AI驱动的需求预测：o9 Digital Brain

AI 驱动的需求预测：o9 Digital Brain

新时代的供应链深受各种变化的冲击：消费者要求以更具竞争力的价格选择品质最好、快速交付以及定制化的产品。与此同时，世界正面临着各种不确定性，极端气候、贸易紧张局势、资源短缺、多极分化的政治情势、COVID-19（新冠肺炎）以及通货膨胀等都影响着需求驱动因素。考验着企业是否能够精准的预测未来供需、降低组织风险，以及实时回覆市场需求。然而多数的企业都没有通过这项考验，面临的结果则是高额的价值耗损与市场机会的流失。

但这并非是一道无解的难题：o9 Solutions透过AI/ML以及云端运算的智能预测，一改传统使用历史销售数据的时间序列预测模式，在规划平台Digital Brain上让企业能够根基于领先的指标数据加以创建屏除人为偏见与操控的预测结果。o9同时也有内建的市场数据库（目前已经累积超过2,300+笔外部数据源），能大幅提升预测的精准度并确保o9 Solutions各产业的客户在市场波动中仍能屹立不摇。那麽o9 Digital Brain采用AI/ML预测的关键流程是什麽呢？

第一步骤：数据识别、蒐集以及协调

在此阶段会将内部的销售数据，以及外部的网络爬虫信息蒐集做为分析的准备（举例：天气、国定假期、国际赛事等）。清理与协调包含识别与修复不正确的数值、定位与替换不足的信息，并将数据应用到最合适的层次结构分组与数据流。

第二步骤：数据分析与特徵工程（Feature Engineering）

此阶段涉及探索式数据分析（Exploratory Data Analysis；EDA），判断数据的分布并研究彼此之间的相关性与交互作用。进一步进行特徵工程：将数据进行分组，藉以解释数量、波动性、间歇性以及产品生命周期和季节性等因素之间的关联。最后则根据数据分析的结果，参照产业知识下做出驱动因素的评估与选择。

第三步骤：迭代模型

在此阶段会决定最终预测要使用的演算法。预测自动化又分为三种类型：统计、机器学习与深度学习。为了获得最合适的预测结果，系统会衡量这三种方法及模型的适用性。并针对不同的数据结构与其级别执行评估，以筛选出最佳的模型组合来做使用。

第四步骤：模型训练、验证以及最适筛选

最后阶段将会执行参数调整，并透过回测、时间序列分析与微调来训练模型以进行交叉验证。进一步透过定义误差值与模型试验来找到最小误差值的演算法。为了针对未来预测结果进行优化与调节，最后的这个步骤会设置最佳的基准点以自主管理和主动侦测任何供应链规划上的限制。

o9 Digital Brain透过以上AI/ML处理数据的流程，再加上专利的底层架构技术Graph Cube，让企业能够系统性的整理散乱的内外部数据源，从而在数据分析中获得实时的信息与精准的预测结果。而这些信息同时也能让组织更好的分析需求驱动因素与消费者行为。决策者亦可以透过o9提供的情境模拟，针对市场不断变化的需求进行妥适的回应，为企业在供应链数码转型上带来实时且实质的价值。

如欲进一步了解AI/ML如何驱动精准的供需预测并协助企业进行供应链转型，请接洽 o9 Solutions 台湾团队。