← Build 实验室
BUILD测试中
Demand Planning · IBP
需求预测：传统方法 vs AI vs Hybrid
用同一段历史需求和同一条业务语境，对比统计预测、AI 直接预测与“统计基线 + AI 有界调整”。
要回答的问题经典统计预测已经能稳定处理历史模式时，AI 的增量价值究竟来自“重新预测”，还是来自理解历史数字之外的业务语境？
可运行演示AI 增强现有工作Hybrid · AI + 确定性逻辑人工复核
工业语境与系统边界
系统语境 · Demand Planning · IBP
AI 与规则、Solver 或代码协作
集成边界：模拟历史数据与简化统计预测；未连接需求计划平台或 IBP。
DEMAND FORECAST · METHOD COMPARISON
不是“AI 预测一定更好”，而是验证 AI 应该放在预测流程的哪一层。
同一历史、同一业务语境、同一 Actual 和 MAPE，直接比较 Traditional / AI Only / Hybrid。
01 · 历史需求
历史需求稳定，真正的新变量来自历史之外。
5 月底预测未来 6-8 月；Actual 在运行前隐藏。
1 月880
2 月910
3 月900
4 月930
5 月950
6 月?
7 月?
8 月?
证据深度
验证这个结论。
限制必须保持可见；实现细节可以深入查看，但不能阻塞 Demo 主流程。验证 2026-10-21 · 构建 6e89290 · 未测 2 项 / 阻塞 3 项展开全量记录
- 未测8 条路由 × 3 视口（1440×900 / 720×900 / 390×844）的横向溢出、Tab 焦点 outline、#evidence 深链、正文对比度抽样（仅记录数值，阈值未定）
- 未测对比度阈值判定：首轮只记录实测数值，WCAG 阈值待真实分布确认
- 阻塞读屏（screen reader）
原因：当前无读屏执行环境
- 阻塞原生 200% 浏览器缩放
原因：headless 视口不能替代原生缩放，需人工验证
- 阻塞视觉构图接受
原因：需人眼评审；当前会话无视觉模型能力
- 所有需求、业务语境与实际值均为模拟数据，不代表真实企业预测准确率。
- 统计方法刻意保持简单，用于验证方法边界，而不是代表完整企业 Forecasting Stack。
- AI 输出不会被包装成更准确的事实；三种方法都必须接受同一评价口径。
- Hybrid 对 AI 调整设置硬上限，避免模型绕过预测基线与业务护栏。
实现方式
一个历史回放式需求预测实验。三条路径使用相同历史数据、相同业务语境和相同评价指标；未来实际值在运行前隐藏，运行后统一用 MAPE 与方向性偏差比较。使用模拟 SKU 月度需求做历史回放。Traditional 使用最近三期移动平均并叠加固定季节系数；AI Only 直接读取历史与业务语境输出三期预测；Hybrid 让 AI 只输出每期受限调整比例，再由确定性代码作用于统计基线。AI Runtime 不可用时会明确切换到非 AI 回退路径。
可复用模式
可复用于任何“稳定统计/算法基线 + 非结构化业务上下文”的预测类问题，例如订单、备件、产能与运输需求。
证据与来源
- Demo三路预测交互 Demo
同一历史回放、同一业务语境、同一隐藏实际值与同一 MAPE 口径。
- 架构预测决策边界
统计方法计算基线；AI 读取非结构化业务语境；Hybrid 只允许 AI 在受限区间调整统计基线。
- 源码