迈克尔颗粒2017年7月10日
如果你能在客户购买之前就知道他们打算购买什么呢?这是预测分析应用于需求计划时的承诺。食品和饮料制造商和分销商通过创建报告来应对这一挑战，这些报告显示了过去一段时间内的购买情况。虽然这在有经验的购买者手中是一个有用的工具，但对于新角色的人来说往往是毫无意义的。了解季节性、假期、天气和促销的影响，可以对食品和饮料分销商防止缺货的能力产生重大影响，同时不携带过多的库存，导致浪费。试图在宏观层面上跟踪这一点是一回事，但在单个商店层面上应用它可能是一项艰巨的任务，即使是最有经验的购买者——只是有太多的变量。机器学习允许这种水平的预测分析，我们现在可以让机器找出模式和重要变量。
如何将本机学习和预测性分析简化为食品和饮料制造商或经销商？我们有六个步骤来帮助将这些想法转换为您组织的可重复过程。
- 识别业务问题:预测分析解决方案的价值在于能够高度关注特定的业务挑战。也许你是一个商品的分销商，有一个较短的货架期或较长的交货时间，有一个更好的需求意识将提高你的底线。重要的是，不仅要定义广泛的业务挑战，还要定义可以通过预测分析解决的具体问题。
- 评估数据:在查看业务问题时，首先确定数据是否可用于解决特定问题是很重要的。例如，如果每个商店的SKU级别的SKU级别的销售历史不可用，那么预测需求可能具有挑战性。与我们合作的组织时，我们评估业务问题的影响，也是该组织以相关数据解决该组织的能力。
- 改造和完善:有了明确定义的业务问题和可用的相关数据之后，您就可以转换和细化数据，从而使预测分析工具能够更有效地使用和消费数据。这通常涉及到数据分析，以确保我们对有问题的数据有一个清晰的理解，以及数据充实，以补充额外的、相关的数据，这些数据可能不是原始数据集的一部分。
- 构建模型：这是数据科学的繁重升降的地方。无论是在分类，回归，聚类或推荐模型上工作，数据科学家都可以使用诸如Azure Machine SearchSudio，R Studio和Cortana Analytics工具等工具来创建一个模型，以预测时尚呈现出业务问题。
- 验证和部署:一旦您有了一个工作模型，在有限的测试中验证结果以确保模型按预期工作是很重要的。这通常通过一个并行的过程发生，我们继续使用当前的计划或预测方法，但同时运行我们的模型。通过这个过程，您可以确定模型中任何改进的潜在机会。一旦进行了任何改进，我们就通过web API部署模型。
- 合并和评估：一旦使用Web Accessible API就拥有有效的模型，我们可以将模型纳入我们的业务流程。这可以非常简单地通过将API连接到简单数据输入的Excel，或者将其结合到用于实时决策的业务应用程序中。
需求计划在食品和饮料行业中并不是一个新概念，也许您的组织已经做得很好了。然而，我们的经验表明，通过使用目前可用的一些高级预测分析功能，需求规划过程可能会获得额外的盈利能力。有了最近的创新和技术，我们现在可以把人类预测问题转化为机器学习解决方案。了解一下BlumSh必威电子apiro咨询公司如何帮助你实现这些目标。
