一般認為，需求預(yù)測越準確越好，準確率越高越好，這其實是對需求預(yù)測的一個誤解。因為，需求預(yù)測做的好不好，需求預(yù)測的作用和價值，并不是以預(yù)測準確率為指標，而是看需求預(yù)測解決了什么樣的問題。

另外，預(yù)測準確率受很多因素的影響，是一個有條件限制的指標，不同條件不同框架下的預(yù)測準確，不存在可比性。比如預(yù)測顆粒度越大，預(yù)測就相對越準確，預(yù)測時間越長，預(yù)測就越準確等待。

打個比方，一家快消公司，預(yù)測下個月的總業(yè)績，準確率可能達到85%甚至更高，但如果預(yù)測接下來第三個月的業(yè)績，準確率可能不到70%。顯然，85%的準確率比70%的準確率更高，但是，這種情況下， 85%的準確率所起的作用不一定比70%更高。

那么，如何做好需求預(yù)測，從而讓需求預(yù)測更有價值呢？我覺得可以從以下四個方面展開（不僅是快消行業(yè)，其他行業(yè)也同樣適用）。

1、數(shù)據(jù)收集與整理。需求預(yù)測是個技術(shù)活，但需求預(yù)測不是憑空出現(xiàn)的，不是拍腦袋出來的，需求預(yù)測需要數(shù)據(jù)。數(shù)據(jù)從哪來？數(shù)據(jù)是我們計劃人員收集、整理和分析而來的，當(dāng)然，我們可以借助一些工具，比如一些系統(tǒng)和軟件。擁有相對完整、真實可用的數(shù)據(jù)，是做好需求預(yù)測的前提，也是基礎(chǔ)。（對于數(shù)據(jù)，就算是一些定性的預(yù)測，其實也有相當(dāng)?shù)臄?shù)據(jù)在支撐，只不過，這些數(shù)據(jù)存在的形式不同而已。）

2、信息收集與分析。數(shù)據(jù)是歷史的，信息是未來的，需求預(yù)測，既要歷史的數(shù)據(jù)，也需要未來的數(shù)據(jù)。與需求預(yù)測有關(guān)的主要有哪些信息呢？我列幾個最主要的如下：產(chǎn)品上新與下架信息、產(chǎn)品促銷信息、政策層面可能帶來銷量波動和物料供應(yīng)異常信息、市場波動信息（比如某些區(qū)域局勢造成一些物料供應(yīng)緊張）、客戶與供應(yīng)商異常信息等等。

3、基準預(yù)測+修正。我們有了歷史數(shù)據(jù)，有了未來的信息，這時，我們可以按照我們的預(yù)測模型，計算得出我們的基準預(yù)測。劉寶紅老師有一個我非常認可的觀點，從數(shù)據(jù)開始，由判斷結(jié)束。我們以歷史數(shù)據(jù)和未來信息得出了基準預(yù)測，這就是從數(shù)據(jù)開始。那么，什么叫由判斷結(jié)束呢？我們需要溝通銷售、市場以及采購等相關(guān)人員，根據(jù)這些人的意見，對基準預(yù)測進行調(diào)整與修正，這就是由判斷結(jié)束。

4、預(yù)測糾偏。我在我的原創(chuàng)文章《需求計劃人員需要的四種能力》中，將跟蹤修正能力列為需求計劃人員的四種核心能力之一。這跟蹤修正，就是指的預(yù)測糾偏。預(yù)測根本不是談準與不準，而是談控制偏差；衡量預(yù)測不是用準確性，而是偏差率。或者這么說，需求預(yù)測大部分時間都在糾偏，需求預(yù)測是一個發(fā)現(xiàn)偏差、糾正偏差的過程。

快消行業(yè)做需求預(yù)測，到底有沒有人能做到需求預(yù)測高準確率呢？我的回答是，我們不要單純的考慮預(yù)測準確率，因為，預(yù)測準確率是一個場景指標。快消行業(yè)做好需求預(yù)測，我建議從四個方面進行：數(shù)據(jù)收集與整理、信息收集與整理、基準預(yù)測+修正和預(yù)測糾偏。

首先，需求預(yù)測對于快消行業(yè)的重要性毋庸置疑。

今年年初，BCG與谷歌公司攜手開展了一項研究，結(jié)果顯示，通過大規(guī)模使用人工智能和高級分析，消費品公司可以實現(xiàn)超過10％的營收增長。其中，需求預(yù)測對拉動企業(yè)業(yè)務(wù)增長的重要性排在了第一。

在人工智能技術(shù)介入前，預(yù)測早已隨處可見，小到個人股票投資，大到企業(yè)經(jīng)營決策、國家制訂國民經(jīng)濟發(fā)展規(guī)劃等。以往預(yù)測的主流分析方法是使用數(shù)據(jù)挖掘的一系列技術(shù)，而這其中被經(jīng)常使用的是一種被稱為“回歸”的統(tǒng)計技術(shù)。多元回歸分析提供了一種處理多樣條件的有效方法，可以嘗試找到一個預(yù)測數(shù)據(jù)失誤最小化，“擬合優(yōu)度”最大化的結(jié)果。但是，回歸分析中，對于歷史數(shù)據(jù)的無偏差預(yù)測的渴求，并不能保證未來預(yù)測數(shù)據(jù)的準確度。

現(xiàn)在，隨著計算能力的不斷提升，使用機器學(xué)習(xí)和（神經(jīng)網(wǎng)絡(luò)）深度學(xué)習(xí)來做預(yù)測效果比其他所有方法表現(xiàn)得都要更好，也使得我們利用統(tǒng)計學(xué)進行預(yù)測的方法發(fā)生了徹底的轉(zhuǎn)變。

原先復(fù)雜的業(yè)務(wù)場景下，基于“if...then...”以及傳統(tǒng)的統(tǒng)計學(xué)方法來實現(xiàn)的代碼邏輯，總是無法覆蓋所有的條件組合。而“深度學(xué)習(xí)”與人類大腦有著類似的工作方式，利用“反向傳播”的方法從數(shù)據(jù)中不斷訓(xùn)練、反饋、學(xué)習(xí)，獲取“知識”，隨著不斷的訓(xùn)練、自我學(xué)習(xí)，預(yù)測模型會得到不斷優(yōu)化，預(yù)測準確性也在隨著學(xué)習(xí)而改進，而越來越高的預(yù)測準確性為商業(yè)決策提供了可信賴的基礎(chǔ)。

觀遠數(shù)據(jù)作為聯(lián)合利華、百威英博等眾多500強快消企業(yè)的需求預(yù)測技術(shù)服務(wù)商，在零售數(shù)據(jù)智能領(lǐng)域耕耘多年，積累了大量的相關(guān)經(jīng)驗。我們的需求預(yù)測技術(shù)不僅僅引入了先進的AI預(yù)測算法，更是立足具體的業(yè)務(wù)數(shù)據(jù)情況，結(jié)合使用高效的廣義累加模型和狀態(tài)空間模型，統(tǒng)籌考慮零售時序數(shù)據(jù)的趨勢性、周期性，并加入對節(jié)假日及促銷、天氣等可預(yù)測波動因素的分析，給出綜合預(yù)測結(jié)果，可以說這是一個專門為零售預(yù)測而生的算法模型！