Tiger Woods,需求计划和机器学习

传统的需求规划技术依靠过去的数据来预测未来。 他们还可以使用过去某个时间点发生的事件数据来预测该事件在未来再次发生的影响。 然而,当历史训练数据失效时,他们没有考虑什么是相关数据,什么不是。 最近的历史数据会让老虎伍兹成为今年的赢家,当然短期数据也让布鲁克斯科普卡成为美国公开赛的冠军。 让老虎伍兹不太可能成为候选人的一个事件是他不幸的车祸。 我们,作为人类考虑这些数据并知道如何解释其含义,系统需要有数据开始,然后能够解释这些数据,以知道他不可能成为今年的候选人。

去年,我们都经历了一场史无前例的大流行,它扰乱了全球供应链,改变了消费者行为,并使过去许多时期的数据无法用于预测未来模式。 这一事件也使传统的需求计划和预测技术失效,因为它们依赖于过去的数据来预测未来。 这些算法缺乏智能,无法了解时间长度、因果因素和不连续性方面的相关内容。 导致这种不连续性的因素是数据的属性。 高尔夫球手的属性可以是他们的健康状况、他们在特定球场或锦标赛中的表现、他们在下雨或刮风条件下的表现等等。 通过包含属性,可以确定数据的相关性。 使用神经网络 (NN) 可以识别结果,因为可以训练系统以向系统显示这些属性在预测未来方面的相关性。

可以使用相同的策略来确定用于产品的最佳策略,以预测需求。 需求计划策略是通过选择预测算法、过去期间的数量、聚合级别等来设计的。 使用神经网络,系统可以根据产品的属性识别出最佳预测器的策略类型。 此外,使用这种方法,系统可以通过改变现有策略来创建新策略,这将比旧策略表现更好。 ML 的使用使传统的预测技术变得更加智能,并考虑到新的数据维度,以便做出更准确的预测

需求计划和机器学习

“过去的数据并不总是未来的指标。 最近供应链中断,包括流行病、飓风、水路关闭和地缘政治事件,正日益影响供应链运营。 好消息是我们有办法使用机器学习技术来应对这一日益严峻的挑战。”