上游微小的预测误差会造成下游严重的错误

有趣的是，我们将被要求预测未来，成为数据科学家。在大多数情况下，这意味着试图预测谁会买，谁会失去，他们会买什么，他们会花多少钱，所有这些问题都是评分模型中最基本的部分。然而，如果你预测他们下个月的总购买量（收入预期）或下周、下个月或下一年的实际原材料价格来满足这些订单，那么你已经进入了时间序列预测的世界。忘记那些常见的警告，即“过去的表现不能保证未来的成功”。事实上，如果你从事时间序列工作，你就会知道过去的数据确实是预测未来的好指标。这种方法在一些像股市一样复杂的环境中可能不起作用（尽管许多股票分析师也赚了很多钱），但它可以用来预测Y商店下周能卖出多少X产品，Z产品的价格，甚至是未来几个月财富1000强公司的每周销售。时间序列预测是公司财务计划的核心。指导工厂、设备和企业并购的投资，需要长期的收入和盈利能力预测。准备应对市场和竞争对手的战略应对，需要中期预测(一般1-3年)。但这些中长期预测可以用相当平滑的曲线来呈现，不用担心太多的失真。真正有价值和困难的是短期预测，比如未来3到6个月的每周销售额。短期预测是供应链管理的核心和灵魂，是典型的无规律可循。如果出货量预测过高，库存占用成本会增加，毛利润会因为需要降价清仓而减少；如果预测过低，就会缺货，导致销量完全错过。因此，正确的预测是非常重要的。它会导致著名的“鞭子效应”，即上游的小预测误差会导致下游的严重错误。Imagesource:opsrules.com假设你对时间序列预测了解不多，最近52周的实际需求订单看起来像下图中的数据。首先，我们会情不自禁地去掉所有的峰值，并把它们作为异常值丢弃。之后可能会尝试校正，让它看起来像年度周期规律。然后应用回归分析或神经网络模型使结果成为图中右侧蓝色部分的预测线。你的即时判断应该是：1.95%的信心范围（阴影部分）太大，因此预测结果毫无意义。2.如果你不考虑需求中真正的周期性峰值和明显的季节性，你将导致最终生产计划失败。在接下来的几周里，生产计划要么太高，要么太低，无法满足实际需求（根据历史数据）。然而，现在大多数公司都使用这种甚至比这更糟糕的预测方法。根据《工业周刊》2014年的一项调查，77%的公司仍在使用Excel进行预测。移动平均值法只使用了44%。只有21%的公司使用更复杂的技术，如上述回归分析。使用更先进的时间序列预测技术的公司只有个位数，比例很低(总数超过100%是因为有些公司使用多种技术)。顺便说一句，今年是Excel引进的第30周年。工业在需求预测方面没有太大进展。供应链管理中使用的先进时间序列预测方法有很多种，不同于非数据科学家。以下是一些常见的方法例子(不是详细列表)：ARIMA和ARIMAX（自回归求和移动平均模型）动态回归模型向量自回归模型神经网络模型分层或分组时间序列离散事件模拟多层因果分析非常专业、不直观，需要特殊培训和经验才能获得准确的结果。对知识和经验的低覆盖率和高要求使其成为数据科学的优秀增长领域。时间序列预测不同于其他更广泛的数据科学领域，绝大多数技术是在学术环境中发展的（如广泛的数据科学预测和描述性工具），时间序列预测的一些技术是由SAS等个人公司开发的，有自己的所有权和专利。当然，它们也更准确。ARIMA/ARIMAX的目的不是深入研究任何技术，而是简单描述这两种方法的好处。这两种方法都适用于不规则环形模型。例如，以下用自回归求和移动平均模型进行的预测。Imagesource:RobHyndman使用ARIMA模型的例子精度约为98%，即使是保留样本的复杂性。ARIMA的有趣之处在于，它结合了单变量自回归分析和移动平均两种技术。除了额外的一点，ARIMAX与ARIMA几乎相同，即融合了转移函数的时间序列，三种技术融为一体。这种方法有时更准确，但并不常见。最先进、准确的时间序列预测方法往往是由多种技术构成的，与团队或组合建模的概念没有什么不同。在现实世界中，特别是在某些时期，需求预测如此困难的原因有很多可能性，比如一周。有时它只是一个混乱的白色噪音，但我们必须至少从逻辑上解释以下内容：季节性和周期性变化的趋势（增长和减速随着时间的推移而变化），尽管这可能是变量的三个主要因素，但AMR研究表明，这三点只能显示模型精度的50%。离散事件对生产预测的影响更为重要。天气Weather日历(节日、季节性活动)Calendar(holidays,seasonalactivities)因果事件促销和营销(包括竞争对手促销)新产品发布Newproductintintions价格变化Prichanges宏观经济影响(如失业率)库存增加客户需求变化高德纳研究表明，这些外部因素是企业管理者最常引用的解释需求变化的来源。综合预测可以看到以下制造商的历史数据，即受季节性、天气、周期性需求、促销和潜在趋势影响的每周需求曲线。Imagesource:SAS最先进的整体需求预测技术是多种技术的结合，有时多达30种，用于建立最佳模型，并将其组合成一些非常有效的预测工具组合，称为大规模的自动预测和模型生成工具，可以利用事件和原因变量对一些非常不规则的时间序列数据做出非常准确的预测。请参见下面符合历史数据的虚线和预测的橙色实线。请参见下面符合历史数据的虚线和预测的橙色实线。Imagesource:SAS价值定位对行业非常有价值。AMR研究报告称，通过整体预测，使用一些有因果关系的事件来说明变化如下:预测精度提高54%，库存周转率提高33%，库存减少15%，Resultsin15%，订单完成率提高17%，Yieldsa17%，收款时间减少35%。《工业周刊》的“供应链透视”报道了调查结果：几乎90%的制造商表示，如果有更好的需求预测，他们的收入将增加10%。这是数据科学中一个高度专业化的领域。这是数据科学中一个高度专业化的领域。如果你在寻找一个高价值、高增长的方向，研究时间序列预测将是一个明智的选择。