AI 驅動的需求預測：o9 Digital Brain
新世代的供應鏈深受各種變化的衝擊：消費者要求以更具競爭力的價格選擇品質最好、快速交付以及客製化的產品。與此同時，世界正面臨著各種不確定性，極端氣候、貿易緊張局勢、資源短缺、多極分化的政治情勢、COVID-19（新冠肺炎）以及通貨膨脹等都影響著需求驅動因素。考驗著企業是否能夠精準的預測未來供需、降低組織風險，以及即時回覆市場需求。然而多數的企業都沒有通過這項考驗，面臨的結果則是高額的價值耗損與市場機會的流失。
但這並非是一道無解的難題：o9 Solutions透過AI/ML以及雲端運算的智能預測，一改傳統使用歷史銷售數據的時間序列預測模式，在規劃平台Digital Brain上讓企業能夠根基於領先的指標數據加以創建屏除人為偏見與操控的預測結果。o9同時也有內建的市場數據庫（目前已經累積超過2,300+筆外部數據源），能大幅提升預測的精準度並確保o9 Solutions各產業的客戶在市場波動中仍能屹立不搖。那麼o9 Digital Brain採用AI/ML預測的關鍵流程是什麼呢？
第一步驟：數據識別、蒐集以及協調
在此階段會將內部的銷售數據，以及外部的網路爬蟲資訊蒐集做為分析的準備（舉例：天氣、國定假期、國際賽事等）。清理與協調包含識別與修復不正確的數值、定位與替換不足的資訊，並將數據應用到最合適的層次結構分組與數據流。
第二步驟：數據分析與特徵工程（Feature Engineering）
此階段涉及探索式資料分析（Exploratory Data Analysis；EDA），判斷數據的分布並研究彼此之間的相關性與交互作用。進一步進行特徵工程：將數據進行分組，藉以解釋數量、波動性、間歇性以及產品生命週期和季節性等因素之間的關聯。最後則根據數據分析的結果，參照產業知識下做出驅動因素的評估與選擇。
第三步驟：迭代模型
在此階段會決定最終預測要使用的演算法。預測自動化又分為三種類型：統計、機器學習與深度學習。為了獲得最合適的預測結果，系統會衡量這三種方法及模型的適用性。並針對不同的數據結構與其級別執行評估，以篩選出最佳的模型組合來做使用。
第四步驟：模型訓練、驗證以及最適篩選
最後階段將會執行參數調整，並透過回測、時間序列分析與微調來訓練模型以進行交叉驗證。進一步透過定義誤差值與模型試驗來找到最小誤差值的演算法。為了針對未來預測結果進行優化與調節，最後的這個步驟會設置最佳的基準點以自主管理和主動偵測任何供應鏈規畫上的限制。
o9 Digital Brain透過以上AI/ML處理資料的流程，再加上專利的底層架構技術Graph Cube，讓企業能夠系統性的整理散亂的內外部數據源，從而在數據分析中獲得即時的資訊與精準的預測結果。而這些資訊同時也能讓組織更好的分析需求驅動因素與消費者行為。決策者亦可以透過o9提供的情境模擬，針對市場不斷變化的需求進行妥適的回應，為企業在供應鏈數位轉型上帶來即時且實質的價值。
如欲進一步了解AI/ML如何驅動精準的供需預測並協助企業進行供應鏈轉型，請接洽 o9 Solutions 台灣團隊。
以上文章授權 DIGITIMES 公開分享使用。
