Qazanclar:
- Tələb proqnozlaşdırma üsullarını ayırd etmək bacarığı (hərəkətli orta, eksponensial hamarlaşdırma, mövsümilik)
- AI ilə proqnozlaşdırma ssenariləri qurmaq və MAPE/MAE kimi ölçülərlə dəqiqliyi qiymətləndirmək bacarığı
- Biznes konteksti və təşviqat/mövsümi təsirlərlə proqnoz nəticələrini çarpaz yoxlamaq bacarığı
Tələbin proqnozlaşdırılması istehsalın planlaşdırılması, inventarların idarə edilməsi və bütün təchizat zəncirinin əsaslandığı əsasdır. Yanlış proqnozlaşdırma hər iki yolla baha başa gəlir: həddən artıq qiymətləndirmə inventar xərclərini və israfını yaradır, aşağı qiymətləndirmək satışların itirilməsinə və müştərilərin narazılığına səbəb olur. Süni intellekt proqnozlaşdırma prosesində metod seçimindən tutmuş tarixi məlumatların şərhinə və ssenarilərin yaradılmasına qədər bir çox yerlərdə kömək edir; Amma proqnozu “sehrli kristal kürə” kimi görmək ən böyük səhvdir. Bu bölmədə klassik proqnozlaşdırma üsullarını, onları AI ilə necə düzgün qurmağı və dəqiqliyi necə ölçməyi əhatə edəcəyik.
Proqnozlaşdırma metodlarının qısa xəritəsi
Bütün tələblər silsiləsi eyni davranmır; Bəziləri düz, bəzilərinin meylləri var, bəziləri mövsümi. Seriala uyğun olaraq üsulu seçmək lazımdır.
Metod
Nə vaxt uyğundur?
Diqqət
Sadəlövh (son dəyər)
Müqayisə üçün (benchmark)
Trend/mövsümə uyğun gəlmir
hərəkətli orta
Statik, səs-küylü seriya
Trendə gec reaksiya verir
Eksponensial hamarlaşdırma (SES)
Stasionar seriyalar, yaxınlıqdakı məlumatlara vurğu
Trend olmasa yaxşıdır
Holt (ikiqat eksponensial)
Moda seriyası
Mövsümə uyğun gəlmir
Holt-Qışlar
Trend + mövsümilik
Kifayət qədər tarixi məlumat tələb edir
Reqressiya/ML
Çox dəyişkən, effektiv təşviq
Həddindən artıq uyğunlaşma riski
İpucu: Həmişə "sadəlövh" bir təxminlə başlayın. Mürəkkəb modeliniz sadəlövh təxmindən daha yaxşı deyilsə, mürəkkəbliyi daşımağa dəyməz. Naive dəqiqliyi ölçmək üçün pulsuz bir meyardır.
Dəqiqliyi Necə Ölçürük? (Metriklər)
Proqnozun dəqiqliyini ölçmədən artırmaq olmaz. Ən ümumi göstəricilər:
- MAE (Orta Mütləq Səhv): Səhvlərin mütləq dəyərinin ortası. Vahid tələb vahidi ilə eynidir.
- RMSE (Root Mean Square Error): Daha böyük səhvləri daha çox cəzalandırır.
- MAPE (Orta Mütləq Faiz Səhv): Faizlə; Maddələr arasında müqayisə üçün yaxşıdır, lakin tələb sıfıra yaxın olduqda təhrif edilir.
- Qərəz: Orta səhv; Davamlı olaraq çox/az qiymətləndirdiyinizi göstərir.
Kiçik nümunə hesab. Faktiki tələb [100, 120, 90], proqnoz [110, 115, 100] olsun:
Səhvlər (faktiki - proqnoz): -10, +5, -10Mütləq xətalar: 10, 5, 10 → MAE = 25 / 3 ≈ 8.33 Səhvlərin faizi: 10/100, 5/120, 10/90 = 10%, 4.10%, +MA101 (+1.10%) 4,17 + 11,11) / 3 ≈ 8,43%Qərəz = (-10 + 5 - 10) / 3 = -5 → orta hesabla həddindən artıq qiymətləndirmə (proqnoz > faktiki)
Mənfi qərəz (həqiqi minus təxmin) təxminin ardıcıl olaraq çox qiymətləndirildiyini göstərir; Bu, inventar inflyasiyası deməkdir. Bu cür istiqamət xətaları MAPE-də gizlənə bilər, ona görə də onlara birlikdə baxılır.
AI ilə Proqnozlaşdırma Prosesinin qurulması
Siz iki yerdə AI-dən ən səmərəli şəkildə istifadə edə bilərsiniz: (1) məlumatlara baxmaq və müvafiq metod və görüləcək tədbirləri təklif etmək üçün və (2) proqnozlaşdırıcı kod yaratmaq. Metod təklifi üçün:
Rol: Siz tələbin proqnozlaşdırılması sahəsində təcrübəli sənaye mühəndisisiniz. Tapşırıq: Aşağıdakı aylıq satış seriyalarını araşdırın və müvafiq proqnozlaşdırma metodunu tövsiyə edin. Trend və mövsümiliyin olub-olmadığını qiymətləndirin, əsaslandırmanızı yazın. Məlumat (aylıq, son 24 ay): {{ dəyərlər }}Əlavə məlumat: Dekabr ayında kampaniya var, yay aylarında tələbat azalır. İstədiyim nəticə: 1. Serialın xarakterini şərh edin (stabil/trend/mövsümi).2. 2 tövsiyə üsulları və niyə.3. Hansı dəqiqlik metrikasını izləməliyəm?4. Diqqət etməli olduğum tələlər (əlavə, reklam effekti). Qayda: Məlumatı görmədən mütləq dəqiqliyi vəd etməyin.
Zəif Tələb / Güclü Tələb
Zəif çağırış:
Gələn ay nə qədər satacağam?
Bu nə data, nə də kontekstdən ibarətdir; Süni intellekt ya onu rədd edir, ya da tamamilə düzəldilmiş nömrəni qaytarır. Bu cür çıxış təhlükəlidir, çünki etibarlı görünür.
Güclü göstəriş:
Bu 24 aylıq seriya ilə Holt-Winters məntiqindən istifadə edərək növbəti 3 ayı proqnozlaşdırın. Mövsüm uzunluğu 12-dir. Əvvəlcə metodun fərziyyələrini yazın, sonra proqnozu verin, sonra son 6 ayı backtest edərək MAPE-ni hesablayın. Promosyon aylarını ayrıca qeyd edin. Məlumat: {{ ... }}
İkinci sorğu həm proqnozu, həm də bu proqnoza nə qədər inamlı olmağı tələb edir (backtesting). Bu, proqnozu “oracle” dan ölçülə bilən alətə çevirir.
Backtesting: Proqnozlara Etibar Ölçüsü
Proqnozun əsl sınağı gələcəkdə deyil, keçmişdədir. Əlinizdə olan məlumatları ikiyə ayırırsınız: modelin qurulması (qatar) və sınaq. Modeli ilk parça ilə qurursunuz, növbəti dövrü proqnozlaşdırırsınız və reallıqla müqayisə edirsiniz. Bu “tutma” məntiqi modelin həqiqətən işlək olub-olmadığını ortaya qoyur.
Aşağıdakı seriyalar üçün sadə backtest planı qurun: son 6 ayı sınaq kimi kənara qoyun, qalan məlumatlarla 3 fərqli metodu (sadəlövh, SES, Holt-Winters) öyrədin, sınaq müddəti ərzində hər biri üçün MAPE və qərəzliyi hesablayın və müqayisə cədvəli hazırlayın. Qazanma üsulunu və əsaslandırmanı yazın.
Ehtiyatlı olun: AI bəzən backtest nəticələrini "proqnozlaşdıra" və sizə hazır qrafik təqdim edə bilər; yəni faktiki olaraq hesablamadan ağlabatan görünən rəqəmləri düzəldə bilir. Rəqəmsal nəticələri kodla (Python/Excel) çoxaltdığınızdan əmin olun. Dil modeli uzun arifmetikanı etibarlı şəkildə yerinə yetirmir.
Mini Case: Mövsümi məhsulun artıq ehtiyatı
Qida paylama şirkəti hər il qışda dondurma kimi mövsümi məhsulun çox olmasından şikayətlənir. Sənaye mühəndisi Elif süni intellektə 3 illik aylıq məlumat verir və ondan serialın xarakterini qiymətləndirməsini xahiş edir. Holt-Winters təklif edir ki, süni intellekt güclü mövsümi (yay pik) və cüzi illik artım tendensiyası aşkar edir. Elif Python-da proqnoz yaradır və onu sınaqdan keçirir: MAPE 14%, lakin qərəz əhəmiyyətli dərəcədə mənfidir - model ardıcıl olaraq həddindən artıq proqnozlaşdırır. Bunun səbəbini araşdırdıqda, tarixi məlumatlarda bir kampaniya dövrünü səhv saldığını və modelə çox yüksək bir baza öyrətdiyini tapır. Kampaniya effektini aradan qaldırıb modeli yenidən qurduqda qərəz azalır və qış ehtiyatı əhəmiyyətli dərəcədə azalır. Dərs: AI metodu düzgün təklif etdi, lakin məlumatları təmizləmək və qərəzliyi şərh etmək insan işi idi.
Ümumi Səhvlər
- Metrikləri izləməmək: Dəqiqliyi təxmin etmək və heç vaxt ölçməmək. Ölçmə olmadan proqnozlaşdırma yaxşılaşdırıla bilməz.
- Sadəcə MAPE-yə baxmaq: Qərəzliyi nəzərə almamaq. İstiqamətli (sistematik) səhv inventarları səssizcə şişirdir.
- Hesablamalar üçün süni intellekt tərəfindən tərtib edilmiş rəqəmləri səhv salmaq: kodla geri test və metrik dəyərləri təsdiqləməmək.
- Kənar/təşviqi təmizləməmək: Birdəfəlik kampaniyanı adi tələb kimi səhv salıb modelə öyrətmək.
- Overfit: Mürəkkəb bir model keçmişdə mükəmməl uyğunlaşdıqda, lakin gələcəkdə zəif performans göstərdikdə. Sadə modeli etalon kimi saxlayın.
Xülasə
- Seriyanın xarakterinə uyğun olaraq proqnozlaşdırma metodunu seçin (stasionar, trend, mövsümi); Həmişə özünüzü sadəlövh biri ilə müqayisə etməklə başlayın.
- MAE/RMSE/MAPE ilə dəqiqliyi ölçün, həm də qərəzliliyə nəzarət edin: istiqamət xətası ən bahalıdır.
- Metod tövsiyəsi və kodun yaradılması üçün AI-dən istifadə edin; Proqnozu "peyğəmbərlik" deyil, ölçülə bilən bir vasitə kimi qurun.
- Backtesting bir modelin nə qədər inamlı ola biləcəyinin əsl testidir; Rəqəmsal nəticələri kodla yoxladığınızdan əmin olun.
- Məlumatları təmizləmək (xarici, irəliləmə) və nəticəni şərh etmək insanın işidir; AI bu addımları atlayır.
Tətbiq tapşırığı
Ən azı 18-24 dövr tələb seriyasına sahib olun (real və ya real fantastika). Birincisi, süni intellektə seriyanı verin və ondan onun xarakterini (trend/mövsümilik) şərh etməsini xahiş edin və iki üsul təklif edin. Sonra son 6 dövrü test olaraq rezerv etmək və ən azı iki metodu müqayisə etmək üçün "backtest plan" güclü sorğusundan istifadə edin. Kritik addım: Excel və ya Python ilə AI tərəfindən qaytarılan MAPE və qərəzli dəyərləri yenidən hesablayın və onları AI çıxışı ilə müqayisə edin. Uyğun olmayan nömrə tapsanız, onu yazın. Nəhayət, qərəzliliyin əlamətini şərh edin: modeliniz həddən artıq qiymətləndirir, yoxsa aşağı qiymətləndirir və bu, inventarınıza nə edir?