تحليل اتجاهات الموضة وتوقعات الطلب

المكاسب:

• فهم دور الذكاء الاصطناعي والبرمجة اللغوية العصبية في استخلاص إشارات الاتجاه من وسائل التواصل الاجتماعي وبيانات البحث وسجل المبيعات
• القدرة على تكوين التنبؤ بالطلب وإعداد السيناريو على أساس SKU باستخدام طرق السلاسل الزمنية
• القدرة على التحقق من الاتجاه والتنبؤ بالمخرجات من خلال تحقيق المبيعات وبيانات المخزون والحكم التجاري

الموضة بطبيعتها تراهن على المستقبل. يتم التخطيط للمجموعة قبل أشهر، ويتم طلب القماش مسبقًا، ويتم الإنتاج قبل المتجر. إذا كانت التوقعات خاطئة، فهناك نوعان من المعاناة: التكدس (البضائع غير المباعة، الخصم، التدمير) ونقص المخزون (عدم وجود سلع قابلة للبيع، فقدان الإيرادات). يساعد الذكاء الاصطناعي في تقليل حالة عدم اليقين هذه: فهو يستخرج إشارات الاتجاه من وسائل التواصل الاجتماعي وبيانات البحث وتاريخ المبيعات ويتنبأ بالطلب حسب المنتج. لكن الموضة هي سلوك إنساني؛ ولا يمكن لأي نموذج أن يضمن لحظة انتشار الفيروس أو صدمة اقتصادية. في هذه الوحدة، سنناقش تحليل الاتجاه والتنبؤ بالطلب بطريقة منضبطة.

من أين تأتي إشارة الاتجاه؟

المادة الخام لتحليل الاتجاه هي مصادر البيانات المختلفة. وسائل التواصل الاجتماعي والمنصات المرئية: ما هو اللون والصورة الظلية والشكل الذي يزداد ظهوره؟ بيانات البحث: ما يبحث عنه الأشخاص هو إشارة نية مبكرة. تاريخ المبيعات: ما الذي يتم بيعه في متجرك الخاص ومتى وفي أي منطقة. خدمات الاتجاه (مثل منشورات الصناعة): التنبؤات مع تعليقات الخبراء. بيانات المنافسة/السوق: ما يطرحه المنافسون.

يقوم الذكاء الاصطناعي بوظيفتين هنا. فهو يستخرج الموضوع والمشاعر من النص والعلامات باستخدام معالجة اللغة الطبيعية (NLP) ("الحديث عن هذا اللون يتزايد، والنغمة إيجابية"). يقوم بجمع اتجاهات اللون والنمط والصورة الظلية من الصور من خلال تحليل الصور. هذه كلها إشارات وليست دليلاً. الإشارة صاخبة. قد لا يتم تبادل التنقل على منصة واحدة من قبل قاعدة عملاء أخرى.

نصيحة: قم دائمًا بتصفية إشارة الاتجاه استنادًا إلى قاعدة العملاء وبيانات المبيعات الخاصة بك. قد لا يكون الاتجاه الصعودي على منصة عالمية صالحًا في منطقتك وقطاع الأسعار الخاص بك. "الجميع يفعل هذا" ليس استراتيجية.

توقعات الطلب: SKU، السلاسل الزمنية وعدم اليقين

عادةً ما يتم التنبؤ بالطلب على مستوى SKU (وحدة حفظ المخزون؛ مجموعة ألوان محددة لمنتج معين). النهج الأساسي هو تحليل السلاسل الزمنية: التنبؤ بالمستقبل من نمط المبيعات الماضية مع مرور الوقت (الاتجاه، الموسمية، الدورة). الأساليب الكلاسيكية (المتوسط ​​المتحرك، التجانس الأسي، ARIMA) وأساليب التعلم الآلي تقوم بهذه المهمة.

النقطة الحرجة: التقدير الجيد ليس رقمًا واحدًا، بل نطاقًا واحتمالًا. بدلاً من "سيتم بيع 1200 من SKU هذا"، فإن "فرصة 80٪ لـ 950-1450" أكثر فائدة لأنها تسمح لك باتخاذ قرار الأسهم بناءً على الرغبة في المخاطرة. أقوى طريقة للتحقق من مخرجات النموذج هي الاختبار الخلفي: تدريب النموذج على بيانات من تاريخ سابق ومقارنتها بالبيع الفعلي التالي. إذا لم يتنبأ النموذج بشكل جيد في الماضي، فإنه لا يمكن الاعتماد عليه في المستقبل.

بالنسبة للمنتجات الجديدة (بدون تاريخ المبيعات)، يكون التنبؤ أكثر صعوبة؛ يتم استخدام التاريخ (التناظري) وإشارة الاتجاه للمنتجات المماثلة معًا، ولكن عدم اليقين مرتفع ويجب قبول ذلك.

خطوة بخطوة: سير عمل الاتجاه والتوقعات

1. جمع وتنظيف البيانات. المبيعات والعوائد والأسهم وتقويم الحملة وإشارات الاتجاه.
2. التمييز بين الموسمية والاتجاه. ما مقدار المبيعات الموسمية وما هو الاتجاه الفعلي.
3. توليد التنبؤ (الفاصل الزمني). القيمة المتوقعة وفاصل الثقة بواسطة SKU.
4. باكتست. قياس الدقة التاريخية للنموذج؛ إذا كان سيئًا، فارجع إلى النموذج البسيط.
5. الصحيح مع الحكم التجاري. أضف الأحداث المعروفة يدويًا (متجر جديد، حملة، مشكلة التوريد) إلى النموذج.
6. مشاهدة وتحديث. قم بمراجعة التوقعات عند وصول المبيعات الفعلية (توقعات متجددة).

ثلاث حالات صغيرة: بالأرقام

الحالة 1 - تخفيض المخزون الزائد. كانت إحدى العلامات التجارية تنتج كمية كبيرة جدًا من مجموعة الألوان في كل موسم وتبيعها بخصم 40% في نهاية الموسم. أظهر تقدير SKU الذي تم اختباره مسبقًا مع المبيعات التاريخية أنهم كانوا يفرطون في الإنتاج بعدة أحجام، وليس أنهم كانوا يبيعون أقل من الطلب في هذا اللون. وعندما تم تصحيح توزيع الحجم، انخفض معدل المبيعات المخصومة من 40% إلى 26%.

الحالة 2 - إشارة خاطئة. وضع أحد الفرق لونًا نيونًا على المجموعة التي انتشرت عبر منصة اجتماعية؛ وكانت الإشارة العالمية قوية. لكن قاعدة عملائهم (القطاع الكلاسيكي الناضج) لم تتخذ هذه النبرة؛ تم الاحتفاظ بالحزب. تم تقديم قاعدة لتصفية إشارة الاتجاه للموسم التالي ببيانات المبيعات الخاصة بها. الدرس: الإشارة مضللة بدون شرائح.

الحالة 3 - قيمة التنبؤ بالفاصل الزمني. عندما قدم المشتري طلبًا بناءً على توقعات نقطة "بيع 1000 وحدة"، أعطى النموذج نطاقًا بنسبة 80٪ يتراوح بين 700 و1400. رأى المشتري المخاطرة وأبقى الطلب الأول عند 800 وخطط للتجديد السريع وفقًا لاتجاه المبيعات؛ لقد تجنب كلاً من التكدس والنقص في المخزون. اتخذ شهر ديسمبر قرارات أكثر ذكاءً من الأرقام الفردية.

موجه ضعيف / موجه قوي

حث ضعيف:

قل لي ما سوف تبيع الموسم المقبل.

مطالبة قوية:

دورك: محلل تخطيط الأزياء. فيما يلي بيانات المبيعات الشهرية لآخر 3 سنوات (SKU والكمية) وتقويم الحملة وملاحظات الاتجاه لهذا الموسم. المهمة: 1) فصل الموسمية والاتجاه، اشرح بإيجاز. 2) تقديم توقعات الموسم المقبل لوحدات SKU ذات الصلة؛ ليس بشكل واضح، ولكن كفاصل ثقة بنسبة 80%. 3) كيف توصي بإجراء اختبار رجعي لتوقعاتك؟ 4) أي من إشارات الاتجاه قد تكون محفوفة بالمخاطر في شريحة عملائنا؟ لا تختلق ما هو غير موجود في البيانات. البيانات: [الجدول]

مطالبة قوية بالتنبؤ بالفاصل الزمني، واقتراح الاختبار الخلفي وتصفية القطاع؛ لا يفرض دقة متناهية.

قوالب قابلة للنسخ

1) التحلل الموسمية:

افصل بين الاتجاه والموسمية والمكون غير المنتظم في سلسلة المبيعات الشهرية هذه وعلق بإيجاز على كل منها. إعطاء ملخص رقمي بدلا من الرسم. السلسلة: [البيانات]

2) توقعات الفاصل الزمني:

قم بإنشاء توقعات الفترة التالية [n] لـ SKU التالي. أعط القيمة المتوقعة وفاصل الثقة 80% لكل فترة. اذكر افتراضاتك بوضوح. التاريخ: [بيانات]

3) إعداد الاختبار الخلفي:

اكتب خطة لإجراء اختبار رجعي لنموذج التنبؤ بالطلب: تمييز التدريب/الاختبار، ومقياس الخطأ (مثل MAPE)، وعتبة القبول. واقترح أيضًا نموذج قياس منطقي بسيط (ساذج). السياق: [المنتج، حجم البيانات]

4) مرشح قطاع الاتجاه:

قم بتقييم إشارات الاتجاه هذه وفقًا لشريحة عملائنا (العمر والسعر والأسلوب): ما هي القوية، والتي تعتبر محفوفة بالمخاطر/غير ذات صلة؟ أضف مبررًا لكل منها واقترح التحقق من صحة بيانات المبيعات. الإشارات: [قائمة]

جدول المصدر والموثوقية

مصدر البيانات

ماذا تشير؟

القوة

الحدود

تاريخ المبيعات الخاصة

الطلب الحقيقي

عالية

ليس في المنتج الجديد

بيانات المكالمة

نية مبكرة

متوسطة

قد لا يعود للشراء

وسائل التواصل الاجتماعي

الرؤية / العاطفة

متوسطة

انحراف القطاع والضوضاء

خدمات الاتجاه

توقعات الخبراء

متوسطة

عام، مفتوح للجميع

بيانات المنافسين/السوق

تحديد المواقع

متوسطة

متأخر، جزئي

تحذير: لا يوجد تنبؤ يضمن المستقبل. يمكن للحظة سريعة الانتشار أو توقعات الطقس أو الصدمة الاقتصادية أو أزمة العرض أن تخدع حتى أفضل النماذج. استخدم التقدير كأداة احتمالية؛ لا تلتزم بشكل أعمى برقم واحد وقم بمراجعة الخطة مع وصول المبيعات الفعلية.

الأخطاء الشائعة

• الثقة العمياء في التنبؤ الدقيق. النطاق والاحتمال يصنعان قرارات أكثر ذكاءً.
• استقبال إشارة الاتجاه دون تصفية المقاطع. قد لا ينطبق الاتجاه العالمي على جمهورك.
• لا تفعل باكتستينغ. النموذج الذي كان سيئا في الماضي لا يمكن الاعتماد عليه في المستقبل.
• الخلط بين الموسمية والاتجاه. إن الخلط بين النمو الموسمي والنمو الدائم يؤدي إلى الإفراط في الإنتاج.
• عدم مراجعة الخطة. يجب تحديث التوقعات مع وصول المبيعات الفعلية.

باختصار

يعد تحليل اتجاهات الموضة والتنبؤ بالطلب بمثابة محاولة لتقليل عدم اليقين بشأن الرهان على المستقبل. يستخرج الذكاء الاصطناعي الاتجاهات من إشارات متعددة المصادر (وسائل التواصل الاجتماعي، والبحث، والمبيعات) وينتج توقعات الطلب حسب SKU؛ ولكن يجب أن تمر الإشارة عبر مرشح المقطع، ويجب أن يكون التنبؤ متباعدًا ومختبرًا بشكل عكسي. فالنموذج أداة احتمال وليس نبيًا؛ ويظل القرار النهائي بشأن الأسهم ورغبة المخاطرة في حكم الأعمال.

مهمة التطبيق

أنشئ سلسلة مبيعات شهرية وهمية (أو حقيقية) مدتها ثلاث سنوات لوحدة SKU. قم بتطبيق قوالب "التحليل الموسمي" و"التنبؤ بالفترات" من هذه الوحدة. انظر إلى نطاق التوقعات الذي قدمه الذكاء الاصطناعي واشرح في فقرة المكان الذي ستضع فيه، كمشتري، الطلب الأول في النطاق ولماذا (الرغبة في المخاطرة). اكتب أيضًا في جملة واحدة كيف يمكنك إجراء اختبار عكسي لهذا التوقع.

قائمة مرجعية

• [ ] أقوم بتقييم التوقعات بالمدى والاحتمال، وليس بالنقطة.
• [ ] أقوم بتصفية إشارات الاتجاه مع شريحة العملاء الخاصة بي.
• [ ] أقوم بالتحقق من صحة النماذج من خلال الاختبار الخلفي.
• [ ] أميز بين الموسمية والاتجاه الدائم.
• [ ] أقوم بمراجعة الخطة مع وصول المبيعات الفعلية.