需求预测（demand forecast）
我们在构建模型时，主要分三步：
- 查看input data
- 构建metrics
- 选取模型
在这里模型的选取应放在最后一步，第一步通过查看input data，结合业务场景，洞悉影响业务的核心特征；
第二步针对input data，我们需要根据需求确定合适的metrics，比如针对需求预测准确度的accuracy指标我们有MAPE, APE, AE, RMSE, MAE等，也可能涉及到时间序列里通过rolling weeks来构建metrics指标，这是因为在某些指标里时不允许非0的情况存在，而我们的预测可能会涉及到预测值为0，基于此，我们应该考虑时选取其他metrics还是对预测的结果作处理；
最后一步才是通过选取的metrics及input data，来结合业务选取合适的模型
在很多预测里，可将预测的历史趋势分为内生性和外生性。
内生性指系统内部很大程度上受到内部因素的影响，而对外来影响的敏感性不是很强，通常这些内生性系统内部元素往往是随机的，各个元素间彼此独立且相互影响较小，比如大型物流企业里的运单系统通常受到外来事件（双11）的影响相比常规业务的影响就比较小，此时对于大型物流企业的预测就需要重点关注其常规业务的影响因素。
而外生性指的是系统对于外来事件的影响程度非常高，比如很多国际化妆品企业由于单品的价格很高，从而导致其日常销量不是很高，很多销量往往会在每年的大促和小促的活动当中爆发进行集中销售，故对于这类企业系统就是属于外生性系统。
在预测模型中，往往分为三种类型，一种是时序模型，一种是机器学习模型，还有一种是深度学习模型。
时序模型包含Prophet model, state-space model等；
机器学习模型包含lightGBM, XGBoost, Random Forest等
深度学习模型包含RNN, LSTM，神经网络等。
对于实际预测中，我们很多时候并不需要用深度学习去解决实际问题，但是需要注意的是针对内生性系统，即有很强周期性特征，且受到外来因素影响较小的系统场景，我们往往选用时序模型；而对于外生性系统，即系统很大程度上受到外来因素影响，如618和双11大促活动对国际化妆品企业销量预测的影响，我们往往选用机器学习模型来对其作销量预测。
