预测模型：简单往往比复杂的好

半个世纪以来，复杂的预测模型越来越多。这些复杂的模型难以理解、难以沟通，各种假设条件更难以满足，在提高预测准确度上的投资回报有限，甚至显著增加了误差。没有一项比较研究表明，复杂模型的准确度会更高。那为什么还会有那么多人趋之若鹜呢？

复杂模型之所以"热门"，有些常见的原因。

在学术界，顶级学刊偏好复杂模型，为了发表文章，学者们也就投其所好，研究复杂模型。而复杂模型呢，除了呈现虚幻的"数学之美"，供象牙塔里的那些人自娱自乐外，在业界往往作用有限。就如一位从学校到学校，没有工业界经历的一位博士说的，她一直以为业界是在云上飘，缺的是最顶尖、最复杂的模型；直到有一天她发现，我们这帮干活儿的人其实是在地上爬，在Excel中讨生活，连最基本的预测模型也往往不会用。

在工业界，人们求新求异的心态，也助长了复杂模型的泛滥。对弄不懂的预测模型，人们总是先天性地充满敬畏。楚王好细腰，宫中多饿死。那"专家"顾问们就投其所好，开发和高价出售这些模型。对于需求方来说，花了很多钱，找了最"专业"的机构，开发了复杂的模型和软件，如果还解决不了问题的话，那就只能怪你命苦了。这就如美国的一句谚语，没有人因为用了IBM而被开掉----IBM的东西贵，但也好，如果连IBM也解决不了问题，那只能怪这问题难了。

预测模型复杂化的趋势，跟科学信仰是背道而驰的：科学应该追求简单。体现在预测模型上，就是（1）方法简单，容易理解；（2）模型里的各种关系简单，容易理解；（3）模型、预测和决策之间的关系简单，容易理解。这些都增加了模型的可解释性，以便更容易地接受和推广。

在我看来，这也正是人工智能面临的挑战之一：有好几个公司给我展示，如何用人工智能来解决需求预测问题，但没有一个人能够解释清楚，人工智能究竟是怎么运作的，为啥能更好地预测需求。我在计划领域多少也算个20多年的老兵，他们更是人工智能上的专家，我们在一起都没法搞清楚是怎么回事，一般的计划人员怎么能搞清楚呢？不理解就不信任，不信任就不会去用。

真正的计划高手，高就高在用最基本的模型，比如移动平均和指数平滑法，解决实践中的大多数问题。这就如真正的武林高手不会花拳绣腿，而是用最简单、最直观的招数克敌制胜一个道理。所以，如果有些人一张口，就搬出一些你没听过的复杂方法，他八成是在以主题博大，以掩饰在基本方法论上的贫瘠。

所以，如果有人一上来就给你来一通傅里叶变换，大数据和人工智能，你应该特别警惕才对：我不是说这些不重要或者不好；我是说大多问题都可以用简单的模型来应对。要知道，大多时候，我们得的都是感冒什么的，阿司匹林就能很好应对，尽量不要一上来就上青霉素这样的猛药----复杂的模型往往不如简单的，你不懂的模型往往不如你懂的好。