التنبؤ بالطلب: توقعات المبيعات والموسمية وتحليل الاتجاه

المكاسب:

• القدرة على إنتاج مسودة توقعات الطلب على أساس SKU مع دعم الذكاء الاصطناعي من خلال الجمع بين بيانات المبيعات التاريخية والتأثيرات الموسمية والعوامل الخارجية.
• القدرة على تفسير دقة التنبؤ (MAPE، التحيز) وتمييز العواقب التجارية للمبالغة في التقدير والتقليل من التقدير
• القدرة على الحفاظ على أن التوقعات التي ينتجها الذكاء الاصطناعي هي تنبؤ وأن قرار الطلب النهائي يعود إلى المدير بالإضافة إلى تكلفة المخزون والتدفق النقدي.

هناك خطأان الأكثر تكلفة في تجارة التجزئة: الاحتفاظ بكمية كبيرة من المخزون وترك الأموال تضعف على الرف، أو عدم الاحتفاظ بما يكفي من المخزون وترك العميل خالي الوفاض. وكلاهما لهما نفس المصدر: التنبؤ السيئ بالطلب. ستتعلم في هذه الوحدة كيفية استخدام الذكاء الاصطناعي كمساعد قوي يتنبأ بالمستقبل من المبيعات السابقة. لكن دعنا نقول من البداية: التنبؤ ليس نبوءة، بل توقع احتمالي. الذكاء الاصطناعي يمنحك رقمًا؛ إنها وظيفتك أن تترجم هذا الرقم إلى قرار أمري.

التنبؤ بالطلب: هي مهمة التنبؤ بكمية المنتج أو الفئة التي سيتم بيعها في المستقبل من خلال النظر في البيانات التاريخية والعوامل المؤثرة.

SKU (وحدة حفظ المخزون): هو رمز المخزون الفريد الذي يتم الاحتفاظ به لكل منتج مختلف. على سبيل المثال، "أحذية رياضية حمراء مقاس 42" هي SKU؛ رقم 43 من نفس النموذج هو SKU منفصل.

ثلاثة مصادر للمعلومات التي تغذي التوقعات

فالتوقع الجيد يجمع بين ثلاثة أشياء:

1. المبيعات التاريخية (خط الأساس): المبيعات الأسبوعية/الشهرية للمنتج خلال آخر 12-24 شهرًا. يستخرج الذكاء الاصطناعي مستوى "عاديًا" من هذه السلسلة.
2. التأثيرات الموسمية والتقويمية: العطلات، الفصل الدراسي، الصيف والشتاء، عطلة نهاية الأسبوع، يوم الدفع. فمثلا يكثر الآيس كريم في الصيف وتكثر الجوارب في الشتاء.
3. العوامل الخارجية: الحملة، تغير الأسعار، الطقس، حركة المنافس، الافتتاح/الإغلاق. هذه تدفع التقدير لأعلى أو لأسفل.

نصيحة: لا تقل للذكاء الاصطناعي "لقد بعنا 100 قطعة الشهر الماضي". لنفترض: "لقد بعنا 100 قطعة في الشهر الماضي، ولكن كان هناك خصم بنسبة 20% وكان أسبوع العطلة." وبدون سياق، يكون التنبؤ مضللاً.

توليد التنبؤ خطوة بخطوة

1. قم بإعداد البيانات: جدول واضح ومجهول: التاريخ، SKU، الكمية المباعة، السعر، الترويج/بدون ترويج، التوفر. بمناسبة أيام نفاد المخزون؛ وإلا فإن الذكاء الاصطناعي سوف يعتقد أن هذا اليوم هو "الطلب المنخفض".
2. إعطاء السياق: اكتب الموسم والأحداث القادمة والحملات المخطط لها.
3. طلب تنبؤ: اطلب تنبؤًا وفاصل ثقة (السيناريو الأسوأ/الأفضل) لفترة محددة، حسب SKU أو الفئة.
4. دقة القياس: قارن توقعاتك السابقة بالواقع (MAPE أدناه).
5. حوله إلى قرار: اجمع بين التقدير ومخزون السلامة والميزانية واتخذ قرار الطلب.

دقة توقعات القراءة: MAPE والتحيز

MAPE (متوسط ​​النسبة المئوية للخطأ المطلق): يعرض متوسط ​​النسبة المئوية لانحراف التوقعات عن المبيعات الفعلية. الصيغة ببساطة هي: |فعلي − توقعات| لكل فترة / الحقيقي هو متوسطهم.

• MAPE 10% → تنحرف التقديرات بنسبة 10% في المتوسط، وهو أمر جيد جدًا.
• MAPE 40% → التوقعات غير موثوقة، هناك حاجة إلى مزيد من المخزن المؤقت (مخزون الأمان) لاتخاذ قرار الطلب.

الاتجاه (التحيز): هل توقعاتك أعلى باستمرار (خطر الإفراط في التخزين) أو أقل (خطر نفاذ المخزون) من الواقع؟ شاهد هذا أيضاً؛ MAPE لا يظهر الاتجاه.

الحالة

معنى

نتيجة الأعمال

تقديرات عالية مستمرة

أنت تبالغ في الطلب

المخزون الزائد، والانهيار، وفقدان الهامش

التقليل المستمر من التقدير

أنت تقلل من الطلب

نفاد المخزون، فقدان المبيعات، عدم الرضا

ارتفاع MAPE، اتجاه متوازن

عدم اليقين مرتفع

زيادة مخزون السلامة، ومراجعته بشكل متكرر

ماب منخفض

التنبؤ الدقيق

مخزون أصغر حجما، نقدا أفضل

حالات صغيرة

الحالة 1 - الموسمية المفقودة: يطلب محل بقالة دفاتر ملاحظات مدرسية استنادًا إلى مبيعات شهر يوليو من العام الماضي (200 وحدة شهريًا). عندما يتم إعطاء الذكاء الاصطناعي سياق "الفصل الدراسي من أغسطس إلى سبتمبر، تضاعفت المبيعات أربع مرات في هذه الفترة من العام الماضي"، يزداد التوقع إلى 780 وحدة بدلاً من 200. وبفضل الترتيب الصحيح، لن ينفد المخزون خلال العام الدراسي؛ تم القبض على حجم التداول المقدر بـ 60.000 ليرة تركية، والذي هرب في العام السابق، هذا العام.

الحالة 2 - عدم احتساب يوم نفاد المخزون: نفاد مخزون القهوة الشعبية من المتجر لمدة 3 أسابيع. وبالنظر إلى البيانات الأولية، يرى الذكاء الاصطناعي أن تلك الأسابيع هي "5 مبيعات في الأسبوع" ويعطي تقديرًا منخفضًا. عندما يحدد المحلل الأيام التي لا يوجد بها مخزون ويقول "هذه الأسابيع لا تعكس الطلب"، ترتفع التوقعات إلى 45 أسبوعيًا. الطلب الحقيقي يظهر.

الحالة 3 - تعميم تأثير الحملة: تعتبر سلسلة منسوجات أن تخفيضات الأسبوع بنسبة 50% (600 وحدة) "طبيعية" وتطلب باستمرار 600 وحدة. عندما يتم إخبار الذكاء الاصطناعي "تم إجراء هذا البيع من خلال حملة لمرة واحدة، الأسبوع العادي هو 180"، تم تصحيح التوقع. يتم منع خطر تكدس المخزون وخسارة تخفيض الأسعار اللاحقة.

أفق التنبؤ: إلى أي مدى يمكنك أن ترى؟

أفق التنبؤ: إلى أي مدى يتم التنبؤ في المستقبل. والقاعدة بسيطة: كلما كان الأفق أطول، كلما زاد عدم اليقين. أنت تتنبأ بمبيعات الأسبوع المقبل بشكل دقيق نسبياً؛ بعد ستة أشهر مع نطاق أوسع بكثير. لذا اختر أفق التوقع وفقًا لحاجة قرار الطلب: أفق قصير وتحديث متكرر للمنتج الجديد الذي ينفد بسرعة؛ أفق أطول وهامش أمان أوسع للمنتج المستورد مع فترات زمنية طويلة.

هناك تمييز مهم آخر وهو التنبؤ بالمنتجات الجديدة. لا يوجد بيع سابق لـ SKU جديد؛ في هذه الحالة، يمكنك إعطاء الذكاء الاصطناعي تاريخ المنتجات المماثلة (التناظرية)، ومتوسط ​​الفئة، وخطة الإطلاق. إن قول "هذا المنتج ليس له تاريخ؛ قم بتقديم تقدير أولي من خلال النظر إلى أول 8 أسابيع من المنتجات المماثلة X وY" يعد طريقة معقولة لملء الفراغ. ومع ذلك، فإن التنبؤ بالمنتجات الجديدة يكون دائمًا أكثر خطورة؛ قم بمراجعة التوقعات بسرعة عندما تصبح البيانات الفعلية للأسابيع الأولى متاحة.

تحذير: لا تتعامل مع التقدير على أنه معاملة "افعلها مرة واحدة ثم انساها". إن التنبؤ بالطلب هو عملية حية؛ يمثل كل أسبوع مبيعات جديد فرصة لتحديث التوقعات. أفضل المتنبئين هم أولئك الذين يستخدمون النموذج الذي يتم تحديثه بشكل متكرر، وليس النموذج الأكثر ذكاءً.

موجه ضعيف / موجه قوي

حث ضعيف:

أخبرني كم سيبيع هذا المنتج الشهر المقبل.

لا يوجد سياق. يقوم الذكاء الاصطناعي بتكوين رقم عشوائي.

مطالبة قوية:

دورك: أخصائي تخطيط الطلب. البيانات: فيما يلي كمية المبيعات الشهرية والسعر لآخر 18 شهرًا لـ SKU 4471 وما إذا كانت هناك حملة في ذلك الشهر. السياق: هذا المنتج عبارة عن صنادل صيفية؛ يصل الطلب إلى ذروته في شهري مايو وأغسطس. الشهر القادم هو يونيو. لا توجد حملة مخطط لها. السعر ثابت.المهمة: (1) كمية المبيعات المتوقعة لشهر يونيو، (2) نطاق السيناريو الأسوأ والأفضل، (3) عاملان رئيسيان يؤثران على التوقعات. القاعدة: لا تحسب الأشهر التي تم وضع علامة على أنها نفدت من المخزون باعتبارها طلبًا منخفضًا. استنادًا إلى البيانات المقدمة فقط. البيانات: [لصق الجدول]

قوالب سريعة قابلة للنسخ

1) التنبؤ القائم على SKU

دورك: أخصائي تخطيط الطلب. قم بإنشاء توقعات [فترة] مستقبلية لـ [SKU] من سلسلة المبيعات الشهرية المجهولة التالية. المخرجات: الكمية المتوقعة + أسوأ/أفضل نطاق + 2 افتراضات. استبعاد الفترات التي تم وضع علامة على نفاد المخزون. البيانات: [لصق]

2) إزالة النمط الموسمي

ابحث عن النمط الموسمي المتكرر في سلسلة المبيعات لمدة 24 شهرًا أدناه. ما هي الأشهر الأعلى وأي الأشهر هي الأسفل؟ أعط الانحراف عن المتوسط ​​كنسبة مئوية. تقديمها على شكل جدول. البيانات: [لصق]

3) تقييم دقة التنبؤ

فيما يلي تقديراتي التاريخية والمبيعات الفعلية. (1) احسب MAPE، (2) هل تتجه توقعاتي باستمرار نحو الأعلى أو الأسفل، (3) ماذا يعني هذا بالنسبة للسهم؟ عرض خطوة بخطوة. البيانات: [التقديرات، الأعمدة الفعلية]

4) استخراج تأثير الحملة

تم وضع علامة على أسابيع الحملة في سلسلة المبيعات أدناه. تقدير الطلب العادي (غير المتعلق بالحملة)؛ قم بإعطاء تأثير الحملة كنسبة مئوية منفصلة للرفع. لذلك أريد أن أرى مستوى الطلب الطبيعي. البيانات: [لصق]

الأخطاء الشائعة

• عدم إعطاء السياق: إذا لم يتم تحديد الحملة أو الموسم أو تغير السعر، فسيكون التوقع مضللاً.
• ما إذا كان سيتم احتساب أيام نفاد المخزون كطلب: تخفي فترة نفاد المخزون الطلب الحقيقي؛ علامة.
• قبول المبيعات الترويجية كالمعتاد: الاعتقاد بأن الزيادة لمرة واحدة دائمة سيؤدي إلى زيادة المخزون.
• الاعتماد على رقم واحد: عدم الرغبة في نطاق (سيناريو) والاعتماد على نقطة واحدة يخفي الخطر.
• عدم قياس الدقة على الإطلاق: إذا لم تتم مراقبة MAPE والاتجاه، فإن التنبؤ يصبح أسوأ فأسوأ.
• إصدار أوامر مباشرة مع تقديرات: الطلب بدون التحكم النقدي والمستودعات ومدة الصلاحية.

في ملخص

يجمع التنبؤ الجيد بين المبيعات السابقة والموسمية والعوامل الخارجية. تأكد من إعطاء الذكاء الاصطناعي السياق (الحملة، الموسم، أيام نفاد المخزون). مراقبة دقة التنبؤ باستخدام MAPE واتجاه التحيز؛ زيادة مخزون السلامة في حالة عدم اليقين العالية. التنبؤ هو التنبؤ. القرار النهائي بشأن الطلب يعود إليك، إلى جانب الميزانية والقيود.

مهمة التطبيق

احصل على مبيعات أفضل 5 وحدات SKU مبيعًا خلال آخر 12 إلى 18 شهرًا في جدول مجهول وحدد فترات نفاد المخزون وفترات الحملة. أنشئ تنبؤًا مستقبليًا باستخدام المطالبة "1) التنبؤ المستند إلى SKU"، ثم استخرج MAPE لتوقعاتك السابقة باستخدام "3) تقييم دقة التنبؤ". قارن النتيجة بقرار الطلب الخاص بك.

قائمة مرجعية

• [ ] لقد قمت بإخفاء بيانات مبيعاتي وتنظيفها.
• [ ] قمت بوضع علامة على فترات نفاد المخزون وفترات الحملة.
• [ ] أعطيت الموسم وسياق العوامل الخارجية للذكاء الاصطناعي.
• [ ] أردت نطاق سيناريو، وليس رقمًا واحدًا.
• [ ] لقد قمت بفحص اتجاه MAPE والانعراج.
• [ ] لقد اتخذت قرار الطلب بناءً على الميزانية والقيود.