Κέρδη:
- Δυνατότητα παραγωγής πρόχειρης πρόβλεψης ζήτησης σε βάση SKU με υποστήριξη τεχνητής νοημοσύνης συνδυάζοντας ιστορικά δεδομένα πωλήσεων, εποχιακές επιδράσεις και εξωτερικούς παράγοντες.
- Ικανότητα ερμηνείας της ακρίβειας πρόβλεψης (MAPE, προκατάληψη) και διάκρισης των επιχειρηματικών συνεπειών της υπερεκτίμησης και της υποεκτίμησης
- Να μπορούμε να υποστηρίζουμε ότι η πρόβλεψη που παράγεται από την τεχνητή νοημοσύνη είναι μια πρόβλεψη και η τελική απόφαση παραγγελίας ανήκει στον διαχειριστή μαζί με το κόστος μετοχών και τις ταμειακές ροές.
Υπάρχουν δύο πιο ακριβά λάθη στη λιανική: το να διατηρείς πάρα πολύ απόθεμα και να αφήνεις τα χρήματα να μαραζώνουν στο ράφι ή να μην έχεις αρκετό απόθεμα και να αφήνεις τον πελάτη με άδεια χέρια. Και οι δύο έχουν την ίδια πηγή: κακή πρόβλεψη ζήτησης. Σε αυτή την ενότητα θα μάθετε πώς να χρησιμοποιείτε την τεχνητή νοημοσύνη ως ισχυρό βοηθό που προβλέπει το μέλλον από προηγούμενες πωλήσεις. Ας πούμε όμως από την αρχή: μια πρόβλεψη δεν είναι προφητεία, αλλά πιθανολογική πρόβλεψη. Το AI σας δίνει έναν αριθμό. Είναι δουλειά σας να μεταφράσετε αυτόν τον αριθμό σε απόφαση παραγγελίας.
Πρόβλεψη ζήτησης: Είναι η πρόβλεψη της ποσότητας ενός προϊόντος ή μιας κατηγορίας που θα πωληθεί στο μέλλον, εξετάζοντας ιστορικά δεδομένα και παράγοντες που επηρεάζουν.
SKU (Stock Keeping Unit): Είναι ο μοναδικός κωδικός αποθεμάτων που διατηρείται για κάθε διαφορετικό προϊόν-παραλλαγή. Για παράδειγμα, τα "κόκκινα πάνινα παπούτσια μεγέθους 42" είναι SKU. ο αριθμός 43 του ίδιου μοντέλου είναι ξεχωριστό SKU.
Τρεις πηγές πληροφοριών που τροφοδοτούν την πρόβλεψη
Μια καλή πρόβλεψη συνδυάζει τρία πράγματα:
- Ιστορικές πωλήσεις (βασική γραμμή): Εβδομαδιαίες/μηνιαίες πωλήσεις του προϊόντος τους τελευταίους 12-24 μήνες. Το AI εξάγει ένα "κανονικό" επίπεδο από αυτήν τη σειρά.
- Εποχιακά και ημερολογιακά εφέ: Διακοπές, σχολική περίοδος, καλοκαίρι-χειμώνα, Σαββατοκύριακο, ημέρα πληρωμής. Για παράδειγμα, το παγωτό αυξάνεται το καλοκαίρι και οι κάλτσες αυξάνονται το χειμώνα.
- Εξωτερικοί παράγοντες: καμπάνια, αλλαγή τιμής, καιρός, κίνηση ανταγωνιστών, άνοιγμα/κλείσιμο. Αυτά ωθούν την εκτίμηση προς τα πάνω ή προς τα κάτω.
Συμβουλή: Μην πείτε απλώς στην τεχνητή νοημοσύνη «πουλήσαμε 100 τον περασμένο μήνα». Πείτε, "Πουλήσαμε 100 τον περασμένο μήνα, αλλά υπήρχε έκπτωση 20% και ήταν μια εβδομάδα διακοπών". Χωρίς πλαίσιο, η πρόβλεψη είναι παραπλανητική.
Δημιουργία πρόβλεψης βήμα προς βήμα
- Προετοιμάστε τα δεδομένα: Ένας ανώνυμος, καθαρός πίνακας: ημερομηνία, SKU, ποσότητα πωλήσεων, τιμή, προσφορά/καμία προώθηση, διαθεσιμότητα. Σημειώστε τις ημέρες εκτός αποθέματος. Διαφορετικά, η τεχνητή νοημοσύνη θα πιστεύει ότι εκείνη η μέρα είναι «χαμηλής ζήτησης».
- Δώστε το πλαίσιο: Καταγράψτε τη σεζόν, τις επερχόμενες εκδηλώσεις, τις προγραμματισμένες καμπάνιες.
- Αίτημα πρόβλεψης: Ζητήστε μια πρόβλεψη και ένα διάστημα εμπιστοσύνης (χειρότερο/καλύτερο σενάριο) για μια συγκεκριμένη περίοδο, ανά SKU ή κατηγορία.
- Ακρίβεια μέτρησης: Συγκρίνετε τις προηγούμενες προβλέψεις σας με την πραγματικότητα (MAPE παρακάτω).
- Μετατρέψτε το σε απόφαση: Συνδυάστε την εκτίμηση με το απόθεμα ασφαλείας και τον προϋπολογισμό και λάβετε την απόφαση παραγγελίας.
Ακρίβεια ανάγνωσης πρόβλεψης: MAPE και προκατάληψη
MAPE (Mean Absolute Percent Error): Δείχνει τη μέση ποσοστιαία απόκλιση των προβλέψεων από τις πραγματικές πωλήσεις. Ο τύπος είναι απλά: |πραγματική − πρόβλεψη| για κάθε περίοδο / πραγματικό είναι ο μέσος όρος τους.
- MAPE 10% → οι εκτιμήσεις αποκλίνουν κατά 10% κατά μέσο όρο, αρκετά καλές.
- MAPE 40% → οι προβλέψεις είναι αναξιόπιστες, απαιτείται περισσότερο buffer (απόθεμα ασφαλείας) για την απόφαση παραγγελίας.
Κατεύθυνση (προκατάληψη): Είναι η πρόβλεψή σας σταθερά πάνω (κίνδυνος υπερβολικού αποθέματος) ή κάτω (κίνδυνος απόθεμα) η πραγματικότητα; Παρακολουθήστε αυτό επίσης? Το MAPE δεν δείχνει κατεύθυνση.
Κατάσταση
Σημασία
επιχειρηματικό αποτέλεσμα
Επίμονη υψηλή εκτίμηση
Υπερβάλλετε τη ζήτηση
Υπερβολικό απόθεμα, κατάρρευση, απώλεια περιθωρίου
Επίμονη υποτίμηση
Υποτιμάς τη ζήτηση
Εκτός αποθέματος, χαμένες πωλήσεις, δυσαρέσκεια
Υψηλό MAPE, ισορροπημένη κατεύθυνση
Η αβεβαιότητα είναι υψηλή
Αυξήστε το απόθεμα ασφαλείας, αναθεωρήστε συχνά
Χαμηλός ΧΑΡΤΗΣ
ακριβής πρόβλεψη
Λιγότερο απόθεμα, καλύτερα μετρητά
μίνι θήκες
Περίπτωση 1 — Λείπει η εποχικότητα: Ένα παντοπωλείο παραγγέλνει σχολικά τετράδια με βάση τις πωλήσεις του περασμένου Ιουλίου (200 μονάδες το μήνα). Όταν η τεχνητή νοημοσύνη δίνεται στο πλαίσιο "σχολική περίοδος Αυγούστου-Σεπτεμβρίου, οι πωλήσεις τετραπλασιάστηκαν αυτήν την περίοδο πέρυσι", η πρόβλεψη αυξάνεται σε 780 μονάδες αντί για 200. Χάρη στη σωστή σειρά, δεν θα τελειώσει το απόθεμα κατά τη διάρκεια της σχολικής χρονιάς. Ο εκτιμώμενος τζίρος των 60.000 TL, που διέφυγε την προηγούμενη χρονιά, πιάνεται φέτος.
Περίπτωση 2 — Χωρίς να υπολογίζεται η ημέρα μη αποθέματος: Ένα κατάστημα ήταν εκτός αποθέματος ενός δημοφιλούς καφέ για 3 εβδομάδες. Εξετάζοντας τα ακατέργαστα δεδομένα, η τεχνητή νοημοσύνη βλέπει αυτές τις εβδομάδες ως "5 πωλήσεις την εβδομάδα" και δίνει μια χαμηλή εκτίμηση. Όταν ο αναλυτής σημειώνει τις ημέρες χωρίς απόθεμα και λέει "αυτές οι εβδομάδες δεν αντικατοπτρίζουν τη ζήτηση", η πρόβλεψη αυξάνεται σε 45 την εβδομάδα. Εμφανίζεται πραγματική ζήτηση.
Περίπτωση 3 — Γενίκευση του αποτελέσματος της καμπάνιας: Μια αλυσίδα κλωστοϋφαντουργικών θεωρεί μια εβδομαδιαία έκπτωση 50% (600 μονάδες) ως "κανονική" και παραγγέλνει συνεχώς 600. Όταν λέγεται στην τεχνητή νοημοσύνη "αυτή η πώληση έγινε με μια καμπάνια μία φορά, η κανονική εβδομάδα είναι 180", η πρόβλεψη διορθώνεται. Ο κίνδυνος πλεονάζοντος αποθέματος και επακόλουθης απώλειας αποτίμησης αποτρέπεται.
Ορίζοντας πρόβλεψης: πόσο μακριά μπορείτε να δείτε;
Ορίζοντας πρόβλεψης: Πόσο μακριά στο μέλλον γίνεται η πρόβλεψη. Ο κανόνας είναι απλός: όσο μεγαλύτερος είναι ο ορίζοντας, τόσο μεγαλύτερη είναι η αβεβαιότητα. Προβλέπετε τις πωλήσεις της επόμενης εβδομάδας σχετικά με ακρίβεια. έξι μήνες αργότερα με πολύ μεγαλύτερο εύρος. Επιλέξτε λοιπόν τον ορίζοντα πρόβλεψης σύμφωνα με την ανάγκη απόφασης παραγγελίας: σύντομος ορίζοντας και συχνή ενημέρωση για φρέσκο προϊόν που εξαντλείται γρήγορα. Μεγαλύτερος ορίζοντας και μεγαλύτερο περιθώριο ασφάλειας για εισαγόμενο προϊόν με μεγάλους χρόνους παράδοσης.
Μια άλλη σημαντική διάκριση είναι η πρόβλεψη νέων προϊόντων. Δεν υπάρχει προηγούμενη πώληση ενός νέου SKU. Σε αυτήν την περίπτωση, δίνετε στο AI το ιστορικό παρόμοιων προϊόντων (αναλογικά), τον μέσο όρο της κατηγορίας και το σχέδιο εκτόξευσης. Το να λέτε "Αυτό το προϊόν δεν έχει ιστορικό, δώστε μια αρχική εκτίμηση κοιτάζοντας τις πρώτες 8 εβδομάδες παρόμοιων προϊόντων X και Y" είναι ένας εύλογος τρόπος για να συμπληρώσετε το κενό. Ωστόσο, η πρόβλεψη νέων προϊόντων είναι πάντα πιο επικίνδυνη. Αναθεωρήστε γρήγορα την πρόβλεψη καθώς γίνονται διαθέσιμα τα πραγματικά δεδομένα για τις πρώτες εβδομάδες.
Προσοχή: Μην αντιμετωπίζετε την εκτίμηση ως μια θεραπεία "κάντε το μια φορά και ξεχάστε το". Η πρόβλεψη ζήτησης είναι μια ζωντανή διαδικασία. Κάθε νέα εβδομάδα εκπτώσεων είναι μια ευκαιρία για ενημέρωση της πρόβλεψης. Οι καλύτεροι προγνώστες είναι αυτοί που χρησιμοποιούν αυτό που ενημερώνεται πιο συχνά, όχι το πιο έξυπνο μοντέλο.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Πείτε μου πόσο θα πουλήσει αυτό το προϊόν τον επόμενο μήνα.
Δεν υπάρχει κανένα πλαίσιο. Το AI συνθέτει έναν τυχαίο αριθμό.
Ισχυρή προτροπή:
Ο ρόλος σας: ειδικός σχεδιασμού ζήτησης. Δεδομένα: Παρακάτω είναι η μηνιαία ποσότητα και η τιμή πωλήσεων για τους τελευταίους 18 μήνες για το SKU 4471 και εάν υπάρχει καμπάνια αυτόν τον μήνα. Πλαίσιο: Αυτό το προϊόν είναι καλοκαιρινά σανδάλια. Η ζήτηση κορυφώνεται τον Μάιο-Αύγουστο. Ο επόμενος μήνας είναι ο Ιούνιος. Δεν έχει προγραμματιστεί εκστρατεία. Η τιμή είναι σταθερή. Εργασία: (1) αναμενόμενη ποσότητα πωλήσεων για τον Ιούνιο, (2) εύρος του χειρότερου και του καλύτερου σεναρίου, (3) 2 κύριοι παράγοντες που επηρεάζουν την πρόβλεψη. Κανόνας: Μην υπολογίζετε τους μήνες που έχουν χαρακτηριστεί ως εκτός αποθέματος ως χαμηλή ζήτηση. Με βάση μόνο τα δεδομένα. Δεδομένα: [επικόλληση πίνακα]
Αντιγράψιμα πρότυπα προτροπών
1) Πρόβλεψη βάσει SKU
Ο ρόλος σας: ειδικός σχεδιασμού ζήτησης. Δημιουργήστε μελλοντική πρόβλεψη [περιόδου] για [SKU] από τις ακόλουθες ανώνυμες μηνιαίες σειρές πωλήσεων. Έξοδος: αναμενόμενη ποσότητα + χειρότερο/καλύτερο εύρος + 2 υποθέσεις. Εξαιρούνται οι περίοδοι που σημειώνονται εκτός αποθέματος. Δεδομένα: [επικόλληση]
2) Αφαίρεση εποχιακού μοτίβου
Βρείτε το επαναλαμβανόμενο εποχιακό μοτίβο στη σειρά εκπτώσεων 24 μηνών παρακάτω. Ποιοι μήνες είναι οι κορυφαίοι και ποιοι οι κάτω; Δώστε την απόκλιση από το μέσο όρο ως ποσοστό. Παρουσιάστε το σε μορφή πίνακα. Δεδομένα: [επικόλληση]
3) Αξιολόγηση ακρίβειας πρόβλεψης
Παρακάτω είναι οι ιστορικές μου εκτιμήσεις και οι πραγματικές πωλήσεις. (1) Υπολογίστε MAPE, (2) η πρόβλεψή μου κινείται σταθερά υψηλότερα ή χαμηλότερα, (3) τι σημαίνει αυτό για τη μετοχή; Εμφάνιση βήμα προς βήμα. Δεδομένα: [εκτίμηση, πραγματικές στήλες]
4) Εξαγωγή του αντίκτυπου της καμπάνιας
Οι εβδομάδες καμπάνιας επισημαίνονται στην παρακάτω σειρά εκπτώσεων. Εκτίμηση της κανονικής (μη καμπάνιας) ζήτησης. Δώστε το εφέ της καμπάνιας ως ξεχωριστό ποσοστό αύξησης. Θέλω λοιπόν να δω το κανονικό επίπεδο παραγγελίας. Δεδομένα: [επικόλληση]
Συνήθη λάθη
- Δεν δίνεται το πλαίσιο: Εάν δεν προσδιορίζεται η αλλαγή καμπάνιας, εποχής, τιμής, η πρόβλεψη θα είναι παραπλανητική.
- Εάν θα υπολογίζονται ως ζήτηση οι ημέρες εκτός αποθέματος: Μια περίοδος εκτός αποθέματος κρύβει την πραγματική ζήτηση. σημάδι.
- Αποδοχή των προωθητικών πωλήσεων ως κανονική: Αν σκεφτεί κανείς ότι μια εφάπαξ αύξηση είναι μόνιμη, θα οδηγήσει σε υπερβολικό απόθεμα.
- Βασιζόμενος σε έναν μόνο αριθμό: Το να μην θέλεις ένα εύρος (σενάριο) και να βασίζεσαι σε ένα μόνο σημείο κρύβει τον κίνδυνο.
- Καθόλου ακρίβεια μέτρησης: Εάν το MAPE και η κατεύθυνση δεν παρακολουθούνται, η πρόβλεψη γίνεται όλο και χειρότερη.
- Πραγματοποίηση απευθείας παραγγελιών με εκτιμήσεις: Παραγγελία χωρίς μετρητά, έλεγχος αποθήκης και διάρκειας ζωής.
Συνοπτικά
Η καλή πρόβλεψη συνδυάζει προηγούμενες πωλήσεις, εποχικότητα και εξωτερικούς παράγοντες. Φροντίστε να δώσετε στο AI το πλαίσιο (εκστρατεία, σεζόν, ημέρες εκτός αποθέματος). Παρακολούθηση της ακρίβειας πρόβλεψης με MAPE και κατεύθυνση μεροληψίας. Αυξήστε το απόθεμα ασφαλείας σε υψηλή αβεβαιότητα. Μια πρόβλεψη είναι μια πρόβλεψη. Η τελική απόφαση παραγγελίας είναι δική σας, μαζί με τον προϋπολογισμό και τους περιορισμούς.
Εργασία εφαρμογής
Λάβετε τις πωλήσεις των κορυφαίων 5 SKU με τις μεγαλύτερες πωλήσεις για τους τελευταίους 12-18 μήνες σε έναν ανώνυμο πίνακα και σημειώστε τις περιόδους εκτός αποθέματος και περιόδους καμπάνιας. Δημιουργήστε μια μελλοντική πρόβλεψη με την προτροπή "1) πρόβλεψη βάσει SKU και, στη συνέχεια, εξαγάγετε τον ΧΑΡΤΗ των προηγούμενων προβλέψεών σας με "3) Αξιολόγηση ακρίβειας πρόβλεψης". Συγκρίνετε το αποτέλεσμα με τη δική σας απόφαση παραγγελίας.
λίστα ελέγχου
- [ ] Ανωνυμοποίησα και καθάρισα τα δεδομένα πωλήσεών μου.
- [ ] Σημείωσα τις περιόδους εκτός αποθέματος και καμπάνιας.
- [ ] Έδωσα το πλαίσιο εποχής και εξωτερικού παράγοντα στο AI.
- [ ] Ήθελα ένα εύρος σεναρίων, όχι έναν αριθμό.
- [ ] Έλεγξα την κατεύθυνση MAPE και εκτροπής.
- [ ] Πήρα την απόφαση παραγγελίας με βάση τον προϋπολογισμό και τους περιορισμούς.