التنبؤ بالطلب: إدارة السلاسل الزمنية والموسمية وعدم اليقين

المكاسب:

• القدرة على فهم مفاهيم السلاسل الزمنية والاتجاه والموسمية وتأثير الحملة واستخدام الذكاء الاصطناعي للتنبؤ بالطلب من خلال الأسئلة الصحيحة والبيانات النظيفة.
• القدرة على تفسير دقة التنبؤ (MAPE، الانحراف) وعدم اليقين (فاصل الثقة، السيناريوهات) والتخطيط الأساسي على نطاق بدلاً من رقم واحد
• القدرة على التمييز بين أن التنبؤ بالذكاء الاصطناعي يعتمد على البيانات التاريخية وأن حكم الخبراء يظهر في المقدمة في حالات الانقطاعات مثل المنتجات الجديدة أو العروض الترويجية أو أزمات العرض.

يعتمد كل قرار في سلسلة التوريد على سؤال واحد: ما حجم الطلب الذي سيكون عليه؟ كلما أجبت على هذا السؤال بدقة أكبر، قل عدد الأسهم التي تحتفظ بها، وقل المخزون الذي تبقى خارجه، وقل المال الذي تنفقه. التنبؤ بالطلب هو محرك سلسلة التوريد؛ يتم تغذية جميع خطط المخزون والشراء والإنتاج والنقل من هنا. يعد الذكاء الاصطناعي قويًا للغاية في هذا المجال لأنه يقوم بمسح تاريخ آلاف المنتجات بشكل أسرع بكثير من الإنسان ويستخرج الأنماط. لكن مصدر قوته يكمن أيضًا في حدوده: فالذكاء الاصطناعي يتعلم من الماضي؛ إذا كان المستقبل لا يشبه الماضي، فهو خطأ. في هذه الوحدة، سوف نتعلم لغة التنبؤ، وقياس الدقة، وإدارة عدم اليقين، وأين يجب أن يستسلم لك الذكاء الاصطناعي.

لغة التنبؤ: السلاسل الزمنية، الاتجاه، الموسمية

عادةً ما تكون بيانات الطلب عبارة عن سلسلة زمنية - سلسلة من الأرقام مرتبة حسب الوقت، مثل المبيعات اليومية للمنتج. Dividing this sequence into three parts is the basis of prediction:

الاتجاه والاتجاه طويل المدى: هل المبيعات تتزايد أم تتناقص من سنة إلى أخرى؟ الموسمية، والتقلبات المتكررة بانتظام: يبيع الآيس كريم في الصيف، ويبيع السخان في الشتاء؛ السوق مزدحم يومي الجمعة والسبت. الضوضاء واللعب العشوائي غير المبرر. تلتقط التوقعات الجيدة الاتجاه والموسمية ولا تنخدع بالضوضاء. علاوة على ذلك، تتراكم الأحداث: الحملة، والترويج، والعطلات الرسمية، والطقس، وتحرك المنافس. عندما تجعل الذكاء الاصطناعي يتنبأ، عليك أن تخبره بهذه الأحداث؛ إذا لم تخبره، فسوف يعتقد أن القفز في يوم الحملة الانتخابية أمر "طبيعي" وسيرتكب خطأ بشأن المستقبل.

نصيحة: عند تقديم بيانات المبيعات الأولية إلى الذكاء الاصطناعي، ضع علامة على الحملات والعطلات وأيام نفاد المخزون. إن اليوم الذي لا يوجد فيه مخزون مهم: تبدو المبيعات منخفضة في ذلك اليوم، ولكن الطلب الحقيقي كان مرتفعًا، ولم تكن هناك سلع متاحة. إذا لم تحدد ذلك، فسوف يقلل الذكاء الاصطناعي من الطلب الفعلي.

دقة القياس: MAPE والتحيز

"هل التوقعات جيدة؟" الجواب على السؤال يأتي من القياس وليس الشعور. المؤشر الأكثر شيوعًا هو MAPE (متوسط ​​النسبة المئوية للخطأ المطلق - كم عدد النقاط المئوية في المتوسط ​​التي تنحرف بها التوقعات عن الواقع). إذا كانت قيمة MAPE 10%، فهذا يعني أن توقعاتك تخطئ القيمة الحقيقية بمتوسط ​​10%؛ انخفاض MAPE أفضل. المفهوم المهم الثاني هو التحيز: هل توقعاتك أعلى باستمرار (مما يؤدي إلى تكدس المخزون) أو أقل من الواقع (ترك المخزون المنخفض)؟ حتى لو كان للتنبؤ مستوى MAPE منخفض، وإذا انحرف دائمًا في نفس الاتجاه، فهناك مشكلة منهجية.

يمكنك منح الذكاء الاصطناعي جزءًا من التاريخ باعتباره "تدريبًا" وجزءًا منه باعتباره "اختبارًا" ومقارنة تنبؤاته بالواقع. هذه هي الطريقة الصادقة لبناء الثقة: اختبار النموذج على البيانات التي لم يراها. لا يستحق التنبؤ تطبيقه على المستقبل إلا إذا أثبت ثباته في الماضي.

تحذير: لا يوجد تنبؤ دقيق بنسبة 100%؛ ومن غير المتوقع أن يحدث. الهدف ليس إنتاج رقم واحد مثالي، بل نطاق يمكن التحكم فيه، مع معرفة الانحراف. الفكرة الثنائية المتمثلة في "تحقق التوقع / لم ينجح" خاطئة؛ السؤال الصحيح هو "ما مقدار الانحراف وما مقدار المخزن المؤقت الذي احتفظت به وفقًا لذلك؟"

إدارة عدم اليقين: النطاق، وليس رقم واحد

أخطر عادة لدى المخطط هي التعامل مع التوقعات كرقم ثابت واحد. في الواقع، كل توقعات لها فترة ثقة - مثل "الطلب في الشهر المقبل من المرجح أن يتراوح بين 900 و1100". وكلما اتسع هذا النطاق، كلما زاد عدم اليقين. تؤثر معرفة النطاق بشكل مباشر على قرارك بشأن المخزون: النطاق الضيق يتطلب مخزونًا آمنًا أقل، والنطاق الواسع يتطلب قدرًا أكبر من المخزن المؤقت.

لذا اسأل الذكاء الاصطناعي دائمًا عن السيناريوهات: المتشائمة (إذا تبين أن الطلب منخفض)، والمتوقع والمتفائل (إذا تبين أن الطلب مرتفع). وبالنظر إلى ثلاثة سيناريوهات، فإن الخطة لا تعتمد على افتراض واحد، بل على مجموعة من الاحتمالات المحتملة. هذه هي الطريقة الأكثر عملية للخروج من فخ "الرقم الفردي المقفل".

خطوة بخطوة: دراسة التنبؤ بالطلب باستخدام الذكاء الاصطناعي

1. مسح البيانات. تحديد الأيام المفقودة، وأيام نفاد المخزون، وفتح السجلات الخاطئة؛ العمل مع رمز المنتج المجهول.
2. أحداث العلامة. أضف أيام الحملة والعطلات والترويج إلى البيانات.
3. اطرح النمط. اطلب من الذكاء الاصطناعي تلخيص الاتجاهات والموسمية والأحداث البارزة.
4. اختبره. قم بتخزين الجزء الأخير من التاريخ، ودع الذكاء الاصطناعي يتنبأ ويقارن بالواقع (MAPE واتجاه التحيز).
5. قم بإنشاء سيناريو. اطلب ثلاثة تنبؤات، متشائمة/متوقعة/متفائلة، وفاصل الثقة لكل منها.
6. مرشح الخبراء. لا يعلم الذكاء الاصطناعي عن الاضطرابات القادمة المعروفة (المنتج الجديد، أزمة العرض، التشريعات)؛ إضافتها يدويا. الخطة النهائية لك.

ثلاث حالات صغيرة

الحالة 1 - التقاط الموسمية. كان أحد موزعي المشروبات يشتكي من نفاد مخزونه باستمرار خلال أشهر الصيف وتركه مع البضائع في الشتاء. أعطى المخطط 3 سنوات من المبيعات اليومية المجهولة لشركة YZ وتم إزالة الموسمية: كان الطلب من يونيو إلى أغسطس 2.4 ضعف متوسط ​​الشتاء، وبدأت القفزة في منتصف مايو من كل عام. وفقًا لهذا النمط، قام بإعداد مخزونه الصيفي قبل 3 أسابيع؛ انخفض المخزون الميت في الصيف بنسبة 70٪، وانخفض المخزون الميت في الشتاء. أظهر الذكاء الاصطناعي النمط؛ اتخذ المخطط قرار الأسهم.

الحالة الثانية - الاستسلام للمنتج الجديد. كانت إحدى الشركات على وشك إطلاق منتج جديد تمامًا؛ لم تكن هناك بيانات المبيعات التاريخية. سأل المخطط الذكاء الاصطناعي، "ما هو الطلب خلال الأشهر الثلاثة الأولى؟" سأل. أنتج الذكاء الاصطناعي رقمًا بدا معقولًا، لكن المخطط كان يعلم أنه لا أساس له من الصحة: ​​لم تكن هناك بيانات. بدلاً من ذلك، يسأل الذكاء الاصطناعي "ما هو نمط المنتجات الثلاثة أشهر الأولى التي تم إصدارها في قطاعات مماثلة في الماضي؟" التحليل وإعداده كنطاق تنبؤي، مع مخزون بداية حذر. أبطل حكم الخبراء الثقة الوهمية للذكاء الاصطناعي.

الحالة 3 - عدم وجود مخزون هو فخ اليوم. وخلص أحد المحللين إلى أن الطلب على المنتج قد انخفض وأوصى بتقليل المخزون. ولاحظ زميله الكبير أن أيام المبيعات المنخفضة الواردة في البيانات كانت في الواقع أيام نفاد المخزون: فالطلب لم ينخفض، ولم تكن هناك سلع. عندما تم تصحيح البيانات بهذه المذكرة وإعادة تقديمها إلى الذكاء الاصطناعي، لوحظ أن الطلب الحقيقي قد زاد. البيانات التي تم تنظيفها بشكل غير صحيح تنتج تنبؤات غير صحيحة.

أربعة قوالب قابلة للنسخ

1) استخراج النمط:

دورك: مساعد محلل تخطيط الطلب. فيما يلي بيانات المبيعات الشهرية للمنتج (رمز مجهول: PRODUCT-X) لآخر 36 شهرًا. أشهر الحملة [قائمة الأشهر]، الأشهر الخالية من المخزون [قائمة الأشهر]. المهمة: تلخيص (1) الاتجاه، (2) النمط الموسمي، (3) الأحداث البارزة. ضع في اعتبارك أن الأشهر التي لا يوجد فيها مخزون تخفي الطلب الحقيقي. الشهر الذي لم أقدم بياناته ملفق.

2) اختبار الدقة:

توقع آخر 6 أشهر باستخدام أول 30 شهرًا من الـ 36 شهرًا أدناه. ثم قارن توقعاتي بالأشهر الستة الماضية الفعلية؛ حساب الانحراف وإجمالي MAPE لكل شهر. أخبرني إذا كان تقديرك متحيزًا باستمرار. إظهار الصيغة.

3) توقعات السيناريو:

قم بتقدير الطلب الشهري لهذا المنتج في الربع القادم في 3 سيناريوهات: متشائم / متوقع / متفائل. أعط فترة ثقة لكل سيناريو واكتب الافتراض الذي يستند إليه. لاحظ أن هذا ليس نهائيًا ولكنه فترة زمنية للتخطيط.

4) التحكم في الكسر:

اذكر كيف يمكن إبطال التوقعات المستندة إلى البيانات التاريخية التي قدمتها لك من خلال الأحداث القادمة التالية: [منتج جديد / ترويج / أزمة العرض / التغيير التنظيمي]. اقترح كيف يمكنني ضبط التوقعات يدويًا لكل منها.

موجه ضعيف / موجه قوي

حث ضعيف:

كم سأبيع الشهر المقبل؟

No data, no product, no context. الذكاء الاصطناعي إما يرفض أو يتصالح؛ لا النتيجة تعمل.

مطالبة قوية:

دورك: مساعد تخطيط الطلب. فيما يلي مبيعات PRODUCT-X خلال الـ 24 شهرًا الماضية؛ يتم وضع علامة على أشهر الحملة والأشهر الخالية من المخزون. أعط توقعات متشائمة/متوقعة/متفائلة للأشهر الثلاثة القادمة، وأضف فاصل الثقة لكل منها، وأظهر MAPE خلال الاختبار السابق. تظاهر بأنني أملك القرار النهائي بشأن الأسهم.

النهج

ضرب

uncertainty management

خطر

الاعتماد على رقم واحد

مضللة

لا شيء

عالية - انهارت الخطة

السيناريو + النطاق

واقعية

جيد

منخفض

مجرد حدس

متغير

ضعيف

متوسطة عالية

طاعة عمياء لمنظمة العفو الدولية

متغير

لا شيء

عالية

الأخطاء الشائعة

• الخلط بين يوم نفاد المخزون وانخفاض الطلب الحقيقي. عندما لا تكون السلع متوفرة، تظهر المبيعات منخفضة؛ وهذا لا يعني أن الطلب قد انخفض.
• القفل برقم واحد. إن رؤية التنبؤ كحقيقة مطلقة يعني تجاهل عدم اليقين؛ اسأل دائمًا عن النطاق والسيناريو.
• عدم وضع علامة على الحملة. النموذج الذي يعتقد أن الارتداد الترويجي "طبيعي" يشوه المستقبل.
• التنبؤ بمنتج جديد بدون تاريخ. إن العدد الذي يبدو آمنًا من الذكاء الاصطناعي للمنتج بدون بيانات لا أساس له من الصحة.
• ترك الاستراحة للذكاء الاصطناعي. الذكاء الاصطناعي لا يعرف الانقطاعات الهيكلية مثل الأوبئة، وأزمات العرض، والتشريعات؛ يجب أن يتم تدخل الخبراء.

تنبيه: بغض النظر عن مدى جودة التنبؤ، فإنه لا يمكن أن يكون أفضل من جودة البيانات التي يستند إليها. "القمامة في الداخل والقمامة في الخارج." اقضي معظم وقتك في تنظيف البيانات؛ الجزء النموذجي يقوم بالباقي.

في ملخص

التنبؤ بالطلب هو محرك سلسلة التوريد، والذكاء الاصطناعي هو مساعد قوي يعمل على تسريع هذا المحرك. لكن الذكاء الاصطناعي يتعلم من الماضي؛ ويخطئ عندما لا يشبه المستقبل الماضي. التقط الاتجاه والموسمية، وقم بوضع علامة على الأحداث، وقم بقياس الدقة باستخدام MAPE واتجاه الانجراف، وقم بإعداد التنبؤ كسيناريو ونطاق، وليس رقمًا واحدًا. يأتي حكم الخبراء أولاً في المنتجات الجديدة والفواصل الهيكلية. تنظيف البيانات هو أساس كل شيء؛ الخطة النهائية لك.

مهمة التطبيق

احصل على بيانات المبيعات لآخر 12-24 شهرًا لأحد منتجاتك (أو منتج افتراضي)، وقم بوضع علامة على الحملة وأشهر نفاد المخزون. اطلب من الذكاء الاصطناعي ثلاثة سيناريوهات باستخدام قالب "التنبؤ بالسيناريو". ثم قم بتخزين بعض التاريخ باستخدام قالب "اختبار الدقة" وقارن التنبؤ بالواقع. قم بتدوين MAPE الذي وجدته والسيناريو الذي اخترته مع سببه في 5 عناصر؛ حدد أيضًا المخزن المؤقت للأمان الذي ستضيفه.

قائمة مرجعية

• [ ] هل قمت بمسح البيانات، ووضع علامة على أيام نفاد المخزون وأيام الحملة؟
• [ ] هل قمت بالتحقق من صحة التنبؤ باستخدام MAPE واتجاه التحيز من خلال الاختبار الخلفي؟
• [ ] هل طلبت السيناريو وفاصل الثقة بدلاً من رقم واحد؟
• [ ] إذا كان هناك منتج جديد/كسر، فهل أعطيت الأولوية لحكم الخبراء؟
• [ ] هل أخضعت خطة المخزون النهائية لموافقتي الخاصة؟