供应链。Lokad 预测的是整个概率分布，而非每种产品的概率值。

对于周转较慢的产品、不稳定的销售以及苛刻需求，概率预测将大大优于传统预测方法。我们相信 10 年之后，所有认真对待库存优化的公司都会选择基于新一代技术的概率预测。

预测即服务

我们的客户一般通过平面文件（有时通过数据库）向我们发送数据，由我们提供结果。我们以服务形式提供预测。客户不必掌握任何统计技能，整个过程均由 Lokad 管理。

整个过程无需任何统计设置。以适当格式输入数据后（无需清理数据），Lokad 将在一小时内给出结果。不论是第 1 次还是第 10 次向 Lokad 输入数据，预测引擎都会进行全自动处理，无需任何人工干预。

统计模型

我们拥有一个大型统计模型库，其中包括博克思-詹金斯模型、指数平滑模型、自回归模型等经典模型以及它们的变体。然而，经典模型在关联方面存在不足。因此我们开发了多个更好的模型，以充分利用客户提供的数据。

我们会从一开始就对提供的预测进行监测。我们每天都通过预测模拟来认真评估所用技术的其他缺陷。这些结果有助于我们将研发力量集中于最重要的方面，而我们的客户也会受益于我们技术的不断改进。