Bis jetzt haben wir uns bei der Vorhersage der Nachfrage auf Statistiken der alten Schule gestützt. Aber mit den
Algorithmen des maschinellen Lernens stehen uns nun neue Werkzeuge zur Verfügung, mit denen wir eine hervorragende Prognosegenauigkeit erreichen können.
 

Bislang haben wir verschiedene Algorithmen entwickelt, die ein vordefiniertes Modell verwenden um eine Prognose auf der Grundlage der historischen Nachfrage zu erstellen. Das Problem war, dass diese Modelle nicht an die historische Nachfrage angepasst werden konnten. Wenn Sie ein doppelt exponentielles Glättungsmodell verwenden um ein saisonales Produkt vorherzusagen, wird es die saisonalen Muster nicht interpretieren können. 

Wenn andererseits ein dreifach exponentielles Glättungsmodell auf eine nicht saisonale Nachfrage angewendet wird, könnte es das Rauschen in der Nachfrage überbewerten und als Saisonalität interpretieren.
Maschinelles Lernen ist anders. Hier lernt der Algorithmus (d. h. die Maschine) Beziehungen aus einem Trainingsdatensatz (d. h. unsere historische Nachfrage) und wendet diese Beziehungen dann auf neue Daten an. Während ein traditionelles statistisches Modell eine vordefinierte Beziehung (ein Modell) anwendet, um die Nachfrage zu prognostizieren, geht ein Algorithmus für maschinelles Lernen nicht von vornherein von einer bestimmten Beziehung (wie Saisonalität oder einem linearen Trend) aus; er
lernt diese Muster direkt aus der historischen Nachfrage.

Damit ein Algorithmus für maschinelles Lernen lernen kann, wie er Vorhersagen treffen kann, müssen wir ihn sowohl mit den Eingaben als auch mit den gewünschten jeweiligen Ausgaben füttern. Er wird dann automatisch die Beziehungen zwischen diesen Eingaben und Ausgaben verstehen.

Ein wesentlicher Unterschied zwischen der Anwendung künstlicher Intelligenz und den zuvor vorgestellten statistischen Verfahren besteht darin, dass Verfahren der künstlichen Intelligenz auf das Ergebnis fokussiert sind. Sie ermöglichen keine Interpretation der Daten durch den Planer.

Die Frage, die wir dem Algorithmus für maschinelles Lernen stellen, um eine Vorhersage zu treffen, lautet:
Wie hoch wird die Nachfrage in der/den nächsten Periode(n) sein, ausgehend von den letzten n Perioden der Nachfrage?