当企业运营离不开服务器时，准确预测服务器需求对于保持业务连续性和优化成本至关重要。服务器需求预测有助于企业提前规划，确保拥有满足未来工作负载需求的正确服务器数量。
服务器需求预测的好处
服务器需求预测提供了以下好处：
- 优化成本：通过预测未来需求，企业可以避免购买过多的服务器，从而节省成本。
- 提高效率：拥有适当数量的服务器可以优化工作负载，提高整体效率。
- 确保业务连续性：通过预测需求并相应地计划，收集有关过去服务器使用、业务增长预测和其他相关因素的数据。
- 分析数据：使用数据分析工具识别趋势、模式和相关性。
- 建立模型：根据分析结果建立一个预测模型，该模型可以预测不同场景下的未来服务器需求。
- 验证模型：使用历史数据验证预测模型的准确性。
- 制定预测：根据验证的模型制定未来服务器需求预测。
- 不可预测的业务增长：业务增长通常难以预测，这可能影响服务器需求预测的准确性。
- 技术变化：服务器技术不断变化，这可能会影响服务器的需求。
- 人为因素：预测可能受到人为因素的影响，例如错误或偏见。
服务器需求预测的挑战
服务器需求预测可能面临一些挑战，包括：
结论
服务器需求预测对于优化成本、提高效率和确保业务连续性至关重要。通过使用不同的预测方法并遵循一个稳健的流程，企业可以制定准确的服务器需求预测，并为未来做好规划。定期更新和完善预测对于保持其相关性和可靠性至关重要。
数字孪生为数据中心插上“可持续”的翅膀
为了能以更加可持续的方式运营企业，企业对数字基础设施的要求也越来越高，不止是出于成本和效率的考量，从环境的角度也是如此。
Equinix全球IBX运营工程副总裁Arno van Gennip表示：“从设计到施工再到设施管理，数字孪生正成为提高数据中心效率和减少客户碳排放的关键。”
数字孪生有助于将来自不同重点领域的数据集中到共享环境中，这使得IT、工程、财务、采购、施工团队能够在流程中，更早地 探索 和模拟性能、财务和环境等各种因素之间的权衡。
设备和空间利用方面的各种效率提升，带来的直接影响就是降低能耗和减少碳排放。
数字孪生还有助于提高建设和运营效率，减少浪费、降低人员配备要求和相关环境影响。
很多企业和数据中心运营商（例如Nvidia）可能会从各种结合了工程、CAD和数据中心信息管理(DCIM)功能的仿真建模工具中打造出数字孪生工作流。
越来越多的DCIM厂商（例如施耐德电气）将数字孪生功能直接引入他们的工具中。
达索系统和Future Facilities等厂商为数据中心提供了集成度更高的数字孪生。
Nvidia等厂商也开始推出Nvidia Air这样用于优化数据中心物理和逻辑布局的新工具。
投入运营中
Equinix与Future Facilities展开合作，面向企业数据中心构建数字孪生。
数字孪生可以帮助工程师确保冷却系统和连接生态系统提供所需的容量和最佳效率。
工程师可以对比数据中心的预期行为和实际行为，以及能源使用的情况。
“这让我们能够深入了解有关维护和优化能源效率的各种可能性，”van Gennip说。
Equinix工程师和合作伙伴一起构建了物理数据中心的3D模型。
这种数据中心孪生模型是基于各种因素建模的，例如数据中心内计算设备的容量和密度，以及冷却系统的路径。
集中式数字孪生平台可以帮助工程师使用实时数据（例如功率和温度）预测预计的变更对配电、空间利用和冷却路径可能带来的影响，这些实时数据整合到现有模型中，用于进行准确的分析和预测，从而使数据中心孪生可以通过预测能源需求提高效率。
达索和很多领先的超大规模数据中心企业展开合作，设计和建造下一代数据中心。
“他们面临的最大挑战就是如何缩短项目准备时间，以跟上不断增长的需求，以及如何通过减少建设和运营期间的能源、水消耗和浪费，让数据中心更具可持续性，”达索公司架构、工程和建筑(AEC)行业销售战略总监Marty Rozmanith这样表示。
让管理更轻松
数据中心房地产投资信托公司Digital Realty的全球建筑管理优化总监Kasper Dessing认为，以前数据中心管理被分成多个孤岛，每个孤岛都专注于管理设施的某一个方面。
因此，不同领域的管理者可能无法看到更大的格局。
无论是现在还是将来，在考虑设施维护的时候，这一点都尤为重要。
数据中心会产生大量的数据，而人类无法很好地捕获、汇集和管理这些数据。
随着数字服务变得越来越复杂，这种情况只会变得越来越糟糕。
Dessing说：“通过数字孪生，我们能够以虚拟的方式呈现设施内的各种元素和各种动态，以及在各种操作场景下实时模拟实际行为。”
Digital Realty发现，由于数据量庞大，并且不同组件之间存在相互依赖性，因此通用数据中心的运营情况还不够好。
正因为如此，Digital Realty将他们的设施数字孪生和专有的人工智能和机器学习平台进行集成，分析数千个数据流，从而能够跟踪设施内的所有组件并进行实时调整，还可以对未来行为进行预测，从而展开预测性维护，节省时间和降低成本。
这种对设施和不同组件之间关系的可见性，有助于改进新的设施设计，使其更高效。
不仅如此，Digital Realty还利用数字孪生和他们的人工智能平台来优化能源消耗。
Dessing说：“可持续性是我们的首要任务，优化每个设施的能耗有助于我们在降低成本的同时，减少对环境的影响。”
并非所有人都具备在决策的同时进行模拟的这一技术专长，因此，Digital Realty将一种推荐引擎集成到了他们的数字孪生平台中。
“这样就可以让更多的人使用该技术，而不必一直依赖专家。”
把碎片组合在一起
设计、建造和运营数据中心的过程中会产生大量的数据，这些数据被保存为不同的格式，存储在不同的系统中。
Rozmanith说，通过适当的访问控制和变更管理来管理和组织数据，这非常有挑战性。
数字孪生可以带来多个学科、不同发展水平(LOD)和多个维度的数据，这让不同利益相关者可以实时地围绕单一事实来源展开协作。
那些更为复杂的数字孪生技术则结合了各种技术，使用一种集成数字孪生来模拟热、结构、电气、控制和监控、制造和组装等过程。
Rozmanith解释说：“有了一个通用的平台，所有人就都围绕着单一事实来源展开工作，这不仅节省了时间，还提高了质量和整体数据中心交付能力。
这个平台对我们来说就是一个变革的推动力。
”
埃森哲云首席技术专家Teresa Tung表示：“随着我们整合更多数据和模拟来连接工程设计、施工调度和运营流程，不同的数字孪生之间的互操作性已经变成了一大挑战。”
Tung的团队正在与数据中心厂商展开合作，将数据和领域专业知识应用于分析过程中，以确定驱动假设预测所需的模拟数量和配置，他们使用领域知识图（和用于互联网搜索中的技术相同）来捕获这些需求并映射不同元素之间的关系。
施耐德战略计划总监和解决方案架构师Carsten Baumann表示，提供商越来越多地向DCIM工具中添加数字孪生功能，以便在实际实施部署之前对基础设施升级可能带来的影响进行模拟。
他认为，开放标准可以简化数据中心设备和管理工具之间的集成，从而可以更轻松地将数字孪生作为日常数据中心工作流程的一部分。
下面就让我们来详细看一看，数字孪生提高设计、施工、运营和规划可持续性的19种方式：
设计
放置新服务器
“也许在数据中心行业，使用数字孪生技术带来的最大影响就是气流管理和IT设备放置问题了，”Baumann说。
部署计算、存储和网络资源的需求快速增长，随之而来的是基础设施上的巨大挑战。
特定机架或者特定位置还有物理空间，并不意味着有足够的电源、接入和散热能力。
看似简单的安装部署，可能需要对电源进行重大升级或者更好的替代方案时，数字孪生就可以帮得上忙了。
增加密度
增加数据中心的设备密度，可以减少新设施对气候带来的影响。
Information Services Group(ISG)企业敏捷性总监Loren Absher表示，数字孪生有助于优化数据中心设计，改善电源、布线、冷却要求、气流甚至活动地板完整性等所有相关元素，以防止灾难性故障的发生，此外还可以为增加密度所需的物理工作流程变更提供帮助。
提高热性能
冷却是数据中心的第二大能源消耗因素，仅次于设备本身。
现代数据中心的冷却系统包括冷却器、管道和HVAC设备。
数字孪生可以使用热模拟来了解冷却系统的行为并提高其性能。
Rozmanith说，有些经常将代表冷水机组数量和管道尺寸变化的设备链的1D模拟，与气流的3D计算流体动力学(CFD)分析结合起来，找到冷空气和设备冷却之间的最佳平衡，以优化能源消耗。
评估季节性影响
Techstrong Research董事总经理、联合创始人Dan Kirsch表示，数字孪生还可以帮助数据中心设计师更好地规划季节性气候变化，让设计师可以根据外部季节性气候变化的影响提前规划，以降低总体运营成本和能耗。
“数字孪生让我们可以根据客户的特定需求和现场条件进行真正的定制和优化设计，而无需进行实地实验，”Kirsch说。
创建模块化组件
达索与大型数据中心运营商展开合作，打造了可以在不同数据中心设计中重复使用的模块化组件。
Rozmanith表示，数字孪生可以帮助企业定义和配置这些模块的属性，从而通过按订单配置的方法，缩短设计、采购和安装时间，从而有助于减少新建数据中心的环境影响。
测试和验证设备
NTT全球数据中心美洲产品高级副总裁Bruno Berti表示，他们正在使用数字孪生来测试和验证设备，然后再将其部署到数据中心内。
这些新的工作流程让他们可以构建和测试电气和发电机模块，这样工程师就可以在产品投入生产之前发生任何潜在的过程故障，减少了废弃物对环境的影响并改进了风险评估，加速了新产品的开发，提高了数据中心的可靠性和弹性。
此外，数字孪生还有助于安排预测性维护，降低维护成本。
优化电池性能
数据中心设备生产企业Vertiv的首席创新官Greg Ratcliff表示，数字孪生可以用于建模和设计系统，以改善电池 健康 状况和预期寿命，从而减少制造新电池带来的环境影响。
在这种情况下，数字孪生可以帮助团队使用电池 健康 测量和设施详细信息，来模拟不同的设计选择，预测每个电池的 健康 状况和使用寿命。
Ratcliff表示：“如果电池组中的单个电池出现故障，那么整个电池组都会出现故障，所以监控每个电池的运行状况是至关重要的。”
评估环保型替代品
数据中心运营商可以利用数字孪生技术来评估新方法的性能、环境效益和潜在缺陷。
例如，Kao Data利用数字孪生工具来虚拟地测试和部署无制冷剂间接蒸发冷却(IEC)系统，该系统使用水蒸发代替机械系统在炎热天气冷却空气。
这种方法帮助Kao Data提高了电力利用效率，减少了对环境的影响。
建筑
精简施工
数字孪生可以模拟复杂的任务、装配、设备使用和人身安全，还可以改善供应商、集成商和承包商在设计和施工生态系统中的协作，以消除流程中的摩擦。
Rozmanith说，更好地模拟和协作，可以缩短施工时间、减少问题发生、避免返工、以及减少信息请求和安全事故的数量，这帮助达索的客户将面市时间平均缩短了10-15%，减少了与施工时间较长可能带来的环境影响。
减少建筑垃圾
数据中心设计师正在使用数字孪生来更好地规划施工，以便工作人员可以更高效地工作，减少浪费，缩短不同施工阶段之间的时间。
Kirsch说：“通过创建数据中心的虚拟模型以及完整的材料清单，设计人员可以优化施工人员组装数据中心的每一个细节。”
这种规划方法可以减少一个团队在其他团队完成任务等候的时间。
而通常来说，减少数据中心建设过程中的浪费并非易事，Kirsch说，这个过程中很多组件是无法重复使用或者回收的，最终只能进入垃圾填埋场。
运营
提供维护建议
数字孪生有助于确定问题的根本原因，并为快速修复提供维护建议，以减少能耗。
例如，Equinix位于阿姆斯特丹的工厂采用了一种数字孪生模型，根据模型显示，他们必须清洁冷却塔和调整风扇，以前这两项维护的能耗都要高于模型预期的水平。
van Gennip表示，数字孪生让已经比较高效的数据中心IBX能源效率进一步提高了10%。
延长资产寿命
达索的虚拟数字孪生可以将人工智能和机器学习算法的操作数据情境化，用于改进预测性维护。
Rozmanith说，这延长了设备的使用寿命，从而减少了电子垃圾。
而且，虚拟孪生还可以通过提高冷却和电力系统的效率来优化能源和水的使用。
提高维护和维修效率
数字孪生可以对维护、维修和翻新所需的所有信息访问进行简化，包括访问文档、用户手册、维护手册、材料供应商信息和备件清单等信息。
Vertiv定制空气处理和模块化解决方案副总裁Lorenz Hofmann表示，这可以节省时间和减少工作量，从而减少二氧化碳的排放量。
数据中心流程自动化
流程挖掘功能的改进，可以帮助数据中心领导者了解他们的团队如何与应用进行交互，并对数据中心环境的变化做出反应。
ABBYY流程智能高级总监Ryan Raiker表示，使用数字孪生理解和记录程序，有助于数据中心团队发现候选的自动化方法，还可以实施不同的协议，以便在故障实际发生时采取行动，确保数据中心正常运行并减少故障和浪费的发生。
改善托管服务提供商和企业之间的协作
托管数据中心可以让多个企业共享同一个数据中心，但是当企业客户决定安装新设备的事后，可能会对周边其他企业的设备产生电力、热量和重量上的影响。
法国Thésée DataCenter与Future Forward展开合作，在云中部署每个设施的数字孪生，这种数字孪生让客户能够通过Web服务端模拟他们自己或者附近设备预期变更可能带来的影响，从而有助于Thésée的工程师与客户展开协作，提高他们的数据中心空间使用率，减少建设新数据中心的需求。
规划
确保满足合规性要求
NTT正在研究通过数据孪生帮助企业收集与业务相关的数据，并对这些数据实施标准化。
数据孪生将企业数据源及其相互关系复制为标准格式，为分析和报告提供一个集中的位置。
NTT Data Services SMART解决方案副总裁Bennett Indart表示，这将有助于提供数据中心在实现可持续发展目标方面取得的进展，以及发现新的机会进行改善。
改善财务决策
NTT公司的Berti表示，NTT已经开始把财务数据整合到他们的数字孪生中，这有助于NTT在计划过程中使用实时数据和高级分析功能来审查材料和人工成本。
此外，这还有助于确定调整制造价值链从财务方面看是否合理，以及预期结果是否会降低数据中心的运营成本。
评估数据中心迁移带来的影响
埃森哲与卡内基梅隆大学合作开发了一个名为myNav Green Cloud Advisor的数字孪生模型，该模型让企业可以衡量数据中心和云提供商之间迁移的可持续性影响。
埃森哲的Tung表示，该项目最开始是一个数字孪生，以当前数据中心的能源消耗、计算要求和可持续发展目标为基准，让企业可以规划和对比各种云解决方案，包括碳排放目标、位置、能源和向清洁能源过渡的准备情况。
了解实质性的影响
Kirsch说，在建设完成之前，通常很难知道数据中心内的实际材料清单。
在数据中心建设期间，团队会遇到各种可能需要偏离最初设计的情况。
设计团队可以使用数字孪生规划所有现场条件，并指定所需的材料。
Kirsch说：“通过制定准确的材料清单，数据中心创建者和最终用户可以在施工开始之前就充分地了解需要使用的材料，以及对整体可持续性目标的影响。”
需求预测到底是什么？别再被忽悠了
供应链管控有四个核心要素：需求预测、需求（订单）计划、库存计划、供应链供应能力。
我们经常说，供应链要么是订单驱动（拉），要么是预测驱动（推）。
其实不管是订单驱动还是预测驱动，从整个供应链的角度来看，最终都是预测驱动，因为一个人的订单注定是另一个人的预测。
比如女性用户在网上买衣服，她得在平台上给商家下订单，是基于她预测未来会穿这衣服。
需求预测就是供应链的原始驱动力。
需求预测的目标是“尽量做准、尽快纠偏”。
这需要解决三个问题：一是需求预测怎么做，二是需求预测由谁做，才能有效对接销售和运营，三是如果预测错了，如何建立滚动计划机制，尽早发现，尽快纠偏和补救？ 需求预测和库存计划其实就是围绕预测风险博弈，一个好的需求预测需要定期调整，但这并不是说可以随意调整，供应链的柔性不是无限的。
当进入一定的时间窗口，我们就要控制需求预测的调整，以保护供应链的效率。
否则，会造成过高的运营成本和产能浪费，频繁的调整会打乱整体的生产、配送安排，让整体交付更加不可预计，越是不可预计，越需要人为干预，这就陷入恶性循环，增加了不确定性，最终会转化为成本和库存。
有些期货品牌，习惯性地向加盟商压货，迫使加盟商、门店提前几个月下订单。
这个订单其实就是需求预测，如果预测准确度低，就会造成库存积压。
订货会的订货目标一般都是在“由（历史）数据开始，基于历史结果判断结束”，在分析历史销售数据的基础上，征询销售部门的反馈意见而生成。
但是，最重要的一步，也就是把最后的目标与加盟商达成一致，却往往没做。
服装行业的订货会就是典型的例子。
现在一些服装品牌已经开始做供需预测，预测区域、全国的需求，而且时间颗粒度分解得更细，有专门的部门了解市场动向、消费者偏好、竞品信息。
做好整体预测，把好总量，生产出合适数量的产品，因为时间颗粒度分解得更细，预测未来的一到两周的提货计划，即便预测错了，影响也有限，纠正也容易。
预测怎么做的问题没解决，需求预测准确度低，预测风险就大，谁都不愿意承担风险，需求预测就成了企业与企业、职能与职能之间博弈的一大焦点；而博弈的结果呢，一方面让错误的人在做预测，一方面也助长了信息不对称，都无助于预测准确度的改善。
需求预测是什么？ 我们先来探讨一下什么是需求？需求是假设产能充足，没有其它限制条件，客户能够在公司购买的商品和服务数量。
那么需求预测就是一家公司在一系列假设条件下，对未来需求进行精准的测算。
假设条件又有哪些呢？它包含公司内部假设和外部假设。
内部假设主要指一些刺激需求变动的公司活动，比如投放广告、宣传活动、增加分销渠道、调整商品价格等；外部假设主要对未来经济水平的预期，如行业大盘、国际或国家大事件、银行 利率 、材料通胀、竞争对手动向等。
而测算是一种对未来的猜测。
所以它并不是准确的，大体上预测准确度只在50%到60%之间，也就是说所有的预测都是错的，我们所有的工作都是在尽可能利用现有已知的条件使其尽量准确，错的不那么离谱而已。
那么既然预测的都是错误的，我们为什么还要做需求预测呢？ 首先，需求预测是基于历史数据和未来的预判得出的有理论依据的结论，有利于管理者对未来的销售及运营计划、目标，资金预算做决策参考；其次，需求预测能为采购计划、仓库作业资源调配起推荐作用，有助于采购部门做采购计划，仓库提前做排产计划，减少受业务的波动影响。
如果没有需求预测，公司内部很多关于销售、采购、财务预算的决策都只能根据经验拍脑袋而来了，会导致对市场预测不足，产生库存和资金的积压或不足等问题。
当然，需求预测虽然很重要，但它并不能被当做需求计划，也不能被当做销售目标。
所谓预测，是对未来可能发生的情况的一种假设，本质上还是一种推测，只能作为参考，而需求计划则是保证目标能达成而做的决策，更具有权威性和可执行性，销售目标则是希望达到的结果，三者不能混为一谈。
要做需求预测，先了解预测的5个基本维度： 预测维度。
预测的颗粒度，是按包还是按箱，按单品还是按品牌。
通常颗粒度越细，变量更多，预测准确性会越低。
预测跨度。
目前预测的是未来多长时间内的需求数据，比如未来2个月或半年。
一般来说，预测区间跨度越大，预测准确性越低。
预测间隔。
需求预测更新的频率，比如一个月更新一次，或一周更新一次。
预测单位。
需求预测数据的物理衡量标准，如件、个、元、克等。
预测机制。
描述不同维度的颗粒度之间的连接情况及不同维度之间的关系。
了解需求预测的基本属性以后，我们便具备了预测需求的基本功底。
而需求预测方法主要分为定量预测和定性预测两种。
定量预测 定量预测法是通过历史数据的分析进而探索需求模式，通俗点解释，就是根据历史数据来寻找规律。
主要有两种可预见的需求模式： 第一种是时间类型的需求模式。
此模式可以被识别是因为它们在某些时候进行着可预见的重复，例如游船在春夏季节需求比在冬天需要要高，每逢情人节玫瑰和巧克力销量比较好。
想要发现并预见这种需求模式，推荐时间序列统计法。
第二种是除了时间之外能够对需求造成影响的其它因素。
这种模式被识别出是因为某些可量化的变量对于需求有着可预见的影响，例如可口可乐公司的产品对于促销反应比较敏感，如果打折，顾客就会多买。
针对这类模式的最佳解决方案是进行回归分析。
定性预测 定性预测法也叫主观预测法或判断预测法，就是对经验人士的意见、知识及直觉进行收集整理并转化为预测结果的方法。
哪些情况下适合定性分析呢？主要有三种： 新品上市，没有历史数据可参考。
一些新情况的出现改变了现有的需求模式。
例如因为疫情、政策等原因，严重影响了某些产品的销量，就不能只通过定量分析看历史数据了。
历史需求数据与未来预测相关性不大的产品。
例如项目型或定制型的产品。
企业想要做好需求预测，除补充市场信息之外，还有两个关键因素： 企业应该提供预测绩效评估机制，重视预测，有奖有罚，奖罚分明，及时诊断绩效评估问题并鼓励不断精进。
没有客户会因为预测做的好而多购买产品，但需求预测可以转换为优质的商业决策，从而提升库存周转率、服务质量，降低供应成本，这些方面的提升就会促使用户多购买公司产品了。
可以通过误差率来做绩效评估，识别需求预测的偏差并评估准确性，计算公式为：误差率=（预测需求-实际需求）*100%/实际需求。
执行好企业供需关系集成。
优秀的预测=预测算法及建模 + 供需关系集成，所谓供需关系集成是指调动负责供应的生产部门、物流部门、采购部门，以及负责需求的销售部门、财务部门、公司高管一起协同制定出统一且有远瞻性的计划，做出资源最优及一系列组织目标平衡的决策。
高效的供需关系集成体现在三个方面： 文化方面：需要公开透明、团结协作、目标一致。
流程方面：各环节紧密衔接、畅通无阻、全程可视。
工具方面：使用正确的系统，将对的信息传达给对的人。
由于预测是对未来的猜测，所以预测永远都是错误的，预测本身并不难，难的是怎样让错误的程度达到最小。
预测也并不是某一个部门的事，销售和市场部门、销售规划部门、财务部门、企业高管都必须参与预测流程。
老板必须认可供需关系集成是公司运行的一种方式，对于供需关系集成和需求预测来说，公司文化比任何流程图或者技术手段都重要。
可行性分析的四个方面
可行性分析是一个多维度的决策过程，它主要围绕技术、经济、时间和社会四个方面进行。
首先，技术可行性考察的是产品的创新与竞品比较，通过竞品分析，我们可以了解到技术特点、市场空间以及可能的突破点。
例如，产品易用性至关重要，需要考虑用户群体和使用门槛，确保产品设计的直观易用。
其次，产品环境依赖性需关注，例如对特定系统版本的要求，第三方平台的兼容性，以及可能的外部设备需求，这些都会影响产品的实际应用范围。
经济可行性分析则深入到产品的成本和收益预测。
包括人力成本，如开发团队的人数、工资及整个生命周期的人力投入；软件和硬件成本，包括数据库、开发工具、服务器等；市场开拓和运营成本，如广告、推广费用。
同时，还需评估投资回报周期，如收益时间、收益率以及产品生命周期内可能的收益波动。
最后，使用人数和用户规模是衡量可行性的重要指标，它们预示着产品的市场潜力和覆盖范围。
通过竞品和潜在用户群体分析，可以预测未来的用户规模。
此外，产品的开发可能带来的隐性价值，如品牌口碑、行业地位等，也是需要考虑的因素。
综上，可行性分析是一个全面且细致的过程，它旨在确保产品在技术、经济、时间和社会等多方面的平衡，以实现商业成功。
