用途：当需要预测需求、构建预测模型或提升预测精度时使用。可用于库存、生产与供应链决策，也适用于提到需求计划、销售预测等场景。
主要能力：
- 初始评估：确认需要预测的产品/SKU、依赖预测的决策、计划周期、现有精度（MAPE、偏差）、历史数据长度与粒度、外部因素、需求模式、新品与成熟品、促销与基线需求、提前期与补货周期、现有工具与覆盖流程。
- 需求模式：稳定、趋势、季节、间歇/块状、促销五类，并对应方法。
- 方法：移动平均（SMA/WMA）、指数平滑（SES）、Holt线性趋势、Holt-Winters（加性或乘性季节）、ARIMA与auto_arima、线性回归与多变量回归、随机森林、XGBoost/LightGBM、LSTM、Prophet；间歇需求可用Croston、TSB、bootstrapping。
- 精度指标：MAD、MAPE、RMSE、Bias、Tracking Signal；并按A/B/C类与新品、促销给出目标区间参考。
- 分段：ABC（价值）、XYZ（波动性）及ABC-XYZ组合矩阵。
- 流程：数据清洗（去离群、缺失、分离促销期、处理缺货截断）、特征工程（滞后、滚动统计、日历、促销、价格）、模型选择决策树、基线预测与区间、业务情报补充、协同评审与覆盖、共识预测、绩效跟踪。
- 进阶：分层预测（自顶向下、自底向上、中间向外、MinT对账）、预测增加值FVA、需求感知。
- 工具：statsmodels、pmdarima、prophet、sktime、scikit-learn、xgboost、lightgbm、tensorflow、pytorch、pandas、numpy、matplotlib/seaborn/plotly；商业软件如SAP IBP、Oracle Demantra、Blue Yonder、Kinaxis RapidResponse、Anaplan、o9；Excel插件如Forecast Pro、SAS Forecast Server、Lokad。
用法：先评估业务与数据，再按决策树选方法；资料给出各方法的Python代码示例（如statsmodels的SimpleExpSmoothing、Holt、ExponentialSmoothing、ARIMA，sklearn的LinearRegression、RandomForestRegressor，xgboost的XGBRegressor，keras的LSTM，prophet的Prophet，以及Croston、MAPE等函数），可据此实施；随后生成点预测与区间，补充促销与市场信息，经协同评审后形成共识预测，并持续跟踪精度与偏差。
适用场景：快消、零售、备件、促销活动、新品上市、分层SKU-地点预测等。
限制：资料未提供具体价格、收费、平台或效果保证；数据质量、覆盖偏差与间歇需求是常见挑战，资料给出应对方向但未给出统一保证；实际精度受数据长度与业务因素影响。目标MAPE区间为资料参考，并非承诺。