የፍላጎት ትንበያ

ትርፍ፡

• የፍላጎት ትንበያ ዘዴዎችን የመለየት ችሎታ (አማካይ ተንቀሳቃሽ ፣ ገላጭ ማለስለስ ፣ ወቅታዊነት)
• የትንበያ ሁኔታዎችን ከ AI ጋር የማዋቀር እና እንደ MAPE/MAE ባሉ መለኪያዎች ትክክለኛነትን የመገምገም ችሎታ
• የትንበያ ውጤትን ከንግድ አውድ እና የማስተዋወቂያ/ወቅታዊ ተፅእኖዎች ጋር የማጣራት ችሎታ

የፍላጎት ትንበያ የምርት ዕቅድ ፣ የዕቃ አያያዝ እና አጠቃላይ የአቅርቦት ሰንሰለት የተመሠረተበት መሠረት ነው። የተሳሳተ ትንበያ በሁለቱም መንገድ ውድ ነው፡ ከመጠን በላይ መገምገም የምርት ወጪዎችን እና ብክነትን ይፈጥራል፣ ማቃለል ሽያጮችን ማጣት እና የደንበኛ እርካታን ያስከትላል። አርቲፊሻል ኢንተለጀንስ በትንበያ ሂደት ውስጥ በብዙ ቦታዎች ይረዳል፣ ዘዴን ከመምረጥ ጀምሮ ታሪካዊ መረጃዎችን ለመተርጎም እና ሁኔታዎችን ለመፍጠር፤ ግን ትንበያውን እንደ "አስማት ክሪስታል ኳስ" ማየት ትልቁ ስህተት ነው። በዚህ ክፍል ውስጥ ክላሲካል ትንበያ ዘዴዎችን, በ AI በትክክል እንዴት እንደሚገነቡ እና እንዴት ትክክለኛነትን እንደሚለካ እንሸፍናለን.

የትንበያ ዘዴዎች አጭር ካርታ

እያንዳንዱ ተከታታይ ፍላጎት ተመሳሳይ አይደለም; አንዳንዶቹ ጠፍጣፋ ናቸው, አንዳንዶቹ አዝማሚያዎች, አንዳንዶቹ ወቅታዊ ናቸው. በተከታታዩ መሰረት ዘዴውን መምረጥ ያስፈልጋል.

ዘዴ

መቼ ተገቢ ነው?

ትኩረት

ናይቭ (የመጨረሻው ዋጋ)

ለማነጻጸር (ቤንችማርክ)

አዝማሚያውን/ወቅቱን አይከተልም።

የሚንቀሳቀስ አማካይ

የማይንቀሳቀስ፣ ጫጫታ ተከታታይ

ለአዝማሚያው ዘግይቶ ምላሽ ይሰጣል

ገላጭ ማለስለስ (SES)

የጽህፈት መሳሪያ ተከታታይ፣ በአቅራቢያው ባለው መረጃ ላይ አፅንዖት ይሰጣል

ምንም አዝማሚያ ከሌለ ጥሩ

ሆልት (ድርብ ገላጭ)

ወቅታዊ ተከታታይ

ወቅቱን አይይዝም

ሆልት-ክረምት

አዝማሚያ + ወቅታዊነት

በቂ ታሪካዊ መረጃ ያስፈልገዋል

ሪግሬሽን/ML

ባለብዙ-ተለዋዋጭ ፣ ማስተዋወቅ ውጤታማ

ከመጠን በላይ የመጠጣት አደጋ

ጠቃሚ ምክር፡ ሁል ጊዜ በ"ጅል" ግምት ይጀምሩ። የእርስዎ ውስብስብ ሞዴል ከዋህነት ግምት የማይበልጥ ከሆነ, ውስብስብነቱን መሸከም ዋጋ የለውም. ናይቭ ትክክለኛነትን ለመለካት ነፃ መለኪያ ነው።

ትክክለኛነትን እንዴት እንለካለን? (መለኪያዎች)

የትንበያ ትክክለኛነት ሳይለካ ሊሻሻል አይችልም። በጣም የተለመዱት መለኪያዎች:

• MAE (ፍፁም ስህተት)፡ የስህተቶቹ ፍፁም ዋጋ አማካይ። ክፍሉ ከፍላጎት ክፍል ጋር ተመሳሳይ ነው.
• RMSE (Root Mean Square Error): ትላልቅ ስህተቶችን የበለጠ ያስቀጣል።
• MAPE (የፍፁም መቶኛ ስህተት)፡ በመቶኛ; በንጥሎች መካከል ለማነፃፀር ጥሩ ነው፣ ነገር ግን ፍላጎት ወደ ዜሮ በሚጠጋበት ጊዜ የተዛባ።
• አድልዎ: አማካይ ስህተት; ያለማቋረጥ ገምተው/እንደሚገምቱት ያሳያል።

ትንሽ የናሙና መለያ። ትክክለኛው ፍላጎት [100, 120, 90] ይሁን, ትንበያው [110, 115, 100] ይሁን:

ስህተቶች (ትክክለኛ - ትንበያ): -10, +5, -10 ፍጹም ስህተቶች: 10, 5, 10 → MAE = 25/3 ≈ 8.33 በመቶኛ ስህተቶች: 10/100, 5/120, 10/90 = 10%, 4.17.1% ( + 17.1%) + 11.11) / 3 ≈ 8.43% ቢያስ = (-10 + 5 - 10) / 3 = -5 → በአማካኝ ግምት (ትንበያ > ትክክለኛ)

አሉታዊ አድልዎ (እውነተኛ የመቀነስ ግምት) ግምቱ ያለማቋረጥ የተገመተ መሆኑን ያሳያል። ይህ ማለት የዋጋ ግሽበት ማለት ነው። እንደዚህ ያሉ የአቅጣጫ ስህተቶች በ MAPE ውስጥ ሊደበቁ ይችላሉ, ስለዚህ አብረው ይመለከታሉ.

የትንበያ ሂደቱን በ AI መገንባት

በሁለት ቦታዎች ላይ AIን በብቃት መጠቀም ትችላለህ፡ (1) መረጃን ለማየት እና ተገቢውን ዘዴ እና እርምጃዎችን ለመጠቆም እና (2) የመገመቻ ኮድ ለመፍጠር። ለአስተያየት ዘዴ፡-

ተግባር፡ በፍላጎት ትንበያ ልምድ ያለው የኢንዱስትሪ መሐንዲስ ነዎት። ተግባር፡ ከዚህ በታች ያለውን ወርሃዊ የሽያጭ ተከታታይ መርምር እና ተገቢውን የትንበያ ዘዴ ምከር። አዝማሚያ እና ወቅታዊነት መኖሩን ይገምግሙ, ማረጋገጫዎን ይፃፉ. ውሂብ (ወርሃዊ፣ ያለፉት 24 ወራት)፡ {{እሴቶች}}ተጨማሪ መረጃ፡ በታህሳስ ውስጥ ማስተዋወቂያ አለ፣ በበጋ ወራት ፍላጎት ይቀንሳል። የምፈልገው ውጤት፡1. በተከታታዩ ባህሪ ላይ አስተያየት ይስጡ (የተረጋጋ/አዝማሚያ/ወቅታዊ)።2. 2 የሚመከሩ ዘዴዎች እና ለምን.3. የትኛውን ትክክለኛነት መለኪያ መከታተል አለብኝ?4. ልንጠነቀቅባቸው የሚገቡ ወጥመዶች (ከሌላ፣ የማስተዋወቂያ ውጤት) ደንብ፡ ውሂቡን ሳታዩ ፍጹም ትክክለኛነትን ቃል አትስጡ።

ደካማ ፈጣን/ጠንካራ ፍጥነት

ደካማ ጥያቄ፡

በሚቀጥለው ወር ምን ያህል እሸጣለሁ?

ይህ ውሂብ ወይም አውድ የለውም; AI አይቀበለውም ወይም ሙሉ በሙሉ የተሰራ ቁጥር ይመልሳል። እንዲህ ዓይነቱ ምርት እምነት የሚጣልበት ስለሚመስል አደገኛ ነው.

ኃይለኛ ጥያቄ፡-

በዚህ የ24-ወር ተከታታዮች የሆልት-ዊንተርስ አመክንዮ በመጠቀም የሚቀጥሉትን 3 ወራት ይተነብዩ። የወቅቱ ርዝማኔ 12 ነው. በመጀመሪያ የስልቱን ግምቶች ይፃፉ, ከዚያም ትንበያውን ይስጡ, ከዚያም ያለፉትን 6 ወራት በመሞከር MAPEን ያሰሉ. የማስተዋወቂያውን ወራት ለየብቻ ምልክት ያድርጉበት። ውሂብ፡ {{...}}

ሁለተኛው ጥያቄ ሁለቱንም ትንበያ እና ምን ያህል በራስ መተማመን እንደሚገመት ይጠይቃል (የኋለኛ ሙከራ)። ይህ ትንበያውን ከ "ኦራክል" ወደ ሚለካ መሳሪያ ይለውጠዋል.

የኋሊት መሞከር፡ በመተንበይ ላይ ያለ እምነት መለካት

ትክክለኛው የትንበያ ፈተና ያለፈው እንጂ ወደፊት አይደለም። ያለዎትን መረጃ በሁለት ይከፍላሉ፡ ሞዴል ግንባታ (ባቡር) እና ሙከራ። ሞዴሉን ከመጀመሪያው ክፍል ጋር ይገነባሉ, የሚቀጥለውን ጊዜ ይተነብዩ እና ከእውነታው ጋር ያወዳድሩ. ይህ “የማቆየት” አመክንዮ አንድ ሞዴል በትክክል እየሰራ መሆኑን ወይም አለመሆኑን ያሳያል።

ለሚከተለው ተከታታይ ቀላል የጀርባ ሙከራ እቅድ አዘጋጅ፡- ያለፉትን 6 ወራት እንደፈተና ለይተው፣ 3 የተለያዩ ዘዴዎችን (naive፣ SES፣ Holt-Winters) በቀሪው መረጃ ማሰልጠን፣ በፈተና ጊዜ ውስጥ ለእያንዳንዱ MAPE እና አድልዎ አስላ፣ እና የንፅፅር ሠንጠረዥን ያድርጉ። አሸናፊውን ዘዴ እና ምክንያታዊነት ይፃፉ.

ይጠንቀቁ: AI አንዳንድ ጊዜ የኋላ ሙከራ ውጤቶችን "መተንበይ" እና ዝግጁ የሆነ ገበታ ሊያቀርብልዎ ይችላል; እሱ በትክክል ሳይሰላ ምክንያታዊ የሚመስሉ ቁጥሮችን መፍጠር ይችላል። የቁጥር ውጤቶችን በኮድ (Python/Excel) ማባዛቱን እርግጠኛ ይሁኑ። የቋንቋ ሞዴል ረጅም አርቲሜቲክን በአስተማማኝ ሁኔታ አይሰራም።

አነስተኛ መያዣ፡ የተትረፈረፈ የወቅቱ ምርት

የምግብ ማከፋፈያ ኩባንያ እንደ አይስ ክሬም ያለ ወቅታዊ ምርት በክረምት ወራት በጣም ብዙ ክምችት ስላለው ቅሬታ ያቀርባል። የኢንደስትሪ መሐንዲስ ኤሊፍ የ 3 ዓመታት ወርሃዊ መረጃን ለ AI ይሰጣል እና የተከታታዩን ባህሪ እንዲገመግም ጠየቀ። AI ጠንካራ ወቅታዊነት (የበጋ ጫፍ) እና ትንሽ አመታዊ የእድገት አዝማሚያን ይለያል, Holt-Winters ይጠቁማል. ኤሊፍ ትንበያውን በ Python ውስጥ ያመነጫል እና እንደገና ፈትሾታል፡ MAPE 14% ነው፣ ነገር ግን አድልዎ በጣም አሉታዊ ነው - ሞዴሉ በተከታታይ ይተነብያል። ምክንያቱን ሲመረምር፣ የዘመቻ ጊዜን በታሪካዊ መረጃ ላይ እንደ "መደበኛ" በመሳሳት ሞዴሉን በጣም ከፍተኛ መሠረት እንዳስተማረው አገኘው። የዘመቻውን ውጤት ስናስወግድ እና ሞዴሉን እንደገና ስንገነባ, አድልዎ ይቀንሳል እና የክረምቱ ክምችት በከፍተኛ ሁኔታ ይቀንሳል. ትምህርት: AI ዘዴውን በትክክል ጠቁሟል, ነገር ግን መረጃውን ለማጽዳት እና አድልዎ መተርጎም የሰው ስራ ነበር.

የተለመዱ ስህተቶች

• መለኪያዎችን አለመከታተል፡ መገመት እና ትክክለኛነትን ፈጽሞ አለመለካት። ያለ መለኪያ ትንበያ ሊሻሻል አይችልም.
• MAPEን መመልከት ብቻ፡ አድሎአዊነትን ችላ ማለት። የአቅጣጫ (ስልታዊ) ስህተት በፀጥታ የዕቃውን ብዛት ከፍ ያደርገዋል።
• በኤአይ የተሰሩ ቁጥሮችን ለስሌቶች መሳሳት፡- backtest እና ሜትሪክ እሴቶችን በኮድ አለመረጋገጥ።
• ውጫዊውን/ማስተዋወቂያውን አለማፅዳት፡ የአንድ ጊዜ ዘመቻን እንደ መደበኛ ፍላጎት በመሳሳት እና ለአምሳያው ማስተማር።
• ከመጠን በላይ መገጣጠም: ውስብስብ ሞዴል ባለፈው ጊዜ በትክክል ሲገጣጠም ነገር ግን ለወደፊቱ ደካማ አፈጻጸም ሲኖረው. ቀላልውን ሞዴል እንደ መለኪያ አድርገው ያስቀምጡ.

በማጠቃለያው

• እንደ ተከታታዩ ባህሪ (የቋሚ, ወቅታዊ, ወቅታዊ) ትንበያ ዘዴን ይምረጡ; ሁሌም እራስህን ከዋህ ጋር በማወዳደር ጀምር።
• በMAE/RMSE/MAPE ትክክለኝነትን ይለኩ፣ነገር ግን አድሎአዊነትን ይቆጣጠሩ፡የአቅጣጫ ስህተት በጣም ውድ ነው።
• ለዘዴ ምክር እና ኮድ ማመንጨት AI ይጠቀሙ; ትንበያውን እንደ “ትንቢት” ሳይሆን የሚለካ መሳሪያ አድርገው ያዘጋጁት።
• የኋላ መፈተሽ አንድ ሞዴል ምን ያህል መተማመን ሊሆን እንደሚችል እውነተኛ ፈተና ነው; የቁጥር ውጤቶችን በኮድ ማረጋገጥዎን እርግጠኛ ይሁኑ።
• ውሂቡን ማፅዳትና ውጤቱን መተርጎም የሰው ስራ ነው። AI እነዚህን ደረጃዎች ይዘላል.

የመተግበሪያ ተግባር

ቢያንስ የ18-24 ክፍለ ጊዜ ፍላጎት ተከታታይ (እውነተኛ ወይም ተጨባጭ ልብ ወለድ) ይኑርዎት። በመጀመሪያ ለ AI ተከታታዮቹን ይስጡ እና ባህሪውን (አዝማሚያ / ወቅታዊነት) እንዲተረጉም እና ሁለት ዘዴዎችን እንዲጠቁሙ ይጠይቁ. ከዚያ የመጨረሻዎቹን 6 ጊዜዎች እንደ ፈተና ለማስያዝ እና ቢያንስ ሁለት ዘዴዎችን ለማነፃፀር የ"Backtest plan" ኃይለኛ መጠየቂያውን ይጠቀሙ። ወሳኝ ደረጃ፡ በኤክሴል ወይም በፓይዘን በራስህ የተመለሱትን MAPE እና አድሎአዊ እሴቶችን አስላ እና ከ AI ውፅአት ጋር አወዳድር። የማይዛመድ ቁጥር ካገኙ ይፃፉ። በመጨረሻም የአድልዎ ምልክትን ይተርጉሙ፡ የእርስዎ ሞዴል ከመጠን በላይ የሚገመት ወይም የሚያቃልል ነው፣ እና ይሄ በእርስዎ ክምችት ላይ ምን ያደርጋል?