
数据科学的应用场景
|
49
2.4
需求预测
需求预测用在许多领域来预测诸如用电量、供应链库存、呼叫中心人员配备、现金
流规划、病床使用和许多其他使用场景。预测是一个时间序列问题,可以使用诸
如自回归综合移动平均线(
Auto-Regressive Integrated Moving Average
)、误差
-
趋势
-
季节性(
Error Trend Seasonality
)、非参数时间序列(
Non-Parametric Time
Series
)、
Prophet
和
DeepAR++
这样的流行算法解决。
从简单的电子表格到复杂的时间序列软件,企业使用任何东西来预测未来的业务成
果,比如产品需求、资源需求或财务绩效。这些方式通常使用历史的时间序列数据,
基于“过去的活动决定未来的需求”的假设来构建预测模型。这些纯粹使用时间序
列的方式难以在不规律的趋势和模式下生成准确的预测。这些方式通常不考虑和预
测相关的重要元数据,比如产品价格、产品类别和商店地址。
高估的预测会导致过度供应资源却不能充分利用,这会降低效率并增加开销。低估
的预测会导致必要资源供给不足并需要高开销的替代方案(比如支付加班费),从
而导致顾客满意度的降低和营收的减少。
一个有效的需求预测系统具有以下特点:
分析复杂关系而非仅限于时间序列数据
将时间序列数据与其他元数据结合,例如产品特点和商店位置。
将预测时间从月减少到小时
在自动加载、检查并识别数据集的关键属性之后,系统会迅速训练、优化并部
署适合于当前数据集的定制模型。
为许多不同使用场景创建预测
为几乎每个使用场景构建预测 ...