机器学习方法在新常态下进行需求预测
零售行业中基于机器学习的需求预测方法利用了历史数据，但是当我们努力应对COVID-19时，这些数据的局限性显而易见。客户需求的当前状态已发生很大变化，并且预测准确性将降低。
我们如何调整以预测新的需求范式？以下是可以提高需求准确性的三种方法。
短期POS数据分析
识别需求模式变化的一种行之有效的技术是分析最新的销售点数据。可以将最近一两个月的数据与促销，销售订单和即将到来的出货量结合起来，以更早地预测客户行为的变化。
自然语言处理分析
NLP（自然语言处理）技术可以分析新闻和社交媒体，以通过数据挖掘和情感分析来识别客户的心态。然后，我们可以通过响应新闻事件的反馈来了解客户最常购买的商品以及他们的偏好和行为方式。
在有足够大的客户反馈样本量的情况下，我们可以使用NLP建模来注意到客户购买决策中的变化，并快速识别出缺货的商品。
信息级联建模
信息级联建模技术使我们可以预测需求旺盛的情况。这些ML建模方法能够解析最新的销售点数据，以阐明畜群行为，并使用级联算法创建预测。
与当前情况相关的一个例子是，在COVID-19大流行的初期，消费者如何购买大量卫生纸以及长效罐头食品。看到其他人购买这些物品，更多的消费者重复了这些购买方式。为了应对这些物品的需求大幅增加，制造商提高了产量，进而提高了销量。反过来，这导致了市场上的过剩，供应超过了需求。
数据科学工程师可以使用级联模型来检测短期内需求的类似波动，从而获得更好，更准确的危机需求预测。
提高需求预测准确性
并非所有产品都可以准确预测。这就是为什么在选择一种主要需求预测方法之前首先确定产品的可预测性至关重要的原因。术语“可预测性”是指可以预测产品需求的程度。判断可预测性的最佳方法是评估所有可用数据。可用数据的一些相关示例是市场营销活动，历史销售和价格数据，历史剩余量或商店和产品目录。
并非所有数据都是平等创建的，尝试实施标准或常规的预测系统可能会导致预测不准确。产品细分是准备数据（包括成长品牌，收获品牌，新产品和小众品牌）的最重要步骤之一。通过专注于顶级价值产品并允许我们利用市场中的可用机会，这种方法可以提高客户价值。
尽管目前尚不清楚时间表，但这种流行病将结束，届时需求将恢复到正常的格局和水平。但是，在此期间收集的数据将具有巨大的价值。将这些数据整合到我们的未来预测模型中，面对类似的危机事件，我们将更准确地预测未来的需求模式。
我们在COVID-19大流行期间收集的这些数据将用作培训数据集，使我们能够在世界面临的下一个类似危机中改善预测。

关注“CDA人工智能学院”，回复“录播”获取更多人工智能精选直播视频！