什么是预测？

预测方法可以是定性的，也可以是定量的：

定性方法

定性预测依靠营销专家来做出短期预测。如果没有足够的历史数据，您可以使用定性方法。例如下面两个使用案例：

• 利用营销研究技术（如民意调查和调查等），可确定消费者需求。
• 利用 Delphi 建模技术，可对特定领域的专家进行民意调查，从而收集他们对相关领域的意见和预测趋势。

定量方法

定量预测模型使用有意义的统计数据及历史数据，来预测长期趋势。下面我们给出了几个标准定量方法示例：

• 利用计量经济建模，可分析财务数据集（如贷款和投资数据），从而预测重大的经济转变及其对公司的影响。
• 利用指标方法，可比较数据点，从而确定看似不相关的数据之间的关系。例如，您可以利用 GDP 的变化，来预测失业率。
• 在此情况下，GDP 数据称为领先指标，而失业率为滞后指标。
• 利用时间序列预测，可分析在不同时间间隔所收集的数据，从而预测未来趋势。 

时间序列预测是一种数据科学技术，利用机器学习和其他计算机技术来研究时间序列数据过去的观测值，并预测其未来值。我们来了解一下时间序列预测的示例：

• 天文数据由几百年来行星的重复运动数据构成。您可以利用此数据，来准确地预测日食和彗星等天文活动。
• 天气预报利用风向和气温模式来预测天气变化。
• 科学家可以利用出生率和迁移数据来预测人口增长。

时间序列分析与时间序列预测

通过时间序列分析，可以探索任意时间序列数据背后的根本原因。此研究领域致力于理解时间序列数据集背后的“原因”。分析师必须经常作假设，从而分解或细分相关数据来提取有意义的统计数据和其他特征。

时间序列分析就是要理解数据集，而预测则是预测数据集。以下是预测建模的三个步骤：

• 提出问题，并收集过去一段时间内的一组时间序列数据样本，来回答提出的问题。
• 使用这些过去的值，来训练计算机软件或预测算法。
• 使用预测算法，来反映未来观测值。

预测可以为企业同时提供现在和未来的相关可靠信息。我们在下面介绍几个预测技术使用案例示例：

运营 – More Retail Limited 如何使用自动化来预测产品销量？

More Retail Ltd.（MRL）是印度排名前四的食品和杂货零售商之一，收入达数十亿美元。他们拥有广泛的店铺网络以及复杂的经销商供应链。他们曾依靠店铺经理的人工判断来估算和订购库存，但这样做影响了客户体验，尤其是生鲜农产品类别。MRL 使用由 AWS 提供支持的预测服务，来构建自动化订购系统，从而减少了 30% 的生鲜食品浪费。

制造业 – 富士康如何使用预测来管理制造需求？

鸿海科技集团（富士康）是世界上最大的电子产品制造商解决方案提供商。在新冠肺炎（COVID-19）疫情期间，富士康的客户需求、供应量和生产能力出现了前所未有的波动。该公司与 Amazon Machine Learning Solutions Lab 合作，为他们在墨西哥的工厂预测准确的净订单情况。这些预测可以让公司每年节省超过 50 万美元。

客户支持 – Affordable Tours 如何使用销售预测来改善客户体验？

Affordable Tours.com 是美国最大的陪同旅游、巡游、河道巡游和活动度假的供应商之一。为了应对客户呼叫量，他们曾努力调配资源。有时他们的座席数量过多，有时又过少，这就会导致客户体验不一致、电话漏接率增加的问题。他们使用 Amazon Forecast，来更好地预测客户呼叫量，并将电话漏接率降低了约 20%。