用專家默會知識強化AI需求預測力

運用需求預測AI應該以新產品為目標。

根據我的感覺，現有的商品存在著過去的數據，因此應用統計學的時間序列模型就足以預測其需求。這是基於預測精確度的事實依據。

當然，前所未有的大型行銷活動、社群媒體的話題傳播、疫情之類的劇烈環境變化無法預測，之後的需求預測很難只靠時間序列模型也是事實。但許多商品的短期需求預測，只要能夠確實管理統計學的需求模型，就有機會達到足夠的精確度。畢竟AI也很難應付這些突如其來且前所未有的環境變化與策略，時間序列模型的精確度極有可能遠勝於AI。

至於沒有過去數據的新商品，各個業界都以因果模型處理。他們整理出哪些要素影響需求，並參考擁有類似要素的基準商品的銷售實績，這種方法具有預測精確度較高的傾向。

然而整理出需求的因果關係，需要擁有該商業領域的深入知識。至少也必須具備足以理解多元迴歸分析的統計學知識。因此根據我的印象，在很多行業中，建立自己公司因果模型的企業仍然不多。

除了時間序列模型與因果模型之外還有判斷性模型。譬如應用德菲法或AHP的模型，以及預測市場等，這些都是嚴謹的方法，在某些商品上的預測精確度甚至有可能超越因果模型，然而就花費與技術需求的觀點來看，能夠運用這種預測模型的企業非常之少。廣泛使用的判斷性模型不是由上而下的數字目標，就是將業務負責人報告的數字往上疊加的思考邏輯，這些方法往往具有主觀性高、精確度低的問題。

從這些企業的實際狀況來看，新商品的需求預測，尤其在發售之前仍有很大的改善空間。

即使是AI，在學習資料的選擇與創建，也必須參考背後的因果關係。不過，只要能夠準備一定數量的數據，可能並不需要像統計模型那樣，把因果關係整理得那麼完備。

不斷地有人指出，AI預測存在有根據不明確的缺點，但隨著新的演算法逐漸開發出來，透明度也愈來愈高。我想，日後AI有可能會發現人類尚未察覺的需求法則。

綜合以上所述，我認為如果想要引進需求預測AI，建議優先考慮用在新商品上，尤其是在發售之前。不過，以AI取代現有的預測模型沒有意義，最好兩者併用。

關於預測根據的說明力，統計模型較占優勢。此外，如果擁有許多要素類似的基準商品的銷售實績，譬如商品在改版前的銷售狀況，時間序列模型或因果模型就有機會達到極高的精確度。

採取先進需求預測的全球性企業，使用的是三角測量式概念（Triangulation），以多種預測模型評估各預測值的合理性，考慮如何透過SCM與庫存計畫進行風險管理。我認為AI在這方面可以得到有效的應用。

圖片來源_商周出版

成功實現商品訂購自動化的食品超市

我從二○一七年開始參與需求預測AI的開發，原本以為只要讓AI學習來自公司內外的大量數據，就能提高AI的預測精確度。

但這個方法卻行不通。因為一家企業的新商品相關數據頂多只有數百個樣本，不足以作為AI的學習資料。離開實驗室來到現實的商業環境後，經常出現像這樣的數據量限制，這時候「學習資料的管理」就變得相當重要。

評估不同商品的AI預測結果，就會發現有的精確度高，有的精確度低。由此推測在需求的因果關係方面缺乏某些資訊。想要有效解決這個問題就不能只是蒐集分散公司內部各處的數據，如果有必要也必須感測或創造新的數據。

舉例來說，如果缺乏關於顏色的資訊，就去研究室尋找。為了表現外國旅客的喜好，分析過去受歡迎的商品特徵，並設計指數也能順利發揮作用。公司內部的BI（Business Intelligence）沒有需求預測觀點的數據，因此需要由該領域的商業專家創造數據以表現需求的因果關係，我稱之為「假設驅動的數據管理」。

像這樣創造AI的學習資料，在其他行業似乎也變得同樣重要。分店遍及全日本的食品超市集團LIFE Corporation，在全國分店引進需求預測AI的自動化訂購。他們從需求預測的角度，整合以箱為單位訂購和散裝訂購的商品編碼、考量早晨與傍晚等不同時段的需求特性，充分運用只有零售現場的專家才能想到的智慧。

這樣的數據建立工作花費了將近一年半的時間，而這種AI的預測精確度，也達到傳統主觀預測的訂購負責人同樣的程度。

累積符合商業課題的數據

人類在數據分析的速度與準確性方面比不上AI。但人類擁有靈活的發想力，唯有人類才能蒐集並創造有效的學習資料，因此AI與商業人士協作時的重點就在這裡。人類的其中一項優勢就在於，即使數據模糊或不完整，依然能夠根據這樣的資訊進行預測。

但這樣的預測含有偏誤及雜訊，導致預測精確度降低。需求預測必須考量的要素由人類設定，至於要素的比重或許可交由AI決定。

開發AI的商業人士，需要具備思考「利用AI可以解決哪些商業課題，而解決這些課題又需要累積什麼數據」的能力。

以需求預測為例，需要思考的就是：

● 哪些因素可能影響需求？

● 這些因素具體來說該衡量哪些數據？

利用專家的默會知識設計AI學習資料

常有人戲稱，不使用統計學的需求預測，靠的是直覺、經驗與膽量，但隨著AI開始被應用於需求預測的實務當中，我覺得人們將再次開始重新評估這樣的作法。

在目前的階段，先不論只靠基本數據、銷售實績、庫存資訊以及少許外部環境因素（譬如天氣和人口動態等）就能進行預測的商品，許多商品（服務）的需求，大幅受到宣傳、賣場魅力、銷售員的商品說明等難以定量化的市場因素影響，這些商品就很難開發預測精確度高的AI。

舉例來說，現在已經知道高價化妝品與服飾的需求，大幅受到店內銷售員對商品的介紹影響，卻很少有企業對此進行定量評估，並累積充分數量的體系化數據。如果是該領域的專家，應該能夠從經驗中得知哪些要素會影響這項商品的介紹。設計一個機制將這些要素化為數據，並在盡量不增加負擔的情況下持續累積，就變得非常重要。

這時，找出過去的需求預測專家所使用的、來自經驗的直覺到底是什麼，就變成一件重要的事情。

這樣的直覺不應該是胡亂猜測，而是立基於來自經驗的默會知識，所以才能在實務當中擁有一定程度的精確度。

問題不在於預測邏輯，而是這樣的思考歷程一直以來都沒有被視覺化。

商業中的需求預測，並非培養或聘雇一名頂尖的規劃師即可。擁有一個組織，能夠擴大預測的技術、並磨練維持技術的能力相當重要，這就是組織學習。

換句話說，有必要設計出能夠長期持續的流程或機制，並建立起重視需求預測的組織文化。

這方面可以參考一橋大學榮譽教授野中郁次郎提出的知識創造理論。默會知識是知識間的碰撞，而我對這句話的解釋是，商業領域的專業人士之間，針對彼此的假說認真議論，並藉由這樣的過程所形成的形式化知識。

這可以想像成，精通自家公司商品需求背後的市場、消費者、競爭者等的商業人士，彼此分享與實際銷售數據相關的各種數據，並且討論這些數據的解釋。

實際上，我在二○一四年，也就是從事需求預測的第四年，就開始將這樣的過程體系化，現在已經有一套固定的機制。我們以這個過程中累積的知識為基礎，蒐集並創造AI的學習資料。此外也在AI的學習反饋迴圈運作的過程中，持續同樣的碰撞。這就是需求預測的知識管理。（摘錄整理自《驚人的AI需求預測》第二章，商周出版提供）

圖片來源_商周出版

 書名  驚人的AI需求預測

山口雄大（Yamaguchi Yudai）／著；林詠純／譯

商周出版

定價：400元

圖片來源_Amazon

 作者簡介 

山口雄大（Yamaguchi Yudai）

NEC AI．分析事業總部需求預測技術傳教士。於青山學院大學擔任兼職講師（Supply Chain Management）。YCP Solidiance需求預測顧問。

畢業於東京工業大學社會理工學研究科，早稻田大學經營管理研究科。在資生堂股份有限公司負責各種化妝品品牌的需求預測，曾擔任S&OP團隊經理，現任職於NEC。日本物流系統協會「將SCM與行銷結合！需求預測的基礎」講師。在《Journal of Business Forecasting》（Institute of Business Forecasting & Planning）等刊物發表需求預測的論文。