知识点
数字化供应链的第一层能力：用多源数据和机器学习（ML, Machine Learning）提升预测和风险预警能力。


概念解读


· 未应用：依赖统计模型/经验判断。
· 初步应用：使用历史数据分析辅助预测。
· 深度应用：多源数据融合（销售、市场、舆情、天气、促销日历），机器学习模型。
· 领先应用：AI实时预测、自学习优化、需求感知（如从社交媒体抓取信号）。


传统预测看历史，智能预测看未来。历史数据只能告诉你“过去发生了什么”，多源数据才能告诉你“未来可能发生什么”。


详细案例
一家啤酒企业。


· 背景：该公司预测销量主要用过去三年的历史数据，MAPE长期在28%左右。
· 问题：每年夏天，啤酒销量波动很大，但历史模型总是预测不准。为什么？因为影响啤酒销量的不仅是历史规律，还有天气、节假日、体育赛事。
· 动作：①接入气象数据——未来7天的温度、降雨概率；②接入赛事数据——欧洲杯、世界杯赛程，以及主队比赛日；③接入促销日历——各渠道的促销计划；④用机器学习（XGBoost模型）替代指数平滑。
· 结果：MAPE从28%降到16%。某次欧洲杯期间，模型提前两周预测到销量将激增40%，供应链提前备货，避免了断货。


应用
请列出你们企业可接入的3种外部数据源。如果你只用了内部历史数据，你只发挥了预测潜力的50%。