那篇10大预测技术的文章，少写了最重要的一项
alitrack约 5 分钟上周 Medium 上刷到一篇讲预测技术的文章，标题很大——「10 Forecasting Techniques Used in Finance, Retail, and Manufacturing KPIs」。贝叶斯、蒙特卡洛、Ensemble、场景规划……十个技术列得整整齐齐，每个还配了 Python 代码。
写法很标准。但看完我有两个直觉不对的地方：区块链预测怎么也在里面？而且，一个时间序列基础模型都没提？
于是我花了一天交叉验证。结论是：原文覆盖了预测技术图谱的 70%，但漏了一个关键方向。有一项技术被严重高估（零工业采纳），而真正改变游戏规则的东西，一个字都没提。
● ● ●
原文对的：Ensemble 是唯一正确答案
先说原文做得好的地方。它把贝叶斯、蒙特卡洛、Ensemble、场景规划、上下协调（Top-Down & Bottom-Up Reconciliation）这五项标注为成熟技术，这个判断是对的。
特别是 Ensemble。如果只记住一件事，就记住这个：组合 3-5 个异构模型，系统性优于任何单一模型。
这不是观点，是 M 系列预测竞赛四十年的数据。
M 竞赛从 1982 年办到 2020 年，五届下来，结论高度一致：简单方法不输复杂方法，Ensemble 永远胜出。M4（2018）的冠军是混合 ARIMA + ML 的 Ensemble，误差比单模型低 10-30%。M5（2020）继续确认这件事——ML 没有带来革命性突破，统计方法加 Ensemble 还是王者。
实操建议：不要追求「最好的单一模型」。ARIMA + XGBoost + Prophet + 一个简单的指数平滑，简单平均即可。在绝大多数业务场景里，这就够了。
● ● ●
原文对的但没讲透的：因果影响分析有真案例
原文说 Google 的 CausalImpact 是「秘密武器」，这个评价不夸张——但没给产业证据。
我找到了一个 2025 年的真实案例。家乐福用因果影响分析量化「销售转移效应」：当某个产品被下架时，原本买它的人有多少转向了替代品？他们用合成控制法（Synthetic Control），拿不受影响的对比门店构建反事实基准，算出了准确的销售转移量。
这才是因果推断在商业预测中的正确用法：不是去猜未来，而是量化某个干预的真实效果。营销活动的 ROI、定价变化的收入影响、产品下架的成本——这些不是靠相关性就能回答的问题。
但限制也很明确：需要干净的对照组。如果同时发生了多个外部冲击（同行促销 + 天气异常 + 供应链中断），因果影响分析就失效了。
● ● ●
原文漏掉的：时间序列基础模型，2024-2025 最不该错过的事
这是全文最大的盲区。
从 2023 年底到 2025 年，一系列预训练时间序列模型密集发布：
| 模型 | 机构 | 发布时间 | 一句话 |
|---|---|---|---|
| TimeGPT-1 | Nixtla | 2023.10 | 首个商业时间序列基础模型 |
| Lag-Llama | Morgan Stanley | 2024.02 | 开源，滞后特征建模 |
| Chronos | Amazon | 2024.05 | 把时间序列 token 化 |
| Moirai | Salesforce | 2024.06 | 统一多频率多变量 |
| TimesFM | 2024.08 | 高效解码器架构 | |
| TTM | IBM | 2024.10 | <1M 参数，能跑在边缘设备 |
这些模型的共同点是：zero-shot 预测。不需要为每个 SKU 训练一个模型，不需要调参，不需要充足的历史数据。给一段序列，直接出预测。
这对零售和制造业意味着什么？一个典型的商超可能有 10 万种 SKU，其中 80% 是长尾产品——每个 SKU 的销售数据稀疏、噪声大，传统方法根本没法单独建模。基础模型的 zero-shot 能力是这类场景的唯一可行方案。
2025 年，Impermanent Benchmark 建立了一个新的评估标准：不再用静态 train/test split（基础模型可能不小心训练到测试数据），而是持续评估模型在新数据流上的表现。这解决了一个致命问题——你怎么知道一个预训练模型是不是偷偷见过你的测试集？
预测工程师现在需要关注的不只是 ARIMA vs XGBoost 了。基础模型是全新的范式，而且进化速度很快。
● ● ●
原文高估的：区块链预测，零工业采纳
原文把区块链预测列为第十项，标题是「The Future」。
调研结果简单粗暴：没有未来。至少 2026 年没有。
学术上的确有论文在讨论 AI 预测 + 区块链智能合约减少库存浪费的框架。但全是概念验证，零产业案例。
为什么短期不可能？
- 01吞吐量不够。一条供应链每秒可能产生数十万条 IoT 事件，区块链处理不了。
- 02智能合约处理不了不确定性。预测模型需要持续更新（贝叶斯更新、模型重训练），这些发生在链下，智能合约只是一个「执行结果」的触发器——那为什么不用一个普通的 API？
- 03供应商不愿共享数据。你要让一家工厂把实时需求数据写到链上让竞争对手也能看到？信任问题不是区块链能解决的。
如果你正在考虑在这个方向上投入工程资源：别。IoT + 集中式数据湖 + 传统预测模型已经足够。
● ● ●
还有一个被遗漏的重要方向：层级预测
层级预测（Hierarchical Forecasting）在供应链管理中的重要性远超区块链，但原文同样没写。
问题很简单：产品级预测、品类级预测、公司级预测，怎么让它们自洽？产品级预测加总后，应该等于品类级；品类级加总后，应该等于公司级。但三个层级独立建模时，几乎一定对不上。
这个问题的工具生态已经成熟：Rob Hyndman 的 fable 包（R）、Nixtla 的 HierarchicalForecast（Python）。如果做供应链预测，这是必学方向。
● ● ●
一张表总结：10 个技术的真实成熟度
| # | 技术 | 成熟度 | 产业采纳 | 值得投入？ |
|---|---|---|---|---|
| 1 | 贝叶斯预测 | 🟢 成熟 | 金融、制药 | ✅ 是，但计算成本高 |
| 2 | 蒙特卡洛模拟 | 🟢 成熟 | 银行强制要求 | ✅ 必选项 |
| 3 | 因果影响分析 | 🟡 有条件 | 科技、零售 | ✅ 营销 ROI 场景强烈推荐 |
| 4 | Ensemble 预测 | 🟢 成熟 | 所有行业 | ✅ 默认该用 |
| 5 | 场景规划 | 🟢 成熟 | 金融、能源 | ✅ 高 stakes 决策必用 |
| 6 | 上下协调 | 🟢 成熟 | 大企业 | ✅ Anaplan/SAP 已内建 |
| 7 | Lead Scoring | 🟡 有条件 | B2B SaaS | ✅ ML 方法比规则高 75% |
| 8 | Nowcasting | 🟡 有条件 | 少数公司 | ⚠️ 激励博弈是真实问题 |
| 9 | Exomodeling | 🟡 有条件 | 零售、快消 | ✅ 可提升 10-20% 准确率 |
| 10 | 区块链预测 | 🔴 实验 | 无 | ❌ 别碰 |
● ● ●
如果你只能带走一件事
贝叶斯 + Ensemble = 最稳健的工业预测基线。
贝叶斯给你不确定性的量化（不只是「下个月卖 1000 件」，而是「下个月卖 800-1200 件的概率是 95%」）。Ensemble 给你多个模型的误差抵消。两者加在一起，就是 M 竞赛四十年验证过的最优解。
然后，如果你有外部数据源（Google Trends、天气、经济指标），加一层 Exomodeling——已验证可以再提升 10-20% 的准确率。
如果你想探索前沿：关注时间序列基础模型。TimesFM（Google）和 Chronos（Amazon）都有开源版本，可以在自己的数据上试试 zero-shot 效果。这不是未来，这已经是现在——只是那篇文章没写进去而已。