风险评估、资本支出规划和劳动力规划等不同的内部职能有何共同点？ 每一个从根本上来说都是关于理解需求——使需求预测成为一个重要的分析过程。 在提高预测准确性的压力日益增大的情况下，越来越多的公司开始依赖人工智能算法，这些算法在从历史模式中学习方面变得越来越复杂。
人工智能模型比传统的基于电子表格的分析方法具有明显的优势。 例如，将人工智能驱动的预测应用于供应链管理，可以将错误减少 20% 到 50%，并将销售损失和产品缺货率减少高达 65%。 继续良性循环，仓储成本可下降 5% 至 10%，管理成本可下降 25% 至 40%。 电信、电力、天然气和医疗保健行业的公司发现，人工智能预测引擎可以自动化高达 50% 的劳动力管理任务，从而降低 10% 至 15% 的成本，同时逐步改善招聘决策和运营弹性 。
人工智能驱动的自动化预测通过消耗实时数据和不断识别新模式来促进这些好处。 这种能力可以实现快速、敏捷的行动，因为该模型可以预测需求变化，而不仅仅是响应需求变化。 相比之下，传统的需求预测方法需要不断手动更新数据并调整预测输出。 这些干预措施通常非常耗时，并且无法对需求模式的即时变化做出敏捷响应。
然而，尽管人工智能具有众多优势，但组织仍面临着限制其采用的挑战。 截至 2021 年，绝大多数（56%）接受调查的组织表示，他们已在至少一项职能中采用了人工智能。 与 2018 年报告的 47% 的数字相比，这已经是进步，但增长率表明仍然存在严重障碍，特别是在超越单一职能的规模方面。 对于许多组织来说，有限的数据可用性或可用数据的有用性有限仍然是一个问题。
但事实证明，由于人工智能技术的最新进展，这些担忧并不像领导者想象的那么不利。 虽然更多数据确实可以改善结果，但数据质量水平差异很大的公司的经验表明，大多数组织拥有足够的数据来从人工智能驱动的预测中获取价值。 问题在于建立具体且可行的策略来应用这些模型，即使在数据较少的环境中也是如此。
数据轻环境的四种策略
从技术角度来看，公司最多可以单独或组合使用四种策略，在数据光环境中创建可靠的输出。
选择正确的人工智能模型。 第一步是根据可用数据的数量和质量确定最合适的人工智能算法。 在许多情况下，机器学习 (ML) 模型可以测试和验证多个模型，以找到最佳选择，而无需人工参与。
利用数据平滑和增强技术。 当时间序列中的某个时期不能代表其余数据时，此技术即可发挥作用。 例如，COVID-19 大流行期间的销售数据通常显示出异常趋势和季节性。
为预测的不确定性做好准备。 当预测模型未达到令人满意的准确性或只有极少的历史数据可用时，允许人们插入各种参数的复杂情景规划工具可以提供帮助。
合并外部数据 API。 当需要外部数据源（例如，与天气或人流量相关）来告知预测值时，此选项适用。
选择正确的人工智能模型
尽管拥有更多的历史数据通常可以实现更稳健的预测，但呼叫中心的示例表明，即使历史信息有限，预测也可以有效。
由于呼叫中心往往要处理各种各样的客户交互，因此呼叫中心的预测复杂性可能令人望而生畏。 一家公用事业公司的呼叫中心确定了 15 种类型的呼叫，并按根本原因（例如技术支持或付款处理）进行分类。 在每种呼叫类型中，管理人员跟踪三个指标：呼叫总量、针对内部员工的呼叫的平均处理时间 (AHT)，以及针对供应商处理的呼叫的单独“外部”AHT 指标。 该公司将预测汇总为三个级别：每月、每日和每小时。 呼叫类型、指标和聚合级别的组合需要 135 次独立预测。
正如人们所期望的那样，长期运行的历史数据并非适用于所有呼叫类型或指标。 在这种情况下，成功的预测可以为样本量较小的情况提供合理的输出，同时最大限度地提高具有长期历史数据的情况的输出准确性。
此外，其他因素可能会使预测过程进一步复杂化。 例如，季节性模式可能非常复杂，每周、每月和每年都有所变化。 由于不同的业务举措，这些模式也可能随着时间的推移而逐渐改变。 同样，观察到的趋势可能随着时间的推移而不一致，并在整个过程中显示出多个变化点。 图表 2 中的图表说明了其中的一些复杂性。
呼叫中心以自动化的方式将具有不同优势的预测模型集合应用于所有呼叫类型和指标。 当数据仅产生较小的样本量时，该算法选择更简单的模型；当数据产生较大样本量时，该算法选择更复杂的模型。 更简单的模型需要调整的参数更小，因此需要更小的样本量来训练。 相比之下，当有大量数据可用时，复杂模型通常表现更好，因为这些模型中的大量参数需要多次迭代来训练。
对每个数据集测试一系列具有不同复杂性级别的模型，将交易量的预测准确性提高了近 10%，将平均持有时间的预测准确性提高了约一半。 总体而言，这种预测方法将成本降低了约 10% 至 15%，同时将服务水平提高了 5% 至 10%，特别是通过缩短交易时间。
利用数据平滑和增强技术
通常，时间序列数据会受到异常周期的影响，这些异常周期会破坏整体趋势模式，并使任何人工智能模型都很难正确学习和预测。 平滑是一种减少时间步长之间显着变化的技术。 它消除了噪音并创建了更具代表性的数据集供模型学习。
当时间序列数据受到过去某个特定事件的影响且预计未来不会定期发生时，平滑的影响变得更加明显。 在图表 3 所示的示例中，该公司的目标是预测其零售店的销售额。 尽管四月和五月的销量下降似乎是一次性事件，但它极大地影响了机器学习过程。 与时间序列的其余部分相比，异常时期具有完全不同的季节性和趋势模式。 但机器学习模型不会自动将这一时期视为异常时期。 相反，当他们概括整体模式时，他们将尝试与时间序列的其余部分一起从中学习。 在此示例中，异常周期使模型感到困惑，并且无法按预期学习内在的季节性模式。
为预测不确定性做好准备
仅依靠统计预测可能无法获得所需的业务洞察力。 对于长期预测尤其如此，因为影响趋势和季节性的意外事件使得从历史模式中学习变得更加困难。 考虑到在这种情况下预测分析的内在不确定性，使用假设情景是很有价值的。
当数据样本太小时，假设情景尤其重要，这使得高置信度预测几乎不可能。 它们对于解决遥远未来一段时间内预测的高度不确定性也很有用。
该公用事业公司将这种方法用于长期劳动力规划和指定明年所需的人员数量。 员工队伍分布在各个地区，其中包括 5,000 多名在现场工作的技术人员。 为了估算所需的员工人数，该公司设计了一个统计预测模型，使用三年的每月需求数据（总共 36 个数据点）来预测未来 12 个月。
该预测模型旨在捕捉同比趋势和季节性。 然而，该模型无法对未来的意外事件进行规划。 为了解决不确定性，专家设计了如图 4 所示的用户界面 (UI)，使用户能够更改特定参数并创建场景。
事实证明，有两个因素对该工具的成功至关重要：
定义可能影响目标变量的关键参数。 使用该工具的企业应参与关键参数的设计。 为这些参数定义合理的范围非常重要，以避免创建不切实际的输出或导致错误的业务决策。 例如，在公用事业公司的长期人数规划工具中，需求的关键输入是明年的预期工作量以及工作持续时间的估计。 从供应的角度来看，重要的投入与预期加班津贴有关，该津贴来自公司政策和预期缺勤情况。 该工具使用户能够了解更改这些参数如何影响所需的总体人数，这构成了招聘决策基础的一部分。
设计交互式用户界面。 虽然可以提前设计一些基础场景，但为用户创建一个交互工具至关重要。 使用户能够定义新场景是解释预测中任何不可预见趋势的有效方法，例如 COVID-19 对需求模式的影响：叠加人类智慧和专家意见有助于解决历史数据中可能不会出现的问题。
例如，在图表 4 所示的 UI 中，业务用户可以通过移动给定月份的滑块来更改安装或维修作业的总数。 用户还可以调整不同产品的预计交货日期。 除了更改与需求相关的参数外，用户还可以调整供应方参数，例如预期轮班长度和允许的加班时间。 拥有基于 Web 的 UI 不仅可以提供更好的用户体验并最大程度地减少出错的机会，而且还可以在不同团队之间强制执行一致的方案规划方法，从而创建单一的事实来源。 由此产生的透明度揭示了业务决策背后的逻辑。
当需求和供应模式不稳定且多个新业务计划相继出现时，假设情景工具尤其有价值。 在这种情况下，严重依赖历史数据的人工智能驱动的预测模型就会失效。 但事实证明，假设情景工具可以将资本项目的交付率提高 10% 到 15%，同时在不同业务部门和团队中应用一致且透明的情景规划流程，可以将劳动力灵活性提高约 20%。
合并外部数据 API
外部来源的数据可以涵盖各种来源和内容，包括社交媒体活动、网络抓取内容、金融交易、天气预报、移动设备位置数据和卫星图像。 合并这些数据集可以显着提高预测准确性，尤其是在数据较少的环境中。 这些来源为人工智能驱动模型所需的输入提供了绝佳的选择，并创建合理的输出。 外部数据市场预计复合年增长率为 58%，反映出这些数据源的日益普及以及可用外部数据类型的显着扩展。
外部数据的提供者通常通过API提供服务，使用户可以方便地访问数据并将数据集成到他们当前的流程中。 在我们的公用事业示例中，由于天气数据对设备和基础设施维护的需求预测有重要影响，因此公用事业公司使用天气 API 来预测特定位置所需的维护工作需求。
图表 5 显示了在有和没有天气数据的情况下单个区域维护工作的预测输出。 图表显示，2月份维修工单数量有所增加。 然而，这并没有反映在原始预测中（不包括天气数据），因为去年同期并没有出现模型可以学习的类似异常。 为模型提供天气信息可以使其了解特定的温度和湿度水平与更高水平的维护工作相关。 该模型应用此见解成功预测了 2 月份更高水平的维护工作。
运营中准确预测的需求似乎仍然存在。 在具有不同数据环境的多个行业应用人工智能驱动的预测后，公司发现其模型的性能比传统和基于电子表格的预测有了巨大的改进。 通过利用适合轻数据环境的人工智能技术，公司可以显着改善其运营。
