您的浏览器禁用了JavaScript(一种计算机语言,用以实现您与网页的交互),请解除该禁用,或者联系我们。[未知机构]:人工智能驱动的需求预测:基于O9数字大脑的未来思维(中英双语) - 发现报告
当前位置:首页/行业研究/报告详情/

人工智能驱动的需求预测:基于O9数字大脑的未来思维(中英双语)

信息技术2023-02-27-未知机构梦***
人工智能驱动的需求预测:基于O9数字大脑的未来思维(中英双语)

人工智能驱动的需求预测 面向未来的思考:o9的数字大脑 白皮书 人工智能驱动的需求预测——用o9的数字大脑3做好未来思考 介绍 如今,供应链正受到变革的冲击。消费者需要价格有竞争力的最佳产品选择,以及快速交货和定制选项。 与此同时,世界面临着气候变化、贸易紧张、资源稀缺、两极分化的政治、网络攻击、COVID、欧洲冲突、由此引发的燃料和粮食危机、通货膨胀以及对衰退的担忧所带来的不确定性。 使用COVID修正的历史实际统计预测预测预测是一个组织的命脉,它在预测未来、 降低风险和利用新出现的机会方面起着至关重要的作用。 然而,这一过程正受到这些和其他需求驱动因素加速的严重影响。 a 指视挥顽频官童克(拉commandingofficer) 克拉 COVIDimpa 目前存在于这种波动、复杂和不确定环境中的企业正越来越多地被迫脱离传统的企业系统和控制——缓慢和孤立的运营以及遗留技术——以数字化其运营或允许价值的 指挥a官克(拉普遍损失在整个公司中继续。 第一个月 第二个月 第三个月 第4个月 第五个月 第6个月 第7个月 第八月 第9个月 视顽频童 第十个月 commandingofficer) 这份白皮书将研究机器学习(ML)和人工智能(AI)等下一代技术如何显著提高企业预测的准确性,确保企业生存和发展,而不是落后。 人工智能驱动的需求预测——用o9的数字大脑5思考未来 顾客永远是对的 消费者行为的变化 Feedvisor的年度亚马逊客户行为报告调查了2000多名亚马逊购物者。其2019年的报告发现,85%的18-32岁消费者在网上购买产品,约37%的人每天或几乎每天都购物。需求的转变仍 在继续 显著进化。 2022年的报告指出,超过57%的消费者表示,他们现在比疫情之前进行了更多的网上购物。28%的消费者表示预算是购买决策中最重要的因素,但55%的亚马逊购物者表示他们经常购买 搜索结果后列出的第一个产品。25%的人表示方便是最重要的因素。 人工智能驱动的需求预测——用o9的数字大脑7思考未来 向电子商务零售的最大转变发生在2020年。随着COVID感染率的上升和下降,实体零售商开始关门,消费者变成了全渠道购物者, 竞争。通过使用人工智能 改善预测,可以对各种场 和人工智能等下一代技术与Z世代消费者一样,千禧一 他们寻求有竞争力的价格和方便的送货选择。这使得利用历史数据或滞后需求指标来预测市场变化速度并做出反应变得非常困难。 景进行建模,并捕捉和测 量假设。这使得企业能够更好地服务 代也是具有生态意识的消费 者,他们愿意为可持续产品支付更多费用 对于许多使用传统预测方法的企业来说,结果是错失机会、更高的资本成本、过量库存、浪费和更大的产品过时或腐烂风险 ——这在快速发展的消费品(CPG)行业是一个相当大的风险。此外,疫情还提高了消费者对健康、保健和福祉与地球健康之间关系的认识。千禧一代目前是全球领先品牌的主要消费群体。与Z世代消费者一样,千禧一代是具有环保意识的消费者,他们愿意为可持续产品支付更多费用,Z世代最愿意支付73%,相比之下,千禧一代的支付比例为68%。 人们期望品牌成为消费者和整个世界的形象大使,以透明的方式行事,经得起推 敲。这反过来又给化学和制造业的公司带来压力,要求它们减少塑料产量,减少碳排放,并在R&D投资,以寻找产品的清洁替代品。 卓越的供应链和以客户为中心可以为跨行业的企业提供独特的优势,使他们在全球范围内脱颖而出 同时优化供应链成本、提高可见性和整合运 营。因此,组织可以根据领先的需求指标,更加关注对市场潜力有共同看法的机会。这是一个新兴的、令人鼓舞的运营现实,符合消费者期望的新世界。 人工智能驱动的需求预测——用o9的数字大脑思考未来9 切换到领先指标 对他们的预测采取传统立场的组织面临着一个现代的困境。传统的预测模型主要使用基于历史销售数据的时间序列技术。但需求的快速波动意味着企业需要将注意力从仅仅预测中长期规划范围内的未来预测水平,转移到更准确的短期规划。市场中有一个数据宝库,但有限的处理能力和使用历史数据预测任何特定时刻的供应链状况的根本局限性,无法理解所有这些。 数据方面的考虑正在快速发展。通过消费者人口统计、传统销售历史和宏观经济指标(如国内生产总值(GDP)和利率)获得的市场知识是预测的基础,但现在你可以添加来自自动化和边缘技术(如物联网)的实时智能数据的激增,以及从社交媒体、评论网站、竞争对手领域和新闻页面涌入的领先指标。 取决于行业和商业因素 例如当地天气、商店周围的事件、道路状况等等,都会影响客流量和交通流量,从而为数据添加更多的上下文元素。 :o9需求管理价值之旅 平均预测准确度 65–75% 75–85% 85–90% 期望的价值目标 2到3倍的人员生产力库存减少5—15% 情景规划 电子表格促销电梯预合算作优化 幻灯片,电子邮件非结构化数据 结新构产数品据规划电子表格 当前共识带可用驱动程序的ML完Fcs整t:o9数字需求管理喜欢的项目 坎可尼行的布见·兰解普 大量人工干预和数取千得小好时成预绩测的共识预通测过额外的功能充分发电挥子潜邮力件、电子表格 基于纯ML/AI驱动因素的预测没有计划者干预 可用驱动程序数据 例外 根内部本原因 /外部驱动器 全员生产性维护、网站、电子表格贸易/市场营销计划 天气/竞争对手 放弃时间序列预测,通过人工智能、人工智能和云计算进行智能预测,提供了强大的优势。这些下一代技术可以获取领先指标数据,并创建免费的预测视图 人为的偏见或操纵。同时不断了解什么样的领先指标数据最能预测变化,以实现更准确的预测,精确到位置、项目和时间等具体细节。 人工智能驱动的需求预测——用o9的数字大脑思考未来11 学习AI/ML预测的步骤 为了从这些丰富的信息中做出任何有意义的推断,必须将数据转换为知识,以便更好地理解需求驱动因素和客户行为。然而,这项活动需要及时执行,以使企业能够利用内在的洞察力。那么,AI/ML预测的步骤有哪些呢? AI/ML预测解决方案的第一步是数据识别、收集和协调过程。这是收集和准备使用源销售、属 性、事件活动、假期、天气、互联网抓取和任何其他所需数据的地方。清理和协调包括识别和修复不正确的值,定位和替换缺失的元素,以及将数据应用到最合适的层次分组和数据流中。 第二步是数据分析和特征工程。这一阶段涉及探索性数据分析,其中测量数据的分布并研究相关性和相互作用。 这里执行分割以创建数据切片,然后解释数量、波动性和间歇性以及它们与产品生命周期和季节性等元素的关系。这是特征工程的阶段。创建、测试、改进和丢弃数据的特征、分组和聚类。最后,基于数据转换结果和领域知识进行驱动程序评估和选择。 第三步是模型迭代。在这里,将在预测过程中使用的算法方法被确定和维护。预测自动化有三种类型:统计、机器学习和深度学习。这些方法以及它们所使用的模型需要被测量以获得最合适的结果。这种评估应该在不同的数据层面和这些层面的不同层次上进行,以便确定最佳的模型、分段和层次组合。 最后一步是模型训练、验证和比赛。在这里,应该执行参数调整,并使用回溯测试、滑动和扩展时间窗口分析来训练模型,以进行交叉验证。定义误差度量,并进行比赛,以便找到性能最佳的算法“配方”。最后,这一步包括通过设置和应用护栏来管理任何业务/数据驱动的约束,从而对未来预测进行微调。 人工智能驱动的需求预测——用o9的数字大脑思考未来13 了解人工智能/人工智能预测自动化的类型 如前一节所述,AI/ML预测生成的三种类型是统计、机器学习和深度学习。统计通常是指“经典”的时间序列方法,如移动平均和指数平滑法,这些方法使用历史销售数据来生成预测。较新的广义加性模型(GAM)如Prophet使用历史销售额和节假日作为源数据,尽管它们与经典时间序列有更多的共同点,但它们可以被视为走向第二种预测生成方法的第一步:ML预测。 像Prophet这样的GAM模型可以进行调整,以包括假期以外的其他因果因素,如一周的促销次数,使它们成为基于ML预测算法的入门级驱动程序的理想选择。在决策树中,AI/ML方法变得更加复杂,能够处理多种数据驱动输入,如事件类型、价格折扣和规模,以及一周内的历史销售、假期和促销。梯度增强决策树使用集成模型和多种算法一起创建最终预测。 第三种AI/ML方法是深度学习,其中AI/ML解决方案自动执行数据分析和特征创建。这种解决方案是非常数据密集和耗时的,但是它在减少特征工程的人工努力方面具有优势。深度学习解决方案最初可以从使用“实体嵌入”的梯度增强决策树中开发,这将限制正在分析的数据。神经基础扩展分析是针对历史销售数据的最先进的深度学习解决方案。 人工智能驱动的需求预测——用o9的数字大脑思考未来15 介绍:o9的数字大脑 面对上述所有的不确定性、复杂性和波动性,下一代平台,如:o9的数字大脑,正在帮助企业以一种积极和无畏的方式与时代接轨。 它通过自动化增强人类智能来做到这一点。这个集成的云原生平台使用人工智能和人工智能来推动协作性的数据驱动型决策。通过汇集孤立的和外部的市场数据,数字大脑允许公司获得实时的洞察力,帮助他们更好地规划,做出更好的决策,并连接他们组织的点。 人工智能驱动的需求预测——用o9的数字大脑思考未来17 :o9的数字大脑能力 →敏捷发展:建模灵活性 预测时,系统灵活性和可扩展性是一项关键能力。以全球制造公司为例,这些公司拥有庞大而多样的产品组合,通过零售、直销、在线和分销进行销售。他们的产品组合对需求驱动因素很敏感,如季节性、促销、定价、生命周期日期等等。现代规划解决方案不应该简单地为变化做准备,它们应该支持和促进变化。数字大脑是一个集成系统,由取代传统电子表格的构建模块的功能组成,同时有效地模拟业务的粒度和变化。 →AI/ML预测:从无代码机器学习到深度学习 通过无缝地从基于经典统计规则的最佳拟合公式预测,到使用o9的AI.predict插件的无代码入门级ML预测,再到深度学习神经网络决策树,管理预测成熟度增长。:o9AI/ML预测功能包括特征工程、巡回赛和集成预测以及细分、销售和销售预测创建、驱动因素可解释性自动异常值校正、情景规划、生命周期管理和互动统计预测。 :o9为平台AI/MLworkbench使用标准Python、R和Jupyternote-book。可插拔架构设计用于托管外部算法、解算器和模型。与外部MLOps管道的接口允许外部训练的模型直接在:o9平台上运行,并且这些模型受益于与数据点实体的直接交互以及与 :o9内存数据存储中的图形立方体。导入的模型可以大规模运行,利用:o9的HadoopHivePySpark集群环境。 →面向未来的定位:实时洞察 为了更快地发现风险和机会,以便有效地利用它们,实时可见性是必不可少的,尤其是在销售方面。销售团队对新产品、营销和促销计划、供应状况以及客户和竞争对手情报的了解 占上风。在传统的组织中,这些信息分散在不同的部门,在多个不同的 电子表格,在不同的粒度级别,跨越多个层面,带有内部偏见,完全依赖手动输入和更新。借助数字大脑,销售团队可以随时获得实时可见性,帮助他们销售更多产品,并更准确地进行预测。无缝收集、创建和管理销售机会信息、促销和营销活动,并将它们合并到共识计划中。 →取悦大众:快速需求和供应方案规划 数字大脑让企业能够满怀信心地应对需求的起伏。智能预测不仅仅是帮助计划者创建更准确的概率需求计划。对需求因素的更深入理解和AI/ML驱动的预测的学习能力使得许多需求计划能够自动 化。智能预测解决方案可以创建反映当前和预期未来市场的制造和库存计划, 以及公司策略和约束,以解放计划者来处理异常和不可预测的中断。情景规划能力允许多种选择的未来 进行设想、比较和考虑以达成共识。自动化智能预测产生的计划优化程度是人工或传统解决方案无法实现的。 →“三A”能力:警报、分析和假设 准备是关键。为了避免预测盲点,数字