Tiger Woods,需求計劃和機器學習

傳統的需求計劃技術依靠過去的數據來預測未來。 他們還可以使用過去某個時刻發生的事件數據,以預測該事件將來再次發生的影響。 然而,當歷史訓練數據失效時,他們沒有考慮什麼是相關數據,什麼不是。 相當近期的歷史數據將使老虎伍茲成為今年的贏家,當然,短期數據也將使布魯克斯·科普卡成為美國公開賽的冠軍。 泰格·伍茲(Tiger Woods)成為不幸候選人的事件是他不幸的車禍。 作為人類,我們要考慮這些數據並知道如何解釋其含義,因此系統需要首先具有這些數據,然後才能解釋這些數據,以知道他今年可能不會成為候選人。

去年,我們都經歷了一場史無前例的大流行,它擾亂了全球供應鏈,改變了消費者行為,並使過去許多時期的數據無法用於預測未來模式。 這一事件也使傳統的需求計劃和預測技術失效,因為它們依賴於過去的數據來預測未來。 算法缺乏智能,無法了解時間長度、因果因素和不連續性方面的相關內容。 導致這種不連續性的因素是數據的屬性。 高爾夫球手的屬性可以是他們的健康狀況、他們在特定球場或錦標賽中的表現、他們在下雨或刮風條件下的表現等等。 通過包含屬性,可以確定數據的相關性。 使用神經網絡(NN)可以識別結果,因為可以訓練系統以顯示系統在預測未來時這些屬性的相關性。

可以使用相同的策略來確定用於產品的最佳策略,以預測需求。 需求計劃策略是通過選擇預測算法、過去期間的數量、聚合級別等來設計的。 使用神經網絡,系統可以根據產品的屬性識別出最佳預測器的策略類型。 此外,使用這種方法,系統可以通過改變現有策略來創建新策略,這將比舊策略表現更好。 ML的使用使傳統的預測技術變得更智能,並考慮了新的數據維數,以便做出更準確的預測

需求計劃和機器學習

“過去的數據並不總是未來的指標。 最近供應鏈中斷,包括流行病、颶風、水路關閉和地緣政治事件,正日益影響供應鏈運營。 好消息是我們有辦法使用機器學習技術來應對這一日益嚴峻的挑戰。”