什么是预测？

业务预测旨在估计客户对产品或服务的需求、预测销售额或估计增长和扩张情况。它可以促进预算、资金、人力资源等的分配。简而言之，业务预测有助于为决策过程提供信息。

预测通常与大数据分析和预测分析联系在一起。如今，许多预测技术都借鉴了人工智能 (AI) 和机器学习方法，以更快、更准确地进行预测。根据管理咨询公司麦肯锡的研究，由人工智能驱动的工具可以将预测错误减少多达 50%，从而使库存短缺情况和销售损失减少多达 65%。¹

预测是一种预言，这意味着它们往往不会百分之百准确。预测的时间范围也很重要——近期预测可能比远期预测更精确。此外，汇总数据或结合各种技术以提高准确性，并将预测视为一种指导，而不是决策的最终决定因素，也会有所帮助。

每个组织的预测流程可能有所不同，但通常都包括以下步骤：

确定预测内容：公司确定要预测的具体业务案例或指标，并将任何相关假设和适用变量考虑在内。

收集数据：此步骤包括收集必要的数据。如果历史数据已经存在，那么就需要确定最合适的数据集。

选择预测方法：选择最适合业务案例或指标，以及相关变量、假设和数据集的预测技术。

生成预测：使用所选方法分析数据，并根据分析结果做出预测。

验证预测：检查预测结果，查看是否可以通过优化来做出更准确的预测。

呈现预测：利用数据可视化可以将预测结果以更加直观的方式呈现出来，以便利益相关者能够更好地理解并将其运用到决策过程中。

预测的方法多种多样，但每种方法通常都分为两种主要技术之一：定性预测和定量预测。

定性预测以人的判断为基础，如消费者意见、专家见解和高层管理人员的观点。这种预测方法采用评级机制，作为将定性信息转化为定量数据的系统手段。

以下是几种常用的定性预测方法：

德尔菲法会邀请多位专家回答一系列问卷，了解他们对要预测的商业案例或指标的看法。采用匿名的方式答复，可确保各种观点得到平等对待。上一份问卷的答复将用于制定下一份问卷，这个过程会持续进行，直到对预测达成共识。

企业请市场调研公司帮助进行客户调查，询问他们对产品或服务的意见。从这些调查中收集到的数据将用于为销售预测和产品或服务改进计划提供信息。

定性预测具有以下优势：

• 定性预测适用于数据有限的情况，例如对新产品或新技术的市场接受度或市场渗透率进行评估时。

• 定性预测整合了来自专家和对企业及其产品非常了解的人士的信息，而定量数据可能无法采集到这些信息。

• 通常可以考虑一次性事件或非典型场景，例如危机或灾难。这意味着定性预测可能非常适合条件不断变化的情况。

但这种预测方式也有其缺点：

• 定性预测依赖于人的判断，因此可能具有主观性，包含的偏见会导致过分强调或忽视某些因素。

• 定性信息有时可能只考虑最近发生的事件或亲身经历，因此可能会忽略过去数据中的长期趋势或模式。

定量预测则是以数值数据为依据，采用数学模型和统计方法进行预测。许多定量预测技术利用数据科学、人工智能和机器学习来推动这一过程。

以下是一些常见的定量预测策略：

这种定量方法使用时间序列 建模的 历史数据来预测未来结果。时间序列是按时间顺序绘制的一系列数据点。

时间序列预测模型有助于揭示数据中受周期、不规则波动、季节性和其他变化影响的可预测趋势。

时间序列分析经常与时间序列预测一起被提及。时间序列分析需要理解时间序列数据以从中获得洞察分析，而时间序列预测则超越了分析，而是预测未来值。

时间序列预测包含多种方法：

朴素法

天真法使用上一期的数据点作为下一期的预测。这使其成为最简单的时间序列预测方法，通常被视为初步基准。

简单移动平均法

简单移动平均法计算过去 T 个周期数据点的平均值。然后将该平均值作为下一时期的预测值。

加权移动平均值

这种方法以简单移动平均法为基础，但对过去 T 个周期的每个数据点都施加了权重。

指数平滑法

指数平滑法的工作原理是对时间序列数据进行指数加权平均。数据越旧，权重就越小——数据越新，权重就越大。

平滑系数（也称作平滑系数或平滑参数）可控制分配给过去和当前数据的权重。然后利用这些权重计算出加权移动平均值，作为预测值。这种预测成为时间序列的平滑版本，消除了数据中的波动、噪音、异常值和随机变化。

指数平滑通常不需要庞大的数据集，这使其成为良好的短期预测方法。而且，由于指数平滑赋予了当前数据更大权重，因此可以快速适应新趋势或不断变化的趋势。

季节指数法

对于商品或服务的生产或需求受季节影响的企业来说，季节性指数可能很有价值。

要计算季节性指数，就需要用某一特定季节的平均需求量除以所有季节的平均需求量。这些平均值通常使用移动平均技术计算得出，但也可以使用该季节的时间序列数据应用指数平滑法。季节性指数小于 1 表示需求低于平均水平，而大于 1 则表示需求高于平均水平。

为了估算下一季的预测，该季的预测需求量将乘以相应的季节性指数。

因果模型是数据中因果关系的数学表达。这些预测模型适用于较长时间范围的预测。

回归模型

回归模型分析的是被预测变量或因变量与一个或多个预测变量或独立变量之间的关系。以 线性回归为例，这类回归模型表示的是被预测变量和预测变量之间的线性关系。

计量经济学模型

计量经济学模型与回归模型类似，但侧重于经济变量（例如利率和通货膨胀）以及经济关系（例如市场状况和资产价格）。

定量预测具有以下优势：

• 它以数字和数学为基础，可以做出更客观的预测。 

• 它提供一致、可复制和结构化的输出结果，有助于简化特定时间范围内的分析。

但这种预测方法也存在一些缺陷：

• 很难将专家洞察、内幕信息等定性数据结合起来进行定量预测。

• 它需要足够的历史数据才能做出可靠的预测。

AI 预测采用 AI 和机器学习算法来实现定量预测方法，例如时间序列预测和回归模型。AI 预测可以处理大量数据，执行快速计算，解决复杂预测并快速揭示相关性。

以下是 AI 预测中常用的一些机器学习模型和技术：

• 决策树
• 深度学习
• 集成学习，结合多个学习者提高预测性能
• KNN（k 最近邻）算法
• 神经网络

在使用 AI 预测时，一定要评估模型是否符合企业的预测目标。定期监测模型的性能，以确定是否需要根据新数据对模型进行重新训练或微调，以优化其性能。还要考虑模型是否可解释，以便所有利益相关者都能理解预测是如何做出的以及如何解释这些预测。

预测可在多个业务领域实施：

预测软件可提供一些高级功能，例如整合不同来源的数据以及分析多个变量之间的相互影响。这些功能可以助力企业制定可靠的预测，以及高效更新和管理预测模型和模拟。其他预测工具也具有内置 AI 功能，可实现工作流程自动化、提高准确性并加快流程。