Zyski:
- Umiejętność zrozumienia koncepcji szeregów czasowych, trendów, sezonowości i wpływu kampanii oraz wykorzystania sztucznej inteligencji do prognozowania popytu za pomocą odpowiednich pytań i czystych danych.
- Możliwość interpretacji dokładności prognoz (MAPE, odchylenie) i niepewności (przedział ufności, scenariusze) oraz planowania opartego na zakresie, a nie na pojedynczej liczbie
- Możliwość rozróżnienia, że przewidywania sztucznej inteligencji opierają się na danych historycznych, a ocena ekspercka wysuwa się na pierwszy plan w przypadku przerw, takich jak nowe produkty, promocje czy kryzysy dostaw.
Każda decyzja w łańcuchu dostaw opiera się na jednym pytaniu: jaki będzie popyt? Im dokładniej odpowiesz na to pytanie, tym mniej akcji posiadasz, tym mniej akcji pozostajesz poza nimi i tym mniej pieniędzy zatrzymujesz. Prognozowanie popytu jest siłą napędową łańcucha dostaw; Stąd zasilane są plany zapasów, zakupów, produkcji i transportu. Sztuczna inteligencja jest na tym polu niezwykle potężna, ponieważ skanuje historię tysięcy produktów znacznie szybciej niż człowiek i wydobywa wzorce. Ale źródłem jej mocy jest także jej ograniczenie: sztuczna inteligencja uczy się z przeszłości; Jeśli przyszłość nie przypomina przeszłości, jest to błędne. W tej jednostce nauczymy się języka przewidywania, pomiaru dokładności, zarządzania niepewnością i tego, gdzie sztuczna inteligencja powinna ci się poddać.
Język prognozowania: szeregi czasowe, trend, sezonowość
Dane dotyczące popytu to zazwyczaj szereg czasowy — seria liczb uporządkowanych według czasu, np. dzienna sprzedaż produktu. Podstawą przewidywania jest podzielenie tej sekwencji na trzy części:
Trend, kierunek długoterminowy: sprzedaż rośnie czy maleje z roku na rok? Sezonowość, regularnie powtarzające się wahania: lody sprzedają się latem, grzejniki sprzedają się zimą; W piątek i sobotę rynek jest zajęty. Hałas, niewyjaśnione losowe odtwarzanie. Dobra prognoza uwzględnia trendy i sezonowość i nie daje się zwieść szumowi. Do tego dochodzi szereg wydarzeń: kampania, promocja, święto państwowe, pogoda, ruch konkurencji. Kiedy każesz AI przewidywać, musisz powiedzieć jej o tych wydarzeniach; Jeśli mu nie powiesz, pomyśli, że skakanie w dniu kampanii jest „normalne” i popełni błąd co do przyszłości.
Wskazówka: przekazując AI surowe dane sprzedażowe, zaznacz kampanie, święta i dni wyczerpania zapasów. Dzień bez zapasów jest ważny: sprzedaż tego dnia wydaje się niska, ale realny popyt był wysoki, po prostu nie było dostępnych towarów. Jeśli tego nie określisz, sztuczna inteligencja zaniży rzeczywiste zapotrzebowanie.
Dokładność pomiaru: MAPE i stronniczość
„Czy prognoza jest dobra?” Odpowiedź na to pytanie wynika z pomiaru, a nie uczucia. Najpopularniejszym wskaźnikiem jest MAPE (średni bezwzględny błąd procentowy – o ile punktów procentowych średnio przewidywania odbiegają od rzeczywistości). Jeśli MAPE wynosi 10%, oznacza to, że Twoje przewidywania różnią się od rzeczywistej wartości średnio o 10%; niższy MAPE jest lepszy. Drugą ważną koncepcją jest stronniczość: czy Twoja prognoza stale przewyższa rzeczywistość (powoduje nadmiar zapasów) czy niedostatek (pozostawianie niedoborów)? Nawet jeśli prognoza ma niski MAPE, jeśli zawsze odchyla się w tym samym kierunku, pojawia się systematyczny problem.
Możesz przekazać AI część historii jako „trening”, a część jako „testowanie” i porównać jej przewidywania z rzeczywistością. Oto uczciwy sposób na budowanie zaufania: testowanie modelu na danych, których nie widział. Przepowiednia jest warta zastosowania w odniesieniu do przyszłości tylko wtedy, gdy sprawdziła się w przeszłości.
Uwaga: żadna prognoza nie jest w 100% dokładna; Nie oczekuje się, że to nastąpi. Celem nie jest stworzenie idealnej pojedynczej liczby, ale możliwego do opanowania zakresu, znając odchylenie. Binarna koncepcja „przepowiednia się sprawdziła/nie zadziałała” jest błędna; Prawidłowe pytanie brzmi: „jak bardzo się odbiło i ile bufora odpowiednio zachowałem?”
Zarządzanie niepewnością: zakres, a nie pojedyncza liczba
Najbardziej niebezpiecznym nawykiem planisty jest traktowanie prognozy jako pojedynczej, twardej liczby. W rzeczywistości każda prognoza ma przedział ufności – np. „popyt w przyszłym miesiącu najprawdopodobniej będzie wynosić od 900 do 1100”. Im szerszy jest ten zakres, tym większa niepewność. Znajomość asortymentu ma bezpośredni wpływ na decyzję dotyczącą zapasów: wąski asortyment wymaga mniej zapasów bezpiecznych, szeroki asortyment wymaga większego bufora.
Dlatego zawsze pytaj AI o scenariusze: pesymistyczny (jeśli popyt okaże się niski), oczekiwany i optymistyczny (jeśli popyt okaże się wysoki). Plan, widząc trzy scenariusze, nie opiera się na jednym założeniu, ale na szeregu możliwych możliwości. Jest to najbardziej praktyczny sposób na wydostanie się z pułapki „zamkniętego w jednym numerze”.
Krok po kroku: badanie prognozowania popytu za pomocą sztucznej inteligencji
- Wyczyść dane. Zaznacz brakujące dni, dni wyczerpania zapasów, otwieraj błędne zapisy; Pracuj z anonimowym kodem produktu.
- Taguj wydarzenia. Dodaj do danych dni kampanii, wakacji i promocji.
- Odejmij wzór. Poproś sztuczną inteligencję o podsumowanie trendów, sezonowości i godnych uwagi wydarzeń.
- Przetestuj to. Zapisz ostatnią część historii, pozwól AI przewidzieć, porównać z rzeczywistością (MAPE i kierunek odchylenia).
- Stwórz scenariusz. Zapytaj o trzy prognozy, pesymistyczną/oczekiwaną/optymistyczną, i przedział ufności dla każdej z nich.
- Filtr eksperta. AI nie wie o znanych nadchodzących zakłóceniach (nowy produkt, kryzys dostaw, ustawodawstwo); dodaj je ręcznie. Ostateczny plan należy do Ciebie.
trzy mini etui
Przypadek 1 – Uchwycenie sezonowości. Dystrybutor napojów skarżył się, że w miesiącach letnich stale brakowało mu towaru, a zimą pozostawał z towarem. Planista podał YZ anonimową dzienną sprzedaż przez 3 lata i usunął sezonowość: popyt w okresie od czerwca do sierpnia był 2,4 razy większy od średniej zimowej, a skok rozpoczynał się w połowie maja każdego roku. Według tego schematu swoje letnie zapasy założył z 3-tygodniowym wyprzedzeniem; Martwy stan letni spadł o 70%, martwy zimowy spadł. AI pokazała wzór; Planista podjął decyzję o zapasach.
Przypadek 2 – Poddanie się nowemu produktowi. Firma zamierzała wprowadzić na rynek zupełnie nowy produkt; Nie było historycznych danych sprzedażowych. Planista zapytał sztuczną inteligencję: „Jakie będzie zapotrzebowanie przez pierwsze 3 miesiące?” zapytał. Sztuczna inteligencja podała liczbę, która wydawała się rozsądna, ale planista wiedział, że jest ona bezpodstawna: nie było danych. Zamiast tego sztuczna inteligencja pyta: „Jaki był pierwszy 3-miesięczny schemat produktów wypuszczonych w przeszłości w podobnych segmentach?” analizę i ustawić ją jako zakres prognozy, z ostrożnym zapasem początkowym. Opinia eksperta uchyliła fikcyjne zaufanie sztucznej inteligencji.
Przypadek 3 — Stockless to pułapka dnia. Analityk stwierdził, że popyt na produkt spadł i zalecił zmniejszenie zapasów. Jego starszy kolega zauważył, że dni o najniższej sprzedaży w danych to w rzeczywistości dni braku towaru: popyt nie spadł, nie było towarów. Kiedy dane zostały poprawione za pomocą tej notatki i ponownie przekazane AI, okazało się, że realny popyt wzrósł. Niewłaściwie oczyszczone dane dają nieprawidłowe prognozy.
Cztery szablony do kopiowania
1) Ekstrakcja wzoru:
Twoja rola: asystent analityka planowania popytu. Poniżej znajdują się miesięczne dane dotyczące sprzedaży produktu (kod anonimowy: PRODUCT-X) za ostatnie 36 miesięcy. Miesiące kampanii [lista miesięcy], miesiące bez zapasów [lista miesięcy]. Zadanie: Podsumuj (1) trend, (2) wzór sezonowy, (3) godne uwagi wydarzenia. Weź pod uwagę, że miesiące bez zapasów ukrywają prawdziwy popyt. Miesiąc, za który nie podałem danych, jest sfabrykowany.
2) Test dokładności:
Wytypuj ostatnie 6 miesięcy, korzystając z pierwszych 30 z 36 miesięcy przedstawionych poniżej. Następnie porównaj moje przewidywania z rzeczywistymi wynikami z ostatnich 6 miesięcy; Oblicz odchylenie i całkowity MAPE dla każdego miesiąca. Powiedz mi, czy Twoje szacunki są stale stronnicze. Pokaż formułę.
3) Prognoza scenariusza:
Oszacuj miesięczne zapotrzebowanie na ten produkt w kolejnym kwartale w 3 scenariuszach: pesymistycznym/oczekiwanym/optymistycznym. Podaj przedział ufności dla każdego scenariusza i zapisz, na jakich założeniach się on opiera. Należy pamiętać, że nie jest to wartość ostateczna, ale stanowi okres planowania.
4) Kontrola pęknięć:
Wypisz, w jaki sposób prognoza oparta na danych historycznych, którą Ci przekazałem, może zostać unieważniona przez następujące nadchodzące wydarzenia: [nowy produkt / promocja / kryzys dostaw / zmiana przepisów]. Zasugeruj, jak ręcznie dostosować prognozę dla każdego z nich.
Słaba zachęta/silna zachęta
Słaba zachęta:
Ile sprzedam w przyszłym miesiącu?
Żadnych danych, żadnego produktu, żadnego kontekstu. AI albo odrzuca, albo godzi się; żaden wynik nie działa.
Potężny monit:
Twoja rola: asystent planowania popytu. Poniżej przedstawiono sprzedaż PRODUCT-X w ciągu ostatnich 24 miesięcy; Zaznaczone są miesiące kampanii i miesiące bez zapasów. Podaj pesymistyczną/oczekiwaną/optymistyczną prognozę na następne 3 miesiące, dodaj do każdego przedział ufności, pokaż MAPE z poprzedniego testu. Udawajmy, że mam ostateczną decyzję dotyczącą akcji.
Podejście
uderzyć
zarządzanie niepewnością
Ryzyko
polegać na jednym numerze
wprowadzające w błąd
Żadne
Wysoki — plan się załamuje
Scenariusz + zakres
realistyczne
dobrze
niski
po prostu intuicja
Zmienna
słaby
średnio-wysoki
Ślepe posłuszeństwo AI
Zmienna
Żadne
wysoki
Typowe błędy
- Mylenie dnia wyczerpania zapasów z naprawdę niskim popytem. Gdy towary nie są dostępne, sprzedaż wydaje się niska; Nie oznacza to jednak spadku popytu.
- Zablokowanie jednego numeru. Uznanie przepowiedni za prawdę absolutną oznacza zignorowanie niepewności; Zawsze pytaj o zasięg i scenariusz.
- Brak tagowania kampanii. Model, który uważa, że odbicia promocyjne są „normalne”, wypacza przyszłość.
- Prognoza nowego produktu bez historii. Pozornie bezpieczna liczba AI dla produktu bez danych jest bezpodstawna.
- Pozostawiamy łamanie AI. Sztuczna inteligencja nie zna załamań strukturalnych, takich jak epidemie, kryzysy dostaw i ustawodawstwo; Konieczna jest interwencja specjalisty.
Uwaga: niezależnie od tego, jak dobrze wygląda prognoza, nie może ona być lepsza od jakości danych, na których jest oparta. „Śmieci wpadają, śmieci wychodzą”. Spędzaj większość czasu na czyszczeniu danych; Część modelowa zajmie się resztą.
Podsumowując
Prognozowanie popytu to silnik łańcucha dostaw, a sztuczna inteligencja to potężny asystent, który przyspiesza ten silnik. Ale sztuczna inteligencja uczy się z przeszłości; myli się, gdy przyszłość nie przypomina przeszłości. Rejestruj trendy i sezonowość, oznaczaj zdarzenia, mierz dokładność za pomocą MAPE i kierunek dryfu, konfiguruj prognozę jako scenariusz i zakres, a nie pojedynczą liczbę. Ocena ekspercka ma pierwszeństwo w przypadku nowych produktów i przełamań konstrukcyjnych. Czyszczenie danych jest podstawą wszystkiego; Ostateczny plan należy do Ciebie.
Zadanie aplikacji
Zdobądź dane sprzedażowe jednego ze swoich produktów (lub produktu hipotetycznego) z ostatnich 12-24 miesięcy, oznacz kampanię i miesiące braku towaru. Poproś sztuczną inteligencję o trzy scenariusze za pomocą szablonu „przewidywania scenariuszy”. Następnie zapisz część historii za pomocą szablonu „Test dokładności” i porównaj przewidywania z rzeczywistością. Zapisz znaleziony MAPE i wybrany scenariusz wraz z uzasadnieniem w 5 pozycjach; Określ także, który bufor bezpieczeństwa dodasz.
lista kontrolna
- [ ] Czy wyczyściłem dane, zaznaczyłem braki w magazynie i dni kampanii?
- [ ] Czy zweryfikowałem przewidywania za pomocą MAPE i kierunku odchyleń poprzez weryfikację historyczną?
- [ ] Czy zamiast pojedynczej liczby poprosiłem o scenariusz i przedział ufności?
- [ ] Jeśli pojawił się nowy produkt/usterka, czy traktowałem priorytetowo ocenę ekspercką?
- [ ] Czy poddałem ostateczny plan zapasów mojej własnej zgodzie?