一般認為，需求預測越準確越好，準確率越高越好，這其實是對需求預測的一個誤解。因為，需求預測做的好不好，需求預測的作用和價值，并不是以預測準確率為指標，而是看需求預測解決了什么樣的問題。

另外，預測準確率受很多因素的影響，是一個有條件限制的指標，不同條件不同框架下的預測準確，不存在可比性。比如預測顆粒度越大，預測就相對越準確，預測時間越長，預測就越準確等待。

打個比方，一家快消公司，預測下個月的總業績，準確率可能達到85%甚至更高，但如果預測接下來第三個月的業績，準確率可能不到70%。顯然，85%的準確率比70%的準確率更高，但是，這種情況下， 85%的準確率所起的作用不一定比70%更高。

那么，如何做好需求預測，從而讓需求預測更有價值呢？我覺得可以從以下四個方面展開（不僅是快消行業，其他行業也同樣適用）。

1、數據收集與整理。需求預測是個技術活，但需求預測不是憑空出現的，不是拍腦袋出來的，需求預測需要數據。數據從哪來？數據是我們計劃人員收集、整理和分析而來的，當然，我們可以借助一些工具，比如一些系統和軟件。擁有相對完整、真實可用的數據，是做好需求預測的前提，也是基礎。（對于數據，就算是一些定性的預測，其實也有相當的數據在支撐，只不過，這些數據存在的形式不同而已。）

2、信息收集與分析。數據是歷史的，信息是未來的，需求預測，既要歷史的數據，也需要未來的數據。與需求預測有關的主要有哪些信息呢？我列幾個最主要的如下：產品上新與下架信息、產品促銷信息、政策層面可能帶來銷量波動和物料供應異常信息、市場波動信息（比如某些區域局勢造成一些物料供應緊張）、客戶與供應商異常信息等等。

3、基準預測+修正。我們有了歷史數據，有了未來的信息，這時，我們可以按照我們的預測模型，計算得出我們的基準預測。劉寶紅老師有一個我非常認可的觀點，從數據開始，由判斷結束。我們以歷史數據和未來信息得出了基準預測，這就是從數據開始。那么，什么叫由判斷結束呢？我們需要溝通銷售、市場以及采購等相關人員，根據這些人的意見，對基準預測進行調整與修正，這就是由判斷結束。

4、預測糾偏。我在我的原創文章《需求計劃人員需要的四種能力》中，將跟蹤修正能力列為需求計劃人員的四種核心能力之一。這跟蹤修正，就是指的預測糾偏。預測根本不是談準與不準，而是談控制偏差；衡量預測不是用準確性，而是偏差率?；蛘哌@么說，需求預測大部分時間都在糾偏，需求預測是一個發現偏差、糾正偏差的過程。

快消行業做需求預測，到底有沒有人能做到需求預測高準確率呢？我的回答是，我們不要單純的考慮預測準確率，因為，預測準確率是一個場景指標。快消行業做好需求預測，我建議從四個方面進行：數據收集與整理、信息收集與整理、基準預測+修正和預測糾偏。

首先，需求預測對于快消行業的重要性毋庸置疑。

今年年初，BCG與谷歌公司攜手開展了一項研究，結果顯示，通過大規模使用人工智能和高級分析，消費品公司可以實現超過10％的營收增長。其中，需求預測對拉動企業業務增長的重要性排在了第一。

在人工智能技術介入前，預測早已隨處可見，小到個人股票投資，大到企業經營決策、國家制訂國民經濟發展規劃等。以往預測的主流分析方法是使用數據挖掘的一系列技術，而這其中被經常使用的是一種被稱為“回歸”的統計技術。多元回歸分析提供了一種處理多樣條件的有效方法，可以嘗試找到一個預測數據失誤最小化，“擬合優度”最大化的結果。但是，回歸分析中，對于歷史數據的無偏差預測的渴求，并不能保證未來預測數據的準確度。

現在，隨著計算能力的不斷提升，使用機器學習和（神經網絡）深度學習來做預測效果比其他所有方法表現得都要更好，也使得我們利用統計學進行預測的方法發生了徹底的轉變。

原先復雜的業務場景下，基于“if...then...”以及傳統的統計學方法來實現的代碼邏輯，總是無法覆蓋所有的條件組合。而“深度學習”與人類大腦有著類似的工作方式，利用“反向傳播”的方法從數據中不斷訓練、反饋、學習，獲取“知識”，隨著不斷的訓練、自我學習，預測模型會得到不斷優化，預測準確性也在隨著學習而改進，而越來越高的預測準確性為商業決策提供了可信賴的基礎。

觀遠數據作為聯合利華、百威英博等眾多500強快消企業的需求預測技術服務商，在零售數據智能領域耕耘多年，積累了大量的相關經驗。我們的需求預測技術不僅僅引入了先進的AI預測算法，更是立足具體的業務數據情況，結合使用高效的廣義累加模型和狀態空間模型，統籌考慮零售時序數據的趨勢性、周期性，并加入對節假日及促銷、天氣等可預測波動因素的分析，給出綜合預測結果，可以說這是一個專門為零售預測而生的算法模型！