随着ChatGPT、Midjourney、Sora的相继横空出世，通用人工智能的康庄大道似乎已经浮现在人们眼前。那么，我们能把供应链领域的老大难问题—需求预测，交给人工智能来做吗？

回答这个问题之前，我们先来看看人是怎么做需求预测的。我们做需求预测，大体来说有三个锚点：财务目标、市场需求、现有订单。不同类型的企业对这三个锚点有着不同的倾向性。当财务目标的达成是公司的重中之重时，销售会想尽一切办法促使目标的达成；而对于以大型装备制造为代表的采用项目制生产的产品，订单池就成了非常重要的需求预测参考依据。在这三者之中最复杂、最具有挑战性的，则是对市场需求的估计。市场需求受各种各样因素的影响。在宏观层面，需求受经济周期和技术生命周期的影响；在中观层面，需求受产品生命周期、季节性需求与竞争环境的影响；在微观层面，需求受节假日、促销活动、友商行动、突发事件乃至天气等各种因素的影响。我们在进行需求预测的时候，通常的方法也是首先分析确定对需求的影响因素，然后采用定性或定量的方法来估计各种相关因素对需求的影响，最后将各种影响综合后作为最终的需求预测结果。

我们再来看看人工智能怎么做需求预测。人工智能进行销售预测的总体逻辑可以总结为获取数据、清洗数据、提取特征、建立模型、实施预测这几步。这里的“特征”，又被称作特征变量，即是对需求有影响的因素（变量）。人工智能使用统计学习、深度学习、强化学习等方法，基于历史数据训练生成预测模型，用于对未来的预测之中。

这样看，人工智能进行预测的方法与人类手工的做法在本质上是颇有相通之处的，虽然我们人类在做预测的时候一般不会使用清洗数据、提取特征、建立模型这几个词语。但我们会对历史销售数据进行标注，对一些非常规事件造成的销售异常数据进行调减或者调增（数据清洗）；我们会在日常的业务操作中积累经验，了解哪些因素会对哪类商品的销售产生影响（特征提取）；我们会给各因素对需求的影响赋予一个数值，不管是采用拍脑袋、定性还是定量的方法（建立模型）。不过，虽然总体逻辑是相似的，但在这几个步骤的细节上，两者又有显著的不同。

我们尝试用下表略微比较一二。

	人类做预测	人工智能做预测
数据获取	可以从各种正式的或非正式的渠道获取相关的数据，包括一些口口相传的信息；部分数据隐式的存在于人的脑海中，并未显式的记录；对非结构化数据具有较强的获取和处理能力。	所有数据必须显式的输入，无法获得和使用口口相传的信息；随着大语言模型技术的发展，对非结构化数据的处理能力正在获得显著提升；在结构化数据获取和处理方面表现优异。
数据清洗	对销售数据的调增或调减的数量通常依赖于经验、规则与直觉，有一定的主观性。	使用统计方法进行数据清洗；数据清洗的方案取决于能够获取的特征以及所使用的预测模型。
特征提取	多依赖于经验和直觉，易受孤立事件的影响，有时候形成的结论可能不具有统计学意义。	基于数据，使用统计模型来提取特征，并对特征的作用进行评估，可以定量的确定有效的特征及其效应；对于数据量很少的偶发事件，可能无法获得具有统计学意义的结果。
模型建立	混合使用多种定性、定量模型，融入隐式的数据和自身的经验；通常会使用较为简单的定量模型，对于多变量交互效应的分析能力相对较弱；模型可解释性高；隐式数据和经验的融入使模型可能具有一定的主观性和偏向性。	使用统计学习、深度学习或强化学习模型，建立销量与特征值之间的关系；模型完全建立在历史数据的基础上，更为客观和中立；在数据量足够的情况下，模型能够较好的拟合多变量的交互效应；模型的准确性依赖于关键特征是否纳入、特征数据是否完整、以及数据量是否匹配。

通过以上对比可以看出，人工智能在多因素的交互效应分析上更有优势，结果更为客观和中立；而人类在隐式信息的获取和应用上更有优势。巧妇难为无米之炊，如果对销售有显著影响的关键因素无法被系统获取，那么再智能的系统也无法做出准确的预测。

基于上述分析，以及企业目前的信息化和数字化的现状，我们建议将这两种模式结合起来应用：借助人工智能方法利用可用的显式信息生成需求的基准预测，计划经理再根据自己所掌握的一些隐式的信息和经验，对预测结果进行适当的调整，取长补短，生成最终的预测。另外，随着企业的信息化水平越来越高，以及人工智能技术的进一步发展，当越来越多的之前的隐式数据能够被系统所掌握、越来越多的非结构化数据能够被系统所理解的时候，我们就可以放心的把需求预测完全交给人工智能来替我们完成了。

著名的人工智能专家，斯图尔特·罗素（Stuart Russell）与彼得·诺维格（Peter Norvig）在他们合著的《人工智能：现代方法》一书中，把人工智能分为四类：类人思考（Thinking Humanly）、理性思考（Thinking Rationally）、类人行为（Acting Humanly）、理性行为（Acting Rationally）。

您心目中用于销售预测的人工智能应该属于哪一类的呢？