Печалби:
- Способност за разбиране на концепциите за времеви редове, тенденция, сезонност и въздействие на кампанията и използване на изкуствен интелект за прогнозиране на търсенето с правилните въпроси и чисти данни.
- Способност за тълкуване на точността на прогнозата (MAPE, отклонение) и несигурността (доверителен интервал, сценарии) и базиране на планирането на диапазон, а не на едно число
- Да можеш да различиш, че прогнозата на изкуствения интелект се основава на исторически данни и че експертната преценка излиза на преден план в случаи на прекъсвания като нови продукти, промоции или кризи в доставките.
Всяко решение във веригата на доставки се основава на един въпрос: колко търсене ще има? Колкото по-точно отговорите на този въпрос, толкова по-малко акции притежавате, толкова по-малко акции оставате настрана и толкова по-малко пари обвързвате. Прогнозирането на търсенето е двигателят на веригата за доставки; Плановете за запаси, закупуване, производство и транспортиране се захранват оттук. Изкуственият интелект е изключително мощен в тази област, защото сканира историята на хиляди продукти много по-бързо от човек и извлича модели. Но източникът на неговата сила е и неговият предел: ИИ се учи от миналото; Ако бъдещето не прилича на миналото, то е грешно. В този модул ще научим езика на прогнозирането, точността на измерване, управлението на несигурността и къде AI трябва да ви се предаде.
Език на прогнозиране: времеви редове, тенденция, сезонност
Данните за търсенето обикновено са времеви редове — серия от числа, подредени по време, като например продажбите на продукт за всеки ден. Разделянето на тази последователност на три части е в основата на прогнозата:
Тенденция, дългосрочна посока: продажбите се увеличават или намаляват от година на година? Сезонност, редовно повтарящи се колебания: сладоледът се продава през лятото, нагревателят се продава през зимата; Пазарът е оживен в петък и събота. Шум, необяснимо произволно възпроизвеждане. Добрата прогноза улавя тенденцията и сезонността и не се подвежда от шума. Върху тях се трупат събития: кампания, промоция, официален празник, време, ход на състезател. Когато накараш ИИ да предскаже, трябва да му кажеш тези събития; Ако не му кажете, той ще си помисли, че скачането в деня на кампанията е „нормално“ и ще направи грешка за бъдещето.
Съвет: Когато предоставяте необработени данни за продажбите на AI, маркирайте кампании, празници и дни без наличност. Денят без наличност е важен: продажбите изглеждат ниски през този ден, но реалното търсене е високо, просто няма налични стоки. Ако не посочите това, AI ще подцени действителното търсене.
Точност на измерване: MAPE и отклонение
„Добра ли е прогнозата?“ Отговорът на въпроса идва от измерването, а не от усещането. Най-често срещаният индикатор е MAPE (средна абсолютна процентна грешка — с колко процентни пункта средно прогнозите се отклоняват от реалността). Ако MAPE е 10%, това означава, че вашите прогнози пропускат реалната стойност средно с 10%; по-ниският MAPE е по-добър. Втората важна концепция е пристрастието: вашата прогноза постоянно ли е над (произвеждане на свръхналичност) или недостатъчно (оставяне на недостиг) на реалността? Дори ако една прогноза има нисък MAPE, ако тя винаги се отклонява в една и съща посока, има систематичен проблем.
Можете да дадете на AI част от историята като „обучение“ и част от нея като „тестване“ и да сравните неговата прогноза с реалността. Това е честният начин за изграждане на доверие: тестване на модела върху данни, които той не е виждал. Една прогноза си струва да се приложи към бъдещето само ако се е оказала последователна в миналото.
Внимание: нито една прогноза не е 100% точна; Не се очаква да се случи. Целта не е да се произведе перфектно единично число, а управляем диапазон, като се знае отклонението. Двоичната идея за „прогнозата се сбъдна/не проработи“ е погрешна; Правилният въпрос е "колко се отклони и колко буфер запазих съответно?"
Управление на несигурността: диапазон, а не едно число
Най-опасният навик на планиращия е да третира прогнозата като едно единствено число. В действителност всяка прогноза има доверителен интервал - като "търсенето следващия месец най-вероятно е между 900 и 1100." Колкото по-широк е този диапазон, толкова по-голяма е несигурността. Познаването на обхвата пряко влияе върху вашето решение за склад: тесният диапазон изисква по-малко запаси за сигурност, широкият диапазон изисква повече буфер.
Затова винаги питайте AI за сценарии: песимистичен (ако търсенето се окаже ниско), очакван и оптимистичен (ако търсенето се окаже високо). Виждайки три сценария, планът се основава не на едно предположение, а на набор от възможни възможности. Това е най-практичният начин да се измъкнете от капана "заключен в един номер".
Стъпка по стъпка: Проучване за прогнозиране на търсенето с AI
- Изчистване на данните. Маркирайте липсващи дни, дни без наличност, отваряйте грешни записи; Работа с анонимен продуктов код.
- Маркирайте събития. Добавете кампания, празник и промоционални дни към данните.
- Извадете модела. Помолете AI да обобщи тенденциите, сезонността и забележителните събития.
- Тествайте го. Съхранявайте последната част от историята, оставете AI да предскаже, сравнете с реалността (MAPE и посока на отклонение).
- Създайте сценарий. Поискайте три прогнози, песимистични/очаквани/оптимистични и доверителния интервал за всяка.
- Експертен филтър. AI не знае за известни предстоящи смущения (нов продукт, криза в доставките, законодателство); добавете ги ръчно. Окончателният план е ваш.
три мини калъфа
Случай 1 — Улавяне на сезонността. Дистрибутор на напитки се оплака, че през летните месеци постоянно му липсват стоки, а през зимата остава със стоки. Планиращият предостави 3 години анонимни ежедневни продажби на YZ и премахна сезонността: търсенето през юни-август беше 2,4 пъти над средното за зимата и скокът започваше в средата на май всяка година. Според този модел той настрои летния си запас 3 седмици предварително; летният мъртъв запас е намалял със 70%, зимният мъртъв запас е намалял. AI показа модела; Проектантът взе решение за запасите.
Случай 2 — Отдаване на новия продукт. Една компания щеше да пусне чисто нов продукт; Нямаше исторически данни за продажбите. Проектантът попита AI: "Какво ще бъде търсенето през първите 3 месеца?" – попита той. Изкуственият интелект изведе число, което изглеждаше разумно, но проектантът знаеше, че е неоснователно: нямаше данни. Вместо това AI пита "Какъв беше първият 3-месечен модел на продукти, пуснати в подобни сегменти в миналото?" анализ и го задайте като прогнозен диапазон, с предпазлив начален запас. Експертната преценка надделя над фиктивната увереност на AI.
Случай 3 — Без склад е капанът на деня. Анализатор заключава, че търсенето на даден продукт е намаляло и препоръчва намаляване на запасите. Неговият старши колега забеляза, че дните с ниски продажби в данните всъщност са дни на изчерпване: търсенето не е намаляло, няма стоки. Когато данните бяха коригирани с тази бележка и предадени отново на AI, се видя, че реалното търсене се е увеличило. Неправилно почистените данни водят до неправилни прогнози.
Четири копируеми шаблона
1) Извличане на модел:
Вашата роля: асистент анализатор за планиране на търсенето. По-долу са данните за месечните продажби на продукт (анонимен код: PRODUCT-X) за последните 36 месеца. Месеци на кампанията [списък с месеци], месеци без наличност [списък с месеци]. Задача: Обобщете (1) тенденцията, (2) сезонния модел, (3) забележителните събития. Имайте предвид, че месеците без наличност крият истинското търсене. Месецът, за който не съм дал данни е измислен.
2) Тест за точност:
Прогнозирайте последните 6 месеца, като използвате първите 30 от 36 месеца по-долу. След това сравнете моята прогноза с действителните последните 6 месеца; Изчислете отклонението и общия MAPE за всеки месец. Кажете ми дали оценката ви е постоянно пристрастна. Показване на формула.
3) Сценарийна прогноза:
Оценете месечното търсене на този продукт за следващото тримесечие в 3 сценария: песимистичен / очакван / оптимистичен. Дайте доверителен интервал за всеки сценарий и запишете на кое предположение се основава. Имайте предвид, че това не е окончателно, а интервал за планиране.
4) Контрол на счупването:
Избройте как прогнозата, базирана на исторически данни, които ви дадох, може да бъде обезсилена от следните предстоящи събития: [нов продукт / промоция / криза в доставките / регулаторна промяна]. Предложете как да коригирам ръчно прогнозата за всеки.
Слаба подкана / Силна подкана
Слаба подкана:
Колко ще продам следващия месец?
Няма данни, няма продукт, няма контекст. AI или отхвърля, или компенсира; нито един резултат не работи.
Мощна подкана:
Вашата роля: асистент по планиране на търсенето. По-долу са продажбите на PRODUCT-X през последните 24 месеца; Маркирани са месеци на кампанията и месеци без наличност. Дайте песимистична/очаквана/оптимистична прогноза за следващите 3 месеца, добавете доверителен интервал към всеки, покажете MAPE спрямо миналия тест. Представете си, че имам окончателното решение за акциите.
подход
удари
управление на несигурността
Риск
разчитайте на един номер
подвеждащ
Няма
Високо — планът се срива
Сценарий + диапазон
реалистичен
добре
ниско
просто интуиция
Променлива
слаб
средно-висока
Сляпо подчинение на AI
Променлива
Няма
високо
Често срещани грешки
- Сбъркайте деня на изчерпване на запасите с наистина ниско търсене. Когато стоките не са налични, продажбите изглеждат ниски; Това не означава, че търсенето е спаднало.
- Заключване в един номер. Да видите предсказанието като абсолютна истина означава да пренебрегнете несигурността; Винаги питайте за диапазон и сценарий.
- Без маркиране на кампанията. Моделът, който смята, че промоционалният отказ е „нормален“, изкривява бъдещето.
- Прогноза за нов продукт без история. Привидно безопасният брой AI за продукт без данни е неоснователен.
- Оставяйки счупването на AI. AI не познава структурни прекъсвания като епидемии, кризи на доставките и законодателство; Трябва да се направи експертна намеса.
Внимание: Колкото и добра да изглежда една прогноза, тя не може да бъде по-добра от качеството на данните, на които се основава. „Боклук вътре, боклук вън“. Прекарвайте по-голямата част от времето си в почистване на данни; Моделната част върши останалото.
В обобщение
Прогнозирането на търсенето е двигателят на веригата за доставки, а AI е мощен помощник, който ускорява този двигател. Но AI се учи от миналото; греши, когато бъдещето не прилича на миналото. Уловете тенденцията и сезонността, маркирайте събития, измервайте точността с MAPE и посоката на отклонение, настройте прогнозата като сценарий и обхват, а не едно число. Експертната преценка е на първо място при нови продукти и структурни прекъсвания. Почистването на данни е в основата на всичко; Окончателният план е ваш.
Задача за приложение
Вземете данни за продажбите за последните 12-24 месеца на един от вашите собствени продукти (или хипотетичен продукт), маркирайте кампанията и месеците за изчерпване. Помолете AI за три сценария с шаблона „предсказание на сценарий“. След това запазете част от историята с шаблона „Тест за точност“ и сравнете прогнозата с реалността. Запишете MAPE, който сте намерили, и сценария, който сте избрали, заедно с причината за това в 5 елемента; Също така посочете кой защитен буфер ще добавите.
контролен списък
- [ ] Изчистих ли данните, отбелязах ли дните за изчерпване и дните на кампанията?
- [ ] Потвърдил ли съм прогнозата с MAPE и посока на пристрастие чрез тестване назад?
- [ ] Поисках ли сценарий и доверителен интервал вместо едно число?
- [ ] Ако има нов продукт/счупване, дал ли съм приоритет на експертна преценка?
- [ ] Подложил ли съм окончателния план на запасите на собственото си одобрение?