这并不奇怪。需求计划是供应链计划（SCP）套件中的关键应用之一。在ARC最近对这个市场进行的全球市场调查中，需求应用程序在20亿美元以上的市场中仅占不到三分之一。SCP解决方案由一家公司首先实施，然后继续购买套件中的其他解决方案。
机器学习是通过应用程序的输出（例如预测）进行测试，根据对事实的度量来检查输出，然后调整生成输出（预测）所涉及的参数或数学，并查看调整是否导致更精确的输出。可以说，这些都是机器学习从经验中学习的。
人工智能（AI）的定义更为广泛。任何能够感知其环境并采取行动最大化其成功机会的设备都是从事某种形式的人工智能。人工智能包括可以读取和解释书面语言或自然语言处理应用程序的专家系统，如iPhone的Siri。
在任何需求管理解决方案实施之前，需要清理主数据。清洁和规范化数据的过程花费的时间更长，成本更高，并且需要比几乎所有公司预期有更持续的努力。人工智能正被用来帮助规范化数据。因此，需求规划应用程序可用于预测有多少产品将运送给大客户。在数据库中，宝洁，Porter＆Gambel（sp。），宝洁公司等都是指同一个客户。但数字应用需要精确，所有这些名字都必须拼写和标点相同。对于一个人来说，这是一件容易的事，但却是一件耗费时间的事。如果使用了人工智能，任务可以大大加快。 LLamasoft就是一种以这种方式使用人工智能的解决方案供应商。
Adexa首席执行官赛勒斯·哈达维（Cyrus Hadavi）表示，数据可以用另一种方式清理。预测通常涉及销售人员的投入。“我们正在做的是数据测试，查看过去的数据和寻找模式，从而分析出哪些销售人员比较乐观，哪些比较悲观。”
近20年来，JDA和Logility一直在使用机器学习帮助在需求计划应用中对库存单位（SKU）进行分类。使用不同的算法来预测不同类型的产品或组。通过对SKU进行适当分类，可以获得更好的预测结果。这在供应链规划供应商中已经很普遍。
随着时间的推移，更多的数据输入被引入到需求计划过程中，许多公司对更多的规划视野（日常，每周，每月等）进行更多的预测，并运送到各个地点。 E2open开始使用这种技术不是为了对SKU进行分类，而是为了找到能够提高每艘船的位置和规划时间的预测精度的下游数据源。简而言之，E2open在更多的端到端黑匣子类型解决方案中使用机器学习。
其他预测是可能的。 Arkieva公司运营总监Sujit Singh表示，在过去的三年中，客户已经开始要求他们做出销售预测。销售副总裁认为，“对于那些有销售订单配置模式的关键客户，要研究他们的数据，以便知道下一个订单的时间，使用这个销售预测来询问未来3周将下订单的客户，不下订单的原因。此外，通过对B2B世界的市场分析，销售团队可以为其他产品创造需求。这不仅可以改善需求预测，还可以帮助销售机构关闭业务。
当诸如销售点等下游数据可用时，需求计划解决方案得以改进。但还有很多更多的数据流还没有被挖掘出来。 ToolsGroup和Relex Solutions已经进行了试验，以检验使用社交媒体和天气数据是否会改善预测。
但是许多数据源将不能成为标准解决方案的一部分。例如，一家大型的纸张分销商可能可以通过使用俄罗斯的纸张出口来改善他们的预测，但几乎没有其他公司可以有效地利用这些数据。
LLamasoft引入了Demand Guru的需求建模工具，帮助企业开发更多定制的需求计划解决方案。这个工具允许一个企业更容易清理、混合、然后摄入时间序列数据，然后测试这个数据集是否提高了在某个预测期间或者到达位置的预测。可以将历史第三方数据导入到工具中，然后就可以使用该数据集检查其过去的预测是否可以得到改进。数据可以是GDP数据、人口统计数据、天然气价格、房屋开工以及上述从俄罗斯出口的纸张等。实际上，预报员相信任何时间序列数据系列都可以提高他们的预测精度。
一些供应链规划软件公司正在探索使用自然语言处理来改善用户体验。 Logility的执行副总裁Karin Bursa预见，在不久的将来，需求规划师会开始提出申请，进行规划。但是，要知道，将来不仅需求计划应用程序将使用人工智能，它也将越来越多地用于整个SCP套件。
