一般认为，需求预测越准确越好，准确率越高越好，这其实是对需求预测的一个误解。因为，需求预测做的好不好，需求预测的作用和价值，并不是以预测准确率为指标，而是看需求预测解决了什么样的问题。
另外，预测准确率受很多因素的影响，是一个有条件限制的指标，不同条件不同框架下的预测准确，不存在可比性。比如预测颗粒度越大，预测就相对越准确，预测时间越长，预测就越准确等待。
打个比方，一家快消公司，预测下个月的总业绩，准确率可能达到85%甚至更高，但如果预测接下来第三个月的业绩，准确率可能不到70%。显然，85%的准确率比70%的准确率更高，但是，这种情况下， 85%的准确率所起的作用不一定比70%更高。
那么，如何做好需求预测，从而让需求预测更有价值呢？我觉得可以从以下四个方面展开（不仅是快消行业，其他行业也同样适用）。
1、数据收集与整理。需求预测是个技术活，但需求预测不是凭空出现的，不是拍脑袋出来的，需求预测需要数据。数据从哪来？数据是我们计划人员收集、整理和分析而来的，当然，我们可以借助一些工具，比如一些系统和软件。拥有相对完整、真实可用的数据，是做好需求预测的前提，也是基础。（对于数据，就算是一些定性的预测，其实也有相当的数据在支撑，只不过，这些数据存在的形式不同而已。）
2、信息收集与分析。数据是历史的，信息是未来的，需求预测，既要历史的数据，也需要未来的数据。与需求预测有关的主要有哪些信息呢？我列几个最主要的如下：产品上新与下架信息、产品促销信息、政策层面可能带来销量波动和物料供应异常信息、市场波动信息（比如某些区域局势造成一些物料供应紧张）、客户与供应商异常信息等等。
3、基准预测+修正。我们有了历史数据，有了未来的信息，这时，我们可以按照我们的预测模型，计算得出我们的基准预测。刘宝红老师有一个我非常认可的观点，从数据开始，由判断结束。我们以历史数据和未来信息得出了基准预测，这就是从数据开始。那么，什么叫由判断结束呢？我们需要沟通销售、市场以及采购等相关人员，根据这些人的意见，对基准预测进行调整与修正，这就是由判断结束。
4、预测纠偏。我在我的原创文章《需求计划人员需要的四种能力》中，将跟踪修正能力列为需求计划人员的四种核心能力之一。这跟踪修正，就是指的预测纠偏。预测根本不是谈准与不准，而是谈控制偏差；衡量预测不是用准确性，而是偏差率。或者这么说，需求预测大部分时间都在纠偏，需求预测是一个发现偏差、纠正偏差的过程。
快消行业做需求预测，到底有没有人能做到需求预测高准确率呢？我的回答是，我们不要单纯的考虑预测准确率，因为，预测准确率是一个场景指标。快消行业做好需求预测，我建议从四个方面进行：数据收集与整理、信息收集与整理、基准预测+修正和预测纠偏。
首先，需求预测对于快消行业的重要性毋庸置疑。
今年年初，BCG与谷歌公司携手开展了一项研究，结果显示，通过大规模使用人工智能和高级分析，消费品公司可以实现超过10％的营收增长。其中，需求预测对拉动企业业务增长的重要性排在了第一。
在人工智能技术介入前，预测早已随处可见，小到个人股票投资，大到企业经营决策、国家制订国民经济发展规划等。以往预测的主流分析方法是使用数据挖掘的一系列技术，而这其中被经常使用的是一种被称为“回归”的统计技术。多元回归分析提供了一种处理多样条件的有效方法，可以尝试找到一个预测数据失误最小化，“拟合优度”最大化的结果。但是，回归分析中，对于历史数据的无偏差预测的渴求，并不能保证未来预测数据的准确度。
现在，随着计算能力的不断提升，使用机器学习和（神经网络）深度学习来做预测效果比其他所有方法表现得都要更好，也使得我们利用统计学进行预测的方法发生了彻底的转变。
原先复杂的业务场景下，基于“if...then...”以及传统的统计学方法来实现的代码逻辑，总是无法覆盖所有的条件组合。而“深度学习”与人类大脑有着类似的工作方式，利用“反向传播”的方法从数据中不断训练、反馈、学习，获取“知识”，随着不断的训练、自我学习，预测模型会得到不断优化，预测准确性也在随着学习而改进，而越来越高的预测准确性为商业决策提供了可信赖的基础。
观远数据作为联合利华、百威英博等众多500强快消企业的需求预测技术服务商，在零售数据智能领域耕耘多年，积累了大量的相关经验。我们的需求预测技术不仅仅引入了先进的AI预测算法，更是立足具体的业务数据情况，结合使用高效的广义累加模型和状态空间模型，统筹考虑零售时序数据的趋势性、周期性，并加入对节假日及促销、天气等可预测波动因素的分析，给出综合预测结果，可以说这是一个专门为零售预测而生的算法模型！
