概率预测
首页 » 预测 » 此处
在供应链管理中，成本受极端事件推动：需求异常高时，会导致缺货和客户不满；而需求异常低时，会导致库存积压和成本高昂的库存作废。所有管理者都深谙这一点：企业应当抱最好的希望，做最坏的准备。当需求恰好符合预期时，一切都会很顺利。但是，核心预测挑战并不在于处理好容易的情形，在此类情形中，即便考虑到未经处理的移动平均数，也能很好地进行处理。核心挑战在于处理“困难”的情形；也就是破坏你的供应链并且让每个人都抓狂的情形。
Lokad 开发出了一种全新的预测处理法——概率预测。简单地说，对需求进行的概率预测并不只是估计需求，而是估计未来每一种情形的概率。它会评估需要 0（零）个单位的概率，需要 1 个单位的概率，需要 2 个单位的概率，以此类推。每个需求级别都会进行概率估算，直到概率小到完全可以忽略为止。
这些概率预测提供了一种全新的看待未来的方式。概率预测不会陷入预测数据有望能够实现的空想，而是提醒你一切皆有可能；只不过可能性不等而已。因此，在做最坏的准备时，概率预测提供了一种定量平衡风险的有效途径（而传统预测对于后者视若不见）。
概率预测引擎的数据输出为概率分布。从实用的角度来说，尽管这类信息极其丰富（毕竟是着眼于未来的多种可能！），但其原始形式也是相当不实用的。为此，Lokad 提供了一个完整的平台、所有必要的工具和团队支持，来帮助贵公司将这些概率转化为再订货数量之类的业务决策。
Lokad 的 Web 应用具备大数据处理功能，支持创建必要的商业逻辑，来将这些预测值转化为特别适用于贵公司的决策。这些决策可以根据特定的供应链限制进行调整，例如 MOQ（最小订货量）；经济驱动因素，例如与保存期限到期相关的风险；以及流程，例如每天商务 8 点前要下的采购订单。
因此 Lokad 决定实现全自动化的预测流程。这意味着
这个自动化过程是通过机器学习实现的。从直观上说，如果逐一看待产品，每种产品可用的信息量通常不足以执行准确的统计分析。但是，如果考虑售出的所有产品之间的相关性，便可以自动调整预测模式并计算出更加准确的预测值，因为在预测过程中不仅利用了特定产品本身的数据，也利用了从预测角度来说存在相似性的所有产品的数据。
能够解决这类高维统计问题的算法通常称为机器学习算法或统计学习算法。Lokad 准确运用这些算法，其中很多实际上就是为了提供预测值。唯一的不足之处就是，相比传统方法，这些算法耗费大量处理能力。但云计算解决了这一难题，不论处理的数据量有多大，预测引擎总能流畅运行。
根据前几代技术中所获得的经验，我们积累了大量设计适合各种企业情形的预测引擎所需的知识。
估算概率而不是估算平均值的想法，早在我们还在尝试利用传统方法时就萌生了。我们着实经历了不少失败，才意识到传统方法存在固有的缺陷，即便进行再多的研发也无法修复破坏的统计框架。必须先修复这种统计框架本身，预测模式才能使用。
此外，从数学角度来说，预测引擎的每次更新换代，都是对上一代的一个广义化的过程；相比上一代，新一代的预测引擎能处理的情形更多。实际上，近似的正确总比绝对的错误要好。当预测引擎无法生成预测值时所遇到的最难处理的情形，也是最契合某种特定业务情形的情形，因为预测引擎的表达力不充分。或者，预测引擎无法处理输入数据时的情形，也是与获得这种情形的统计洞察的特定情形，这同样是因为预测引擎缺乏表达力。
Lokad 致力于持续改进预测。尽管我们的概率预测引擎让我们深感自豪，但是我们的努力并不止于此。与现场解决方案不同，现场解决方案中升级到一种新工具挑战的是其本身，而我们在推出新一代的预测引擎后，Lokad 的客户总能从我们的下一代预测引擎中受益。
概率预测比 Lokad 上一代基于分位数网格的预测技术有了显著的进步。相比传统预测法，概率预测取得了重大突破，准确度大幅提高，进而转化为供应链、库存或生产方面的经营利益。
充分考虑不确定性
许多公司对屡屡让他们失望的预测结果感到沮丧不已。Lokad 花费了数年的时间，才完全找到了这个问题的根源：传统预测法能产生准确的预测数据。未来无疑是不确定的，当某种工具或解决方案无法按照预期提供准确的数据时，其效益也就无法实现。根据我们的经验，即使对现有预测模式进行再多的精调，即使秉着研发出更好模式的目的进行再多的研发（从传统意义上），都无法解决这个问题。安全库存分析之类的方法的确能处理不确定性，但在实际上，安全库存分析只不过是事后诸葛亮而已。概率预测提供了窥见未来的全新途径
在供应链管理中，成本受极端事件推动：需求异常高时，会导致缺货和客户不满；而需求异常低时，会导致库存积压和成本高昂的库存作废。所有管理者都深谙这一点：企业应当抱最好的希望，做最坏的准备。当需求恰好符合预期时，一切都会很顺利。但是，核心预测挑战并不在于处理好容易的情形，在此类情形中，即便考虑到未经处理的移动平均数，也能很好地进行处理。核心挑战在于处理“困难”的情形；也就是破坏你的供应链并且让每个人都抓狂的情形。
Lokad 开发出了一种全新的预测处理法——概率预测。简单地说，对需求进行的概率预测并不只是估计需求，而是估计未来每一种情形的概率。它会评估需要 0（零）个单位的概率，需要 1 个单位的概率，需要 2 个单位的概率，以此类推。每个需求级别都会进行概率估算，直到概率小到完全可以忽略为止。
这些概率预测提供了一种全新的看待未来的方式。概率预测不会陷入预测数据有望能够实现的空想，而是提醒你一切皆有可能；只不过可能性不等而已。因此，在做最坏的准备时，概率预测提供了一种定量平衡风险的有效途径（而传统预测对于后者视若不见）。
在传统预测方法中风险分析有点“事后诸葛亮”的意味，而
Lokad 则是直面这个问题并且将概率预测作为重心
站在从业者的角度
概率预测也许看起来太过于技术且有点令人望而生畏。不过，如果你是供应链从业者，并且已经从事多年"直观"的概率预测：由于风险太高，需要思考基本预测值必须向上或向下修正的所有情形……而概率预测的意义是：在面对不确定的未来时，适当平衡现实世界的决策。尽管在传统预测法中风险分析有“事后诸葛亮”的意味，但 Lokad 的概率预测直面这种情形并且以此为中心。概率预测引擎的数据输出为概率分布。从实用的角度来说，尽管这类信息极其丰富（毕竟是着眼于未来的多种可能！），但其原始形式也是相当不实用的。为此，Lokad 提供了一个完整的平台、所有必要的工具和团队支持，来帮助贵公司将这些概率转化为再订货数量之类的业务决策。
Lokad 的 Web 应用具备大数据处理功能，支持创建必要的商业逻辑，来将这些预测值转化为特别适用于贵公司的决策。这些决策可以根据特定的供应链限制进行调整，例如 MOQ（最小订货量）；经济驱动因素，例如与保存期限到期相关的风险；以及流程，例如每天商务 8 点前要下的采购订单。
不论投入多少个星期多少个月的人工用于专门手工操作解决方案，但
总是会需要进行更多的微调
通过机器学习实现自动化
供应链管理常常涉及到在多个位置之间移动多种产品。传统预测解决方案严重依赖于手动调整，但其中涉及到多种高级统计模式，例如新产品或产品生命周期效应。但在 Lokad，我们的经验表明如果一种预测解决方案需要精调，那么这种调整就会无休无止：不论花费多少周或多少个月的人工来专门运作该解决方案，总是存在进一步精调的必要，因为产品太多、位置太多 ，并且企业在不断变化。因此 Lokad 决定实现全自动化的预测流程。这意味着
- 无需掌握任何统计知识就能获取预测值
- 无需进行任何精调就能获得经过调整的预测值
- 无需进行任何维护就能让预测值适应贵公司
这个自动化过程是通过机器学习实现的。从直观上说，如果逐一看待产品，每种产品可用的信息量通常不足以执行准确的统计分析。但是，如果考虑售出的所有产品之间的相关性，便可以自动调整预测模式并计算出更加准确的预测值，因为在预测过程中不仅利用了特定产品本身的数据，也利用了从预测角度来说存在相似性的所有产品的数据。
能够解决这类高维统计问题的算法通常称为机器学习算法或统计学习算法。Lokad 准确运用这些算法，其中很多实际上就是为了提供预测值。唯一的不足之处就是，相比传统方法，这些算法耗费大量处理能力。但云计算解决了这一难题，不论处理的数据量有多大，预测引擎总能流畅运行。
在 Lokad，概率预测是一项永无止境的工作
我们的概率预测的起源
Lokad 并未发明概率预测，而是其他数学家发明了概率预测，他们主要使用概率预测概念来解决商品股价预测或天气预报等各种问题。另外，Lokad 也并非从一开始就使用概率预测；此前我们使用了经典预测（2008 年）、分位数预测（2012 年）和分位数网格（2015 年）。因此，概率预测实际上是我们的第四代预测技术。根据前几代技术中所获得的经验，我们积累了大量设计适合各种企业情形的预测引擎所需的知识。
估算概率而不是估算平均值的想法，早在我们还在尝试利用传统方法时就萌生了。我们着实经历了不少失败，才意识到传统方法存在固有的缺陷，即便进行再多的研发也无法修复破坏的统计框架。必须先修复这种统计框架本身，预测模式才能使用。
此外，从数学角度来说，预测引擎的每次更新换代，都是对上一代的一个广义化的过程；相比上一代，新一代的预测引擎能处理的情形更多。实际上，近似的正确总比绝对的错误要好。当预测引擎无法生成预测值时所遇到的最难处理的情形，也是最契合某种特定业务情形的情形，因为预测引擎的表达力不充分。或者，预测引擎无法处理输入数据时的情形，也是与获得这种情形的统计洞察的特定情形，这同样是因为预测引擎缺乏表达力。
Lokad 致力于持续改进预测。尽管我们的概率预测引擎让我们深感自豪，但是我们的努力并不止于此。与现场解决方案不同，现场解决方案中升级到一种新工具挑战的是其本身，而我们在推出新一代的预测引擎后，Lokad 的客户总能从我们的下一代预测引擎中受益。
关于预测的常见问题
我们使用了许许多多的预测模式。现如今所使用的大部分模式是机器学习算法。这些模式由 Lokad 研发，并且在科学文献中通常没有已命名的相应模式。回溯到 2008 年，当时我们重新实施了所有经典模式（Box-Jenkins、ARIMA、Holt-Winters、指数平滑等），但这些模式最终作废，因为它们根本无法与我们现在的模式匹敌。
选择正确的模式或正确的模式组合，对于第一时间构建准确的预测来说等于成功了一半。从统计角度而言，总是能选择"最佳"模式的系统，就等同于总是能选择"理想"预测值的系统。实际上，我们的预测引擎很大程度依靠后验分析来选择一套最佳模式。
会的。我们的预测引擎能处理所有常见的周期性。我们的预测模式也会集中使用多重时序方法来利用在其他产品中观测到的周期性，从而改进任何一种特定产品的预测准确度。当然，两种产品可能具有相同的季节性，但不具有相同的周日模式。我们的预测模式同样也会处理这种情形。
要想预测需求，至少要向预测引擎提供日常历史需求，当然提供分解的订单历史记录会更好。至于历史记录的长度，自然越长越好。如果只有 2 年的历史记录，将无法检测季节性，3 年的历史记录会很好，5 年的历史记录则更好。为了预测交付周期，预测引擎通常要求采购订单中同时包含订单日期和交付日期。指定产品或 SKU 属性也有助于大大改进预测结果。此外，提供库存水平对于我们获取有意义的库存分析也大有帮助。
根据经验，如果您的所有数据都在一个 Excel 表里，那么通常来说，我们所能为您做的不多；说实在的，其他任何人都是如此。电子表格数据很可能按周或按月聚合，大部分历史信息在进行此类聚合后丢失。此外，在这种情况下，电子表格可能也没有包含多少有关您的产品适用的类别和层次的信息。我们的预测引擎利用您的所有数据来针对一个小样本做测试并不会给出令人满意的结果。
缺货和促销都表示历史销售量发生了偏差。由于我们的目标是预测需求，而不是预测销售量，因此需要对这种偏差予以考虑。处理这些情况的一种常用但并不准确的方法就是重写历史记录，以弥补差距和截断峰值。但我们并不喜欢此类方法，因为这涉及到馈送预测值给预测引擎，由此会导致严重的过度拟合问题。相反，我们的引擎支持“标志”，即通过标志来指示需求紧缩或膨胀的情况。
当然可以。不过，在预测新产品时，预测引擎要求提供其他“旧”产品的上市日期，以及在上市时的历史需求。此外，建议也指定一些产品类别和/或产品层次。实际上，我们的预测引擎是通过自动检测与新产品存在可比性的“旧”产品的方式来预测新产品的。不过，由于尚未观测到过新产品的需求，因此预测完全依赖于与新产品相关联的属性。
我们在统计预测领域近十载的经验无数次告诉我们，调整预测绝非好主意。如果需要调整预测，那么很有可能预测引擎存在需要修复的缺陷。如果没有要修复的缺陷，并且从统计角度来看预测按照预期进行，那么调整预测很有可能就是错误的。如果需要调整预测，通常反映出需要考量某种经济驱动因素；调整只会影响“凌驾于”预测之上的风险分析，但不会影响预测本身。
我们在时装、新鲜食品、消费品、电子设备、备用零件、航空航天、轻工制造、重工制造等许多垂直市场都有经验。我们也帮各种类型的行业参与者解决过问题，例如电子商务企业、批发商、进口商、制造商、经销商、零售连锁店等。要想了解我们是否具备您所在垂直市场的经验，最简单的方式就是直接联系我们。