00:00 / 03:05
连播
清屏
智能
倍速
点赞409
00:00 / 01:37
连播
清屏
智能
倍速
点赞604
先看一组数据。大疆在招的高级交付计划岗,月薪3.5万到5万,一年15薪。韶音的需求计划工程师,月薪2万到2.5万,14薪。还有一家跨境电商公司在招算法岗做需求预测方向,月薪1.5万到3万。S&OP负责人,月薪2.5万到3.5万。这些岗位的共同点是什么?都是做需求预测和预测模型优化的。 2026年的春招市场也印证了这个趋势。AI人才岗位量同比增长了12倍,平均月薪超过6万元。虽然这些高薪岗位主要是大模型算法方向,但需求预测这个细分领域,薪资同样在快速上涨。为什么?因为企业越来越意识到,预测不准的代价太大了。 做PMC的朋友都知道,预测不准会引发什么。库存积压,资金压着出不来;或者反过来,缺货,产线停线,客户投诉。这就是所谓的蝴蝶效应——预测上偏差一点点,到了执行环节就被放大成一个大问题。所以现在企业愿意花高薪找人,不是为了多一个做报表的人,而是为了找到能用数据和方法把预测做准的人。 那具体怎么做?我给大家介绍两种基础但很实用的预测方法。 第一种,移动平均法。逻辑很简单:把最近几期的数据取个平均值,用来预测下一期。比如过去三个月销量分别是100、120、110,平均值110,那下个月就按110备货。这个方法的好处是简单、好算、上手快。但它有个明显的弱点——应对不了大的波动。如果你的市场在快速增长或者突然下滑,移动平均法会反应滞后,因为你用的是过去的数据去预测未来,趋势变了它跟不上。 第二种,指数平滑法。它跟移动平均法的核心区别在于——它给最近的数据更高的权重。为什么?因为近期的数据更能反映当前的市场状况。指数平滑法还会根据预测误差自动调整权重,上次预测偏高了,这次就适当降一降。它的好处是比移动平均更灵敏,能更快捕捉趋势变化。 这两种方法是最基础的入门工具,适用于波动不大的常规产品。 那如果产品类型多、波动大怎么办?这就需要进阶的方法了。现在企业里常用的,有时间序列分析、回归分析、机器学习模型,比如梯度提升树、随机森林。大型电商平台甚至会用深度学习来做多场景、多周期的分层预测。但我不建议大家一上来就追求这些高深的算法。用对基础方法,往往比用错高级方法更有价值。 不过我要提醒一句,模型再好,也不能替代业务判断。真正有效的需求预测,一定不是“算法说了算”,而是“人机结合”。算法跑出来的结果,还得经过业务判断 #创作者中心 #创作灵感 #供应链管理 #需求
00:00 / 05:11
连播
清屏
智能
倍速
点赞12
00:00 / 01:04
连播
清屏
智能
倍速
点赞21