随着黑色星期五的临近和假日购物盛会的开始，零售商们正在对需求预测进行最后的调整，他们正在使用这些预测来预测今年冬天将要销售的商品组合。有很多变量需要处理，包括COVID、经济和天气。这似乎是一个用例，适用于日益复杂的机器学习模型，这些模型在行业中很流行。但他们能相信自己的预测吗？

在过去的十年中，零售商和消费品供应链中的其他公司已经开始升级其需求预测系统，希望在这个竞争激烈的行业中占据一席之地。

特别是，前瞻性零售商正在用概率方法取代过去青睐的主要确定性方法——基于历史数据的简单线性回归模型，对世界状况进行相对静态的假设——将更多数据带入方程，并依赖更复杂的机器学习算法，例如神经网络和XGBoost来生成更详细的预测范围。

供应链顾问Stefan de Kok表示，新的概率方法比旧的确定性方法更有可能为需求规划提供更准确的预测。

在零售需求预测中，确定性模型正被概率模型所取代（谢尔盖·尼文斯/Shutterstock）

“概率方法价值的根源在于它可以正确区分误差和自然可变性，以及信号和噪声，这在确定性的角度是不可能的，”德·科克在2021 LinkedIn上的一篇文章中写道。“概率方法提供了丰富的信息，可以从各个细节层面识别风险和机遇，从而做出明智的商业决策。它们还可以描述你可以控制和改进的事情与你无法控制的事情。”

更高的准确性和更细微的预测的潜力已经说服零售商至少在他们的工具包中添加概率预测。但是，根据deKok的说法，确定性模型仍然具有更高精度的优势，因为它们通常被表示为精确的数字。

虽然概率方法比确定性方法具有优势，但事实证明，在现实世界中保持良好运行也有点困难。这是由多种原因造成的，包括使用更多数据和数据中可能出现错误；机器学习模型的黑盒性质；以及对未来做出假设的一般性质。

机器学习专家、机器学习模型可观察性工具提供商Aporia的创始人兼首席执行官Liran Hason表示，虽然概率方法有优势，但零售商必须经常检查机器学习模型的预测，以确保它们不会偏离轨道。

“使用机器学习模型有很多潜在的积极成果，”机器学习专家、Aporia创始人兼首席执行官Liran Hason说。“但我会说，每周都要密切关注它们，这非常重要，尤其是对于大型零售商来说，因为他们要处理不同县的大量商店。”

Hason表示，Aporia与许多行业的客户合作，包括零售、汽车和金融服务，因此其机器学习可观察性工具并不是专门为零售商设计的。但在与Aporia合作的零售商中，Hason看到了深度学习方法以及决策树和XGBoost的更多采用。

“他们能够存储更多的数据，”他说。“因此，从某种意义上说，我们得到的模型要准确得多。但这种准确度的一部分意味着，在某些情况下，它们可能会被过度使用。”

当对世界的基本假设发生变化时，数据可能会发生漂移。这可能发生在零售业务中的瞬间，例如当一个热门的新产品进入市场并扰乱了原有的购买行为时。当这种情况发生时，模型的准确性将受到影响。

Aporia的软件为数据科学家和机器学习工程师提供了基于统计的洞察力，了解他们的模型是如何运行的

哈森说：“虽然他们在研究阶段或某一时间段的表现可能很好，但他们不会永远准确。”。“然后确定当数据被模型歪曲时，什么时候是重新训练模型的正确时机，或者你应该回到另一种机制。这些问题对企业来说变得非常关键。”

公司使用Aporia来提醒他们机器学习模型的行为异常。该软件的工作原理是用不同的inpu排列不断地测试手头的模型