认知更新三部曲

相信从事供应链相关业务的小伙伴们对于需求预测（预测，销量预测，需求计划，销售计划等等等名称）并不陌生。
对于预测的话题，使用者（应用方）一般都会关注在预测结果的准确率，以及运算使用的算法是否高大上。对使用工具/软件产品的期望是，即可以简化操作（数据清洗，维度配置），又可以提高预测精度。
那换一个角度，对于预测产品的提供方，就不仅仅是需要考虑为提高预测精度的算法丰富性以及独有训练模型的沉淀，还需要考虑所设计产品的复用性：即通过可拓展性以及灵性的产品架构设计，用以适用尽可能多的业务场景，减少重复开发。
针对预测的算法，模型训练等开源内容已经相当丰富，也有许多比赛的代码可以参考，本文主要是针可复用场景进行思维迭代的分享。

第一步：细分场景切入，专注通过应用不同算法&模型提高预测准确率

在这一步，将自己代入到业务方/使用者：假设自己是xx品牌，线上xx销售渠道，xx区域/仓库的需求计划人员/供应计划员（或者是库存管理者，预测+补货都管）。此时因为业务场景相对单一（固定的渠道&仓库），数据来源也相对固定，对应的数据清洗、加工、转换也已经相对固定。加之日常工作中需要面对高库存/缺货时被对应销售/运营部门质问的压力。此时注意力主要会关注在俩个方面：

1. 主要关注在用什么方法/算法可以让需求预测更加准确：
   比如说移动平均不好使，那么“传说中”的时序算法、更高大上的机器学习、深度学习算法能不能让预测准确度更高呢？

2. 除此之外，会关注什么维度（时间、单位、产品）的预测会更加准确：
   2.1 使用什么时间维度预测值会更准，如：月/周/天
   2.2使用数量还是金钱的维度更加准确
   2.3单个sku,还是spu,或者细分品类维度/top销量商品更加准确

（此时的思维方向：专注一个细分领域深度挖掘价值）

第二步：扩展视野宽度，从整条价值链，罗列应用场景所涉及到的维度

在这一步，将自己带入到需求调研的一方。你需要同该品牌责不同业务场景，需要用到预测的人员调研了解需求。
如果该品牌涉及的价值链条大而广（如下图所示）不同维度下不同颗粒度可以链成的线条的组合已带来相当的应用场景复杂度。

此时如果按照业务伙伴的方式将每一个场景都开发一遍，且让每一个业务伙伴都满意，那基本是不可能完成的。
在投入研发资源有限的情况下，此时有俩方式，要么有更好的产品设计方案（但是更难），要么精简需求。
精简需求的一个方式就是精简产品所服务的范围：
因为大多数公司 的原材料采购、加工生产、成品分销&配送隶属不同的组织架构；
且原材料采购的预测维度在-原材料料号、生产是将原材料加工为成品料号、成品分销&配送时是成品料号维度；
如果接触到业务的是以分销渠道的成品配送为主，那么场景可以简化一下，如下图：

（此时的思维方向：寻找一个解决方案/产品可以复用的场景）

第三步：提高思维维度，吸收DFU（需求预测单位）概念

此步骤为基于第二步的进一步抽象，在借鉴成熟供应链产品JDA的需求预测的产品设计方案时，发线已经有一个很灵活的概念可以借鉴了：DFU，需求预测单位
DFU可以灵活的在【产品】【销售渠道】【区域】中的任意子维度进行配置，如下图，配置后可以进行对应维度的历史销量的清洗&梳理，历史统计特征的提取（季节性，生命周期，促销影响系数等），从而提升预测稳定性。

（至此，预测时所需的 单位维度如数量/公斤/金额，时间维度如月/周/日，不同算法的参数等可以另行配置）

总结与拓展：
有了【丰富的算法、独有的训练后的模型】，灵活的可提取统计特征的【维度设置】，
就为了后续两步提供了灵活可拓展的基础：【生命周期&新产品上市预测】，整个【供应链协同】（供应计划，动态定价/促销，经营计划等）。
后续聊起～