现代零售速度下的需求预测

需求预测一直是零售和CPG规划的核心，影响着库存决策、生产计划、促销投资以及后续的销售与运营规划（S&OP）讨论。当预测出错时，成本会迅速累积——缺货、库存过剩、利润率下滑，以及供应链和商业团队的连锁反应。近年来，预测的重要性并未改变，但难度显著增加。

十年前，一个需求规划员管理几千个SKU和几个渠道，可以通过统计模型、电子表格和经验来维持预测质量。如今，大多数零售和CPG组织已不再处于这种环境。SKU激增、电子商务渠道爆炸式增长、区域碎片化以及短期促销SKU的增加，使得大多数传统工具从未设计来应对这种预测环境。规划员从管理几百个时间序列发展到数十万甚至更多时间序列，每个序列都有其季节性、信噪比，以及对外部变量（如促销、天气和宏观经济）的敏感度。曾经有效的小规模统计技术在大规模和多样性下难以可靠推广，准确性下降，异常管理变得不可持续。

最成熟的预测团队已经采用多模型方法：不选择单一技术，而是根据实际数据评估一系列模型，让结果为每个时间序列选择最佳模型。这产生了显著更好的准确性，但也带来了新的挑战——运行严谨的多模型评估需要深厚的统计预测、机器学习和深度学习知识，以及分布式计算技能。这种人才稀缺，需求规划部门面临整个企业对数据科学人才的竞争。

2024年，Databricks发布了Many Model Forecasting（MMF）框架，这是一个基于大规模多模型时间序列预测的开源框架，集成了超过35个预测模型。MMF在Databricks上原生运行，利用分布式计算处理企业级需求问题。许多公司已将其用于影响收入和库存的生产管道，准确性和人工预测工作减少得到了验证。

然而，MMF仍是专家工具。设置、数据准备、评估设计需要深厚知识。MMF Agent填补了这一缺口，它基于Genie Code（Databricks的AI编码助手），将MMF框架包装成交互式引导工作流，从原始数据到部署预测，无需深厚技术专业知识。该代理通过五个阶段：检查输入数据、识别质量问题、处理和分类时间序列、配置计算基础设施、执行预测作业、进行后处理与模型选择，并以业务术语呈现结果。它利用Genie Code与Unity Catalog的集成，理解组织的完整数据环境，提供明智的建议。

最直接的好处是速度——之前需要几天的工作可在几小时内完成。准确性也因更好的数据准备而提高。但最深远的变化是可及性：缺乏数据科学家的需求规划团队现在也能达到以往只有专业团队才有的严谨水平。对于有技术深度的团队，MMF Agent还使定制更容易，通过自然语言交流修改代码。

MMF和MMF Agent现已可用，在GitHub上可获取技能、文档和示例笔记本。对于希望用现有团队和工具获得更好预测的需求规划领导者来说，这值得花一小时探索。