discipline/01-vision.md
01 · 愿景与问题定义
一句话愿景
把「需求」从零散的经验直觉，建构成一个可测量、可预测、可检验、可教学的学科分支： 需求统计与预测（DSF）。
问题定义（正式）
- 需求对象 o：被需求的实体（商品、服务、数字资源、能力、agent 服务…），必须显式声明边界。
- 需求范围 m：市场/人群/地域/时间粒度（scope）；预测结论必须声明范围。
- 潜在需求 D(o,m,t) ∈ ℝ⁺：时刻 t、范围 m 内对象 o 的潜在需求量。 若价格显著影响，则 D(p,t) 为需求函数；默认在给定价格与供给约束下讨论。
- 观测需求 Ô(o,m,t)：经观测通道得到的量（销量、点击、调用、申请…），是 D 的代理。
- 预测目标：对 D 或其代理在 t+h 给出分布预测 F̂_{t+h}（点预测是分布的特例）。
- 核心矛盾：D 潜在不可见、观测有偏（截断）、生成机制会变 —— DSF 就是围绕这个矛盾建立测量、建模与评估的方法体系。
学科的三个支柱
- 需求测量与统计（Demand Statistics）：构念定义、代理选择、偏差校正、截断处理、 需求分布刻画（均值/分位/尾部）、异质性与层次结构。
- 需求预测（Demand Forecasting）：从信号与机制到预测分布的全流程方法学。
- 预测决策价值（Forecast-to-Decision）：把预测质量转化为决策价值 （库存、产能、定价、服务水平），用经济价值评估预测。
学科边界（与相邻学科的分工）
- 不替代统计学/计量：不发展一般估计理论，而是为「需求」这一特定潜在量提供跨方法的整合框架。
- 不替代运营管理：研究预测如何进入决策，但不重建库存/产能优化理论（引用成熟结果）。
- 不替代机器学习：把 ML/基础模型当作方法库成员，用评估标准裁决方法优劣，不追逐模型复杂度。
- 不替代市场研究：聚焦可量化、可预测的需求量；质性洞察是信号源之一。
成功标准（可检验）
| 层级 | 标准 |
|---|---|
| 测量 | 每个代理都登记偏差方向与适用边界；存在代理效度验证协议与 ≥1 个完成案例 |
| 预测 | 在 ≥2 个真实数据集上，组合方法的样本外分布评分（CRPS/pinball）显著优于单一方法与朴素基线 |
| 证据 | ≥10 个假设进入注册表，其中 ≥5 个被正式检验（支持或证伪） |
| 教学 | 术语表、方法选择决策树、案例库成型；新人可按文档独立复现任一案例 |
| 治理 | 每轮迭代有轮次记录；backlog 状态可查；文献引用规范可查 |
非目标（明确不做）
- 不承诺「预测未来」的普遍能力：可预测性边界本身是研究对象（见 02-foundations.md §6）。
- 不做黑箱方法竞赛：不追逐单点 SOTA，除非通过评估协议并带来可解释改进。
- 不包揽所有预测问题：只处理「需求」这一潜在量的测量与预测。
- 不写学术论文式宏篇：以可运行的框架、案例与协议为准。
构建学科所用的成熟方法论（元方法论）
DSF 自身按以下成熟方法论构建，全部写入迭代协议（07-iteration.md）：
- 循证实践（Evidence-based Practice）：框架中的每个主张都标注证据等级（见 06-evidence.md）， 继承自 Armstrong《Principles of Forecasting》的循证传统。
- 可证伪性（Falsifiability）：公理显式区分为「定义性约定」与「经验命题」； 经验命题必须给出判否条件（见 02-foundations.md §1）。
- 测量效度程序（Measurement Validity Program）：构念 → 操作化 → 收敛/判别效度 → 代理登记，继承自心理测量学传统。
- 设计科学（Design Science）：产物 = 文档 + 工具 + 案例 + 协议，强调可复现与可用性。
- 版本化知识管理：一切知识变更走「提案 → 轮次记录 → 版本号」流程， 继承并升级现有项目的 harness 纪律。
- 迭代式开发：小轮次、可逆决策、每轮有质量门，借用敏捷/迭代开发的方法论。