本文探讨了专家判断和机器学习预测在需求预测中的互补性，特别是在快速创新和高需求不确定性的环境中。文章介绍了在复杂和不断变化的市场环境中，需求预测面临的挑战以及传统方法的局限性。研究通过将专家的软信息与机器学习模型的历史数据结合，展示了综合预测方法在提高需求预测准确性方面的优势。文章还介绍了研究过程、方法、结果和建议。
文章介绍了市场竞争的激烈、产品创新的快速步伐以及需求预测面临的挑战。强调了在新产品缺乏历史数据和季节性产品升级的情况下，预测变得困难。研究旨在探讨专家判断和机器学习预测在需求预测中的互补性。
研究使用了来自德国高端自行车直销品牌Canyon Bicycles的数据，并采用了多种预测模型。通过将专家的判断与机器学习模型结合，评估了专家判断的价值。研究还通过聚类算法处理数据，并按需求曲线分类产品。
整合专家判断和机器学习预测的方法显著提高了需求预测的准确性。与仅使用专家预测或仅使用基于统计特征的机器学习模型相比，综合使用这两种方法减少了预测误差。
研究证明了在快速创新和高需求不确定性的环境中，专家判断具有重要价值。机器学习模型能够利用历史数据，与专家预测相结合，形成最优的预测组合。研究建议企业在进行需求预测时，应结合这两种方法。
本期推荐一篇2024年3月发表在POM上的论文《可预测的不可预测性？专家判断和机器学习预测如何互补》。随着市场竞争的日益激烈和产品创新速度的加快，企业面临的需求预测挑战变得愈加复杂。传统的需求预测方法通常依赖于历史数据，但在快速创新的环境中，新产品往往缺乏历史数据，这使得预测变得尤其困难。特别是对于季节性产品，企业每个季节都要对产品组合进行升级，导致需求预测更加不可预测。此外，频繁的库存不足会使得过去的销售数据偏离实际需求，从而为未来的预测提供了不可靠的依据。
该研究旨在探讨专家判断和机器学习预测在需求预测中的互补性。研究通过将专家的软信息（例如市场活动、政府法规变化等）与机器学习模型的历史数据相结合，展示了综合预测方法在快速创新的季节性产品中的优势。研究的核心问题在于，专家的判断在大数据分析和先进机器学习工具日益普及的今天是否仍然有价值，以及整合这两种方法是否能显著提高需求预测的准确性。
论文首先收集了来自德国高端自行车直销品牌Canyon Bicycles的数据，时间范围覆盖2017年至2020年。这些数据包括销售、促销和公司预测等运营数据，以及来自Google Analytics的在线数据和Google趋势数据。研究采用了多种预测模型，包括普通最小二乘回归（OLS）、惩罚回归（Lasso和Ridge）、随机森林和极端梯度提升（Extreme Gradient Boosting）等。为了处理数据，研究通过使用聚类算法将产品按需求曲线进行分类，并基于过去季节的需求曲线预测当前季节的总需求。此外，研究还通过将专家预测的平均值作为最终的需求预测，并将其作为机器学习模型的输入，从而评估专家判断的价值。
研究结果表明，整合专家判断和机器学习预测的方法显著提高了需求预测的准确性。具体来说，使用仅基于统计特征的机器学习模型相比纯粹的专家预测减少了24%的预测误差，而综合使用专家预测和机器学习预测则进一步减少了14%的预测误差。这一发现证明了在快速创新和高需求不确定性的环境中，专家判断依然具有重要价值。同时，机器学习模型能够有效利用历史数据，提供克服专家预测偏差的预测，从而形成了一种最优的预测组合。最终，研究建议企业在进行需求预测时，应结合专家判断和先进的机器学习模型，以实现更高的预测精度和更可靠的决策支持。
Predictably Unpredictable? How Judgmental and Machine Learning Forecasts Complement Each Other
Devadrita Nair and Arnd Huchzermeier
