Печалби:
- Възможност за създаване на проект на прогноза за търсенето на база SKU с поддръжка на изкуствен интелект чрез комбиниране на исторически данни за продажбите, сезонни ефекти и външни фактори.
- Способност за интерпретиране на точността на прогнозата (MAPE, отклонение) и разграничаване на бизнес последиците от надценяване и подценяване
- Възможността да се поддържа, че прогнозата, произведена от изкуствения интелект, е прогноза и окончателното решение за поръчка принадлежи на мениджъра заедно с цената на запасите и паричния поток.
Има две най-скъпи грешки в търговията на дребно: поддържане на твърде много наличности и оставяне на парите да отлежават на рафта, или липса на достатъчно наличност и оставяне на клиента с празни ръце. И двете имат един и същ източник: лошо прогнозиране на търсенето. В този урок ще научите как да използвате изкуствения интелект като мощен помощник, който предсказва бъдещето от минали продажби. Но нека кажем от самото начало: прогнозата не е пророчество, а вероятностна прогноза. AI ви дава число; Ваша работа е да преведете това число в решение за поръчка.
Прогнозиране на търсенето: Задачата е да се предвиди каква част от даден продукт или категория ще бъде продадена в бъдеще чрез разглеждане на исторически данни и влияещи фактори.
SKU (Единица за съхранение на наличност): Това е уникалният код на наличност, съхраняван за всеки различен вариант на продукта. Например „червени маратонки с размер 42“ е SKU; номер 43 от същия модел е отделен SKU.
Три източника на информация, които захранват прогнозата
Добрата прогноза съчетава три неща:
- Исторически продажби (базова линия): Седмични/месечни продажби на продукта през последните 12-24 месеца. AI извлича „нормално“ ниво от тази серия.
- Сезонни и календарни ефекти: Празници, учебен срок, лято-зима, уикенд, ден на заплата. Например сладоледът се увеличава през лятото, а чорапите през зимата.
- Външни фактори: Кампания, промяна на цената, време, движение на конкурентите, отваряне/затваряне. Те повишават или намаляват оценката.
Съвет: Не казвайте просто на AI "продадохме 100 миналия месец." Кажете: „Продадохме 100 миналия месец, но имаше 20% отстъпка и беше празнична седмица.“ Без контекст прогнозата е подвеждаща.
Стъпка по стъпка генериране на прогнози
- Подгответе данните: анонимна, чиста таблица: дата, SKU, продадено количество, цена, промоция/без промоция, наличност. Маркирайте дните на изчерпване; В противен случай изкуственият интелект ще смята, че този ден е „ниско търсене“.
- Дайте контекст: Запишете сезона, предстоящите събития, планираните кампании.
- Поискайте прогноза: Поискайте прогноза и доверителен интервал (най-лош/най-добър сценарий) за определен период, по SKU или категория.
- Измерете точността: Сравнете миналите си прогнози с реалността (MAPE по-долу).
- Превърнете го в решение: Комбинирайте прогнозата със запасите и бюджета и вземете решение за поръчка.
Точност на прогнозата за четене: MAPE и отклонение
MAPE (Средна абсолютна процентна грешка): Показва средното процентно отклонение на прогнозите от действителните продажби. Формулата е проста: |действително − прогноза| за всеки период / реално е средната им стойност.
- MAPE 10% → оценките се отклоняват средно с 10%, доста добре.
- MAPE 40% → прогнозите са ненадеждни, необходим е повече буфер (предпазен запас) за вземане на решение за поръчка.
Посока (пристрастност): Вашата прогноза постоянно ли е над (риск от презареждане) или под (риск от изчерпване) реалността? Гледайте и това; MAPE не показва посока.
Статус
Значение
бизнес резултат
Постоянна висока оценка
Преувеличавате търсенето
Излишни запаси, стопяване, загуба на марж
Упорито подценяване
Подценявате търсенето
Няма наличност, пропуснати продажби, неудовлетвореност
Висок MAPE, балансирана посока
Несигурността е висока
Увеличете резервния запас, преглеждайте често
Нисък MAPE
точна прогноза
По-малко акции, по-добри пари
мини калъфи
Случай 1 — Липса на сезонност: Магазин за хранителни стоки поръчва ученически тетрадки въз основа на продажбите през юли миналата година (200 единици на месец). Когато на изкуствения интелект се даде контекста на „учебния срок август-септември, продажбите се учетвориха през този период миналата година“, прогнозата се увеличава до 780 единици вместо 200. Благодарение на правилната поръчка няма да изчерпите запасите си през учебната година; Приблизителният оборот от 60 000 TL, който е избягал през предходната година, се хваща тази година.
Случай 2 — Без да се брои деня на изчерпване на наличността: Магазинът не е бил наличен в наличност от популярно кафе в продължение на 3 седмици. Разглеждайки необработените данни, изкуственият интелект вижда тези седмици като „5 продажби на седмица“ и дава ниска оценка. Когато анализаторът маркира дните без наличност и каже „тези седмици не отразяват търсенето“, прогнозата се увеличава до 45 на седмица. Появява се реално търсене.
Случай 3 — Обобщаване на ефекта от кампанията: Текстилна верига счита седмична разпродажба с 50% отстъпка (600 единици) за „нормална“ и постоянно поръчва 600. Когато на изкуствения интелект се каже „тази разпродажба е направена с еднократна кампания, нормалната седмица е 180“, прогнозата се коригира. Предотвратява се рискът от свръхналичност и последваща загуба на намаление.
Хоризонт на прогнозиране: колко далеч напред можете да видите?
Прогнозен хоризонт: Колко далеч в бъдещето е направена прогнозата. Правилото е просто: колкото по-дълъг е хоризонтът, толкова по-голяма е несигурността. Прогнозирате сравнително точно продажбите за следващата седмица; шест месеца по-късно с много по-широк диапазон. Затова изберете прогнозния хоризонт според необходимостта от решение за поръчка: кратък хоризонт и честа актуализация за свеж продукт, който бързо се изчерпва; По-дълъг хоризонт и по-широка граница на безопасност за вносен продукт с дълги срокове за изпълнение.
Друго важно разграничение е прогнозирането на нови продукти. Няма минали продажби на нова SKU; в този случай вие давате на AI историята на подобни продукти (аналог), средната категория и плана за стартиране. Казването „Този продукт няма история; дайте първоначална оценка, като разгледате първите 8 седмици на подобни продукти X и Y“ е разумен начин да попълните празното място. Прогнозирането на нови продукти обаче винаги е по-рисковано; Бързо преразгледайте прогнозата, когато действителните данни за първите седмици станат налични.
Внимание: Не третирайте оценката като „направете го веднъж и забравете“. Прогнозирането на търсенето е процес на живо; Всяка нова седмица на продажбите е възможност за актуализиране на прогнозата. Най-добрите прогнозисти са тези, които използват този, който се актуализира най-често, а не най-умния модел.
Слаба подкана / Силна подкана
Слаба подкана:
Кажете ми колко ще се продава този продукт следващия месец.
Няма контекст; AI прави произволно число.
Мощна подкана:
Вашата роля: специалист по планиране на търсенето. Данни: По-долу са месечните количества и цена на продажбите за последните 18 месеца за SKU 4471 и дали има кампания през този месец. Контекст: Този продукт са летни сандали; Пикът на търсенето е през май-август. Следващият месец е юни. Няма планирана кампания. Цената е фиксирана. Задача: (1) очаквано количество продажби за юни, (2) обхват на най-лошия и най-добрия сценарий, (3) 2 основни фактора, влияещи върху прогнозата. Правило: Не броете месеците, отбелязани като изчерпани, като ниско търсене. Въз основа само на дадените данни. Данни: [поставете таблица]
Копируеми шаблони за подкана
1) Прогноза, базирана на SKU
Вашата роля: специалист по планиране на търсенето. Генерирайте бъдеща прогноза за [период] за [SKU] от следните анонимни серии от месечни продажби. Резултат: очаквано количество + най-лош/най-добър диапазон + 2 предположения. Изключете периоди, отбелязани като изчерпани. Данни: [поставяне]
2) Премахване на сезонен модел
Намерете повтарящия се сезонен модел в серията продажби за 24 месеца по-долу. Кои месеци са на върха и кои са на дъното? Дайте отклонението от средната стойност като процент. Представете го под формата на таблица. Данни: [поставяне]
3) Оценка на точността на прогнозата
По-долу са моите исторически оценки и действителните продажби. (1) Изчислете MAPE, (2) прогнозата ми непрекъснато се движи нагоре или надолу, (3) какво означава това за акциите? Показване стъпка по стъпка. Данни: [оценка, действителни колони]
4) Извлечете въздействието на кампанията
Седмиците на кампанията са отбелязани в серията продажби по-долу. Оценете нормалното (извън кампанията) търсене; Дайте ефекта на кампанията като отделен процент на повишаване. Така че искам да видя нормалното ниво на поръчка. Данни: [поставяне]
Често срещани грешки
- Не се дава контекст: Ако кампанията, сезонът, промяната на цените не са посочени, прогнозата ще бъде подвеждаща.
- Дали дните на липса на наличност да се броят като търсене: Периодът на липса на наличност крие реалното търсене; марка.
- Приемане на промоционални продажби като нормално: Мисленето, че еднократното увеличение е постоянно, ще доведе до излишни запаси.
- Разчитане на едно число: Нежеланието за диапазон (сценарий) и разчитането на една точка крие риска.
- Изобщо не се измерва точността: Ако MAPE и посоката не се наблюдават, прогнозата става все по-лоша и по-лоша.
- Правене на директни поръчки с прогнози: Поръчка без касов контрол, склад и срок на годност.
В обобщение
Доброто прогнозиране съчетава минали продажби, сезонност и външни фактори. Не забравяйте да дадете на AI контекста (кампания, сезон, дни без наличност). Наблюдавайте точността на прогнозата с MAPE и посока на отклонение; Увеличете предпазния запас при висока степен на несигурност. Предсказанието си е предсказание; Окончателното решение за поръчка е ваше, заедно с бюджета и ограниченията.
Задача за приложение
Получете продажбите на вашите 5 най-продавани SKU за последните 12-18 месеца в анонимна таблица и маркирайте периодите на изчерпване и кампаниите. Генерирайте бъдеща прогноза с подканата „1) Прогноза, базирана на SKU“, след което извлечете MAPE от вашите минали прогнози с „3) Оценка на точността на прогнозата“. Сравнете резултата със собственото си решение за поръчка.
контролен списък
- [ ] Анонимизирах и изчистих данните си за продажби.
- [ ] Отбелязах периодите на изчерпване и кампанията.
- [ ] Дадох сезона и контекста на външните фактори на AI.
- [ ] Исках диапазон от сценарии, а не едно число.
- [ ] Проверих MAPE и посоката на отклонение.
- [ ] Взех решение за поръчка въз основа на бюджет и ограничения.