1. 课程导论：间歇需求预测的痛点与因果特征的价值
1.1 间歇需求预测的核心困境
在供应链管理中，间歇需求（Intermittent Demand）是指需求在大部分时间点为零，仅在少数时间点出现非零值的需求模式。这类需求广泛存在于备件、高价值设备、奢侈品及医药行业。传统时间序列方法（如 Croston 法、SBA、TSB）在处理此类数据时面临三大结构性痛点：
| 痛点 | 表现 | 业务后果 |
|---|---|---|
| 零膨胀与稀疏性 | 需求序列中 70%-95% 的时间点为零，有效信号极度稀疏 | 模型无法学习稳定的需求模式，预测方差极大 |
| 需求非平稳性 | 需求到达间隔和需求量级随时间剧烈变化 | 历史均值法失效，库存策略频繁调整 |
| 因果信息缺失 | 仅依赖历史需求序列，忽略外部驱动因素 | 预测滞后于业务变化，无法捕捉结构性突变 |
关键洞察： 间歇需求预测的瓶颈不在于算法复杂度，而在于特征空间的信息密度。传统方法将预测问题简化为“序列外推”，忽略了需求产生的因果机制。
1.2 因果特征的定义与价值定位
因果特征（Causal Features）是指那些与需求生成过程存在结构性因果关系的变量，而非仅与需求存在统计相关性。在间歇需求场景中，因果特征的价值体现在三个层面：
- 去偏性： 消除因混杂变量（如促销活动、设备维护周期）导致的估计偏差。
- 可迁移性： 因果结构在不同产品、不同市场间具有更强的泛化能力。
- 可解释性： 业务团队能够理解“为什么预测会上升/下降”，从而建立信任。
以下对比表展示了传统特征与因果特征在间歇需求预测中的本质差异：
| 维度 | 传统特征（统计相关） | 因果特征（结构因果） |
|---|---|---|
| 特征来源 | 历史需求序列、时间戳、简单统计量 | 业务因果图、干预记录、外生事件 |
| 对零值的处理 | 视为缺失值或平滑处理 | 区分“真实零需求”与“结构性零需求” |
| 对干预的响应 | 滞后多期才能反映变化 | 通过因果结构提前预判影响 |
| 跨域泛化 | 需要重新训练 | 因果机制可迁移至相似场景 |
1.3 间歇需求预测的因果图框架
为了直观展示因果特征在间歇需求预测中的角色，我们构建一个简化的因果有向无环图（DAG）。该图描述了备件需求生成的核心因果结构：
实践要点： 在构建间歇需求预测模型时，优先收集与因果图中父节点对应的特征（如设备运行小时数、维护工单数量、安全库存水位），而非仅堆叠历史需求序列的滞后项。这能显著提升模型在零需求区间的预测精度。
1.4 因果特征工程落地的挑战与应对
将因果特征从理论框架落地到工程系统，需要克服以下四个关键挑战：
| 挑战 | 描述 | 应对策略 |
|---|---|---|
| 因果图构建 | 业务专家知识难以形式化为可计算的图结构 | 采用结构化访谈 + 因果发现算法（如 PC 算法、FCI）混合建模 |
| 特征延迟性 | 部分因果特征（如设备故障信号）在预测时点尚未观测 | 构建特征的时间对齐窗口，使用滞后特征或预测特征 |
| 数据稀疏性 | 因果特征在零需求区间同样稀疏，难以估计效应 | 采用分层贝叶斯模型或元学习进行跨产品信息共享 |
| 在线推理效率 | 因果结构推断在毫秒级预测场景下计算开销大 | 将因果图离线编译为特征变换流水线，在线仅做查表与简单计算 |
1.5 课程路线图：从因果提取到工程落地
本课程将按照以下逻辑链条展开，帮助学员系统掌握因果特征在间歇需求预测中的全流程技术：
前置要求： 本课程假设学员具备基础的供应链预测知识（如 Croston 法、SBA）和 Python 编程能力。因果推断部分将从基础概念讲起，但建议提前了解 DAG 和 do-演算的基本思想。