在Covid-19流感大流行期间预测消费者对商品和服务的需求比以往任何时候都复杂。为了改进预测，管理者必须摒弃偏见，为预测模型寻找新的数据集，挖掘当地市场知识，结合许多不同模型的输出，并不断地测试和改进它们
Covid-19打破了需求预测，这些预测指导消费品和服务的零售商和供应商计算出订购或制造多少、库存在哪里、以及广告或折扣多少。在流感大流行的早期，突然的停工和在家工作造成了许多食品和家庭用品的恐慌性购买。有些商品卖完了，而另一些则在货架上萎靡不振
今天，不确定性在几个方面持续存在。某些产品，如纸巾和蔬菜罐头，仍然供不应求。食品销售商正在囤积几个月而不是几周的主食，以更好地为今冬做好准备，届时可能会有病例再次出现，人们预计会在家里蜷缩起来。反过来，这可能会使人们对假日和季节性购买的预测出现偏差。失业救济金的变化、投资市场的动荡，甚至总统大选前后的社会动荡以及种族问题，都可能进一步刺激需求
我们也看到消费者态度和行为发生了更深层次的变化。消费者通常都在寻找降低风险、减少焦虑和获得归属感的方法。但是，基于年龄、收入和政治取向，人们对疾病和体育活动的态度和行为范围越来越广。了解这些新的模式并在大流行时期重新组合客户可以提高预测，这应该是许多公司的高度优先事项
当预测失败时（就像在冠状病毒期间一样），管理者倾向于回归本能，使这些挑战更加复杂化。这使预测精度进一步降低，因为噪声数据与偏差进一步混淆
这种偏见有许多不同的形式。我们在消费品包装产品公司的需求规划工作中看到的一个常见形式是，通过确保商品的充足供应来取悦零售商，而不管这些商品是否预期会有强劲的销售。现场销售代表不想走进商店听到关于缺货的抱怨，缺货会让今天的销售损失，也会损害客户关系，从而损害明天的市场份额。但是，过度转向另一个方向——通过过度限制库存来对冲风险——代价高昂，既有直接的原因，因为它会影响今天的销售，也会间接地因为它会破坏渠道关系，并在明天失去市场份额
管理者也会陷入“你看到的就是一切”的陷阱，就像他们只关注自己所在地区对流感大流行的反应。例如，一些在美国南部拥有强大业务的公司最初认为，纽约出现的早期大流行趋势不会对它们产生影响
与其放弃建模，不如用不同的方式建模
查找替代数据集
在这些波涛汹涌的海洋中航行的一个更可靠的方法是寻找替代数据集——例如，通过混合使用更简单的模型和更深入地挖掘不明显的、有时是非结构化的“暗物质”数据。这些数据通常存在于应用预测（考虑员工对当地市场事件和其他条件的了解）的人的头脑中，并且可以在这些模型中进行结构化和表示
从数据集开始。许多预测模型依赖于以前的销售数据。在相对稳定的时期，这些数据可能描绘出对下一季的准确评估。但当大流行来袭时，熟悉的过去模式就变得无关紧要了，而类似的事件可能具有更大的预测能力
类似的例子可能包括过去的经济冲击，如网络泡沫破裂；过去的自然灾害，特别是飓风，长期扰乱供应链；或是从案件激增中恢复过来的地区。从类似事件中收集到的数据——例如，不同国家或城市的需求和供应恢复需要多长时间——可以帮助说明在Covid-19期间和之后不久的将来
当然，类似的数据并不能说明全部情况。公司还需要接近实时的数据来跟踪消费者当前的行为和态度。为此，往往缺乏及时、准确的销售点数据的消费包装商品公司将希望说服零售商更容易地分享他们的第一手数据，或者他们可以建立直接面向消费者的渠道。其他地区的数据可能无法很快获得。在这种情况下，利用电子商务渠道的销售、在线搜索模式、智能手机移动数据和社交媒体情绪分析，都可以提供有用的消费者动力信号
一家全球食品公司在Covid-19轰击数月后采取了这一做法，因为Covid-19在餐厅、酒馆和酒店等未被测量的渠道上发现了需求，这是它从未做过的。该公司使用来自移动电话的匿名位置数据，并确定了七个产品类别中的24个预测变量。根据不同的经济刺激方案，在不同的经济刺激方案中模拟疫苗的供应情况。它还建立了一个“恐慌指数”来跟踪来自社交媒体的消费者情绪。到目前为止，该工具的性能比一线销售代表先前的需求预测更准确
利用当地知识
然而，收集的数据应包括当地知识。我们之前合作过的一家烘焙食品公司使用了一种算法，假设在某些国家假日期间需求会上升。但在与现场代表交谈时，我们发现其他活动——即州集市、钓鱼锦标赛和小联盟棒球赛——在某些市场上更为重要。将这些信息整合到公司基于机器学习的模型中，大大提高了预测的准确性。更准确，反过来，减少商店退货，产品浪费，卡车司机的订单时间。自流感大流行以来，该公司通过减少过度订购和缺货，实现了税前收益的提高，超过7500万美元
除了当地的知识，公司还可以寻求专家的判断，包括在大流行的情况下的流行病学家，或者从行业观点的高级顾问和行业协会那里寻求判断。使用德尔菲法，即汇总专家小组的意见，公司可以将专家判断作为构建模型的数据集的一部分，而不仅仅是在事后调整模型的输出
拥抱集成建模
一旦公司拥有了更多相关数据，下一个任务就是改进其建模。在这里，像飓风预报员一样思考是值得的：在不确定的动态条件下，混合许多简单的模型通常比使用一个复杂的模型更好，在这些条件下，复杂模型可能更脆弱
当任何单个模型的基础数据不稳定时，集合建模结合了来自不同模型的预测，以建议一个点估计，或一个合理的范围。飓风预报员将几个模型预测的路径一起绘制在一张图表上，这样用户就可以很好地了解风暴路径的中心趋势
以大流行期间新产品的推出为例。一种模型可能使用简单的销售移动平均数。另一种方法是将同一系列产品的过去销售数据合并起来，以便在不稳定时期发现该产品的模式。然而，另一个模型可能代表了其他类似商店的情况。因为每个单独的模型涵盖了不同的需求特征，如果它们都指向某个方向，人们对这条道路的信心就会上升。如果它们指向不同的方向，那么每个模型的简单性和透明性使我们更容易理解为什么它们都是这样指向的
在大流行初期，一家医疗保健公司很难准确地预测其呼叫中心的呼叫量，结果由于人员过多而导致劳动力成本过高。该公司深入研究了错误的来源，并开发了一组变量，可以更好地预测人们何时以及为什么会打电话。一个变量是早些时候被Covid-19攻击的其他国家发生了什么；另一个变量是预授权