Databricks发布MMF Agent加速零售需求预测
Databricks MMF Agent使需求预测团队无需深厚数据科学背景即可使用多模型预测，大幅降低门槛并提升效率。
现代零售需求预测因海量时间序列和SKU激增过于复杂，传统工具难以应对。Databricks推出MMF Agent，一款基于Genie Code的引导式AI工作流，让非数据科学专家的需求规划团队也能使用多模型预测框架，将数天设置压缩至数小时，并提升预测精度。
正文摘录
现代零售速度下的预测 为需求计划团队推出 MMF Agent 作者：Ryuta Yoshimatsu，Puneet Jain，Lourdes Angélica Martinez Medina，Lucas Bruand，Dael Williamson - 企业级需求预测对传统工具而言已变得过于复杂——百万级时间序列、SKU（库存单位）激增、紧凑的计划周期，这些都超出了既有技术和可用人才的承载能力。 - MMF Agent 是一个基于 Genie Code 构建的引导式 AI 工作流，它使 Databricks 的多模型预测框架变得可用，无需深厚的数据科学专业知识。 - 使用 MMF Agent 的团队将原本需要数天的设置压缩到数小时，生成更干净的训练数据，并实现了以往只有拥有专业预测人才的组织才能达到的多模型精度提升。 需求预测始终处于零售和消费品（CPG）计划的核心。它影响库存决策、指导生产排程、推动贸易促销投资，并为后续每一次销售与运营规划（S&OP）讨论设定条件。一旦预测出错，成本便迅速累积，导致缺货、库存过剩、利润侵蚀，以及波及供应链和商业团队的下游混乱。 近年来发生变化的并非预测的重要性，而是实现的难度。 十年前，一个处理几千个 SKU 和少数几个渠道的需求计划员，靠统计模型、电子表格和来之不易的机构知识就能管理预测质量。如今，对大多数零售和 CPG 组织来说，那个世界已不复存在。SKU 激增、电商渠道爆炸式增长、区域碎片化以及短生命周期促销 SKU 的兴起，共同创造了大多数传统工具从未设计应对的预测环境。 过去一个计划员管理几百条时间序列，如今的企业预测问题动辄涉及几十万条，有时甚至更多。每条时间序列（按时间顺序排列的数据点序列）拥有自己的季节性模式、信噪比特征，以及对促销、天气和宏观经济等外部变量的敏感性。