需求預測一直是零售和CPG規劃的核心，影響著庫存決策、生產計劃、促銷投資以及後續的銷售與運營規劃（S&OP）討論。當預測出錯時，成本會迅速累積——缺貨、庫存過剩、利潤率下滑，以及供應鏈和商業團隊的連鎖反應。近年來，預測的重要性並未改變，但難度顯著增加。
十年前，一個需求規劃員管理幾千個SKU和幾個渠道，可以透過統計模型、電子表格和經驗來維持預測質量。如今，大多數零售和CPG組織已不再處於這種環境。SKU激增、電子商務渠道爆炸式增長、區域碎片化以及短期促銷SKU的增加，使得大多數傳統工具從未設計來應對這種預測環境。規劃員從管理幾百個時間序列發展到數十萬甚至更多時間序列，每個序列都有其季節性、訊雜比，以及對外部變數（如促銷、天氣和宏觀經濟）的敏感度。曾經有效的小規模統計技術在大規模和多樣性下難以可靠推廣，準確性下降，異常管理變得不可持續。
最成熟的預測團隊已經採用多模型方法：不選擇單一技術，而是根據實際資料評估一系列模型，讓結果為每個時間序列選擇最佳模型。這產生了顯著更好的準確性，但也帶來了新的挑戰——執行嚴謹的多模型評估需要深厚的統計預測、機器學習和深度學習知識，以及分散式計算技能。這種人才稀缺，需求規劃部門面臨整個企業對資料科學人才的競爭。
2024年，Databricks釋出了Many Model Forecasting（MMF）框架，這是一個基於大規模多模型時間序列預測的開源框架，整合了超過35個預測模型。MMF在Databricks上原生執行，利用分散式計算處理企業級需求問題。許多公司已將其用於影響收入和庫存的生產管道，準確性和人工預測工作減少得到了驗證。
然而，MMF仍是專家工具。設定、資料準備、評估設計需要深厚知識。MMF Agent填補了這一缺口，它基於Genie Code（Databricks的AI編碼助手），將MMF框架包裝成互動式引導工作流，從原始資料到部署預測，無需深厚技術專業知識。該代理透過五個階段：檢查輸入資料、識別質量問題、處理和分類時間序列、配置計算基礎設施、執行預測作業、進行後處理與模型選擇，並以業務術語呈現結果。它利用Genie Code與Unity Catalog的整合，理解組織的完整資料環境，提供明智的建議。
最直接的好處是速度——之前需要幾天的工作可在幾小時內完成。準確性也因更好的資料準備而提高。但最深遠的變化是可及性：缺乏資料科學家的需求規劃團隊現在也能達到以往只有專業團隊才有的嚴謹水平。對於有技術深度的團隊，MMF Agent還使定製更容易，透過自然語言交流修改程式碼。
MMF和MMF Agent現已可用，在GitHub上可獲取技能、文件和示例筆記本。對於希望用現有團隊和工具獲得更好預測的需求規劃領導者來說，這值得花一小時探索。