চাহিদা পূর্বাভাস

লাভ:

• চাহিদার পূর্বাভাস পদ্ধতির পার্থক্য করার ক্ষমতা (চলন্ত গড়, সূচকীয় মসৃণতা, ঋতুতা)
• AI এর সাথে ভবিষ্যদ্বাণীর পরিস্থিতি সেট আপ করার এবং MAPE/MAE-এর মতো মেট্রিকগুলির সাথে নির্ভুলতা মূল্যায়ন করার ক্ষমতা
• ব্যবসার প্রেক্ষাপট এবং প্রচারমূলক/মৌসুমী প্রভাব সহ পূর্বাভাস আউটপুট ক্রস-চেক করার ক্ষমতা

চাহিদার পূর্বাভাস হল যার ভিত্তিতে উৎপাদন পরিকল্পনা, ইনভেন্টরি ম্যানেজমেন্ট এবং পুরো সাপ্লাই চেইন। ভুল ভবিষ্যদ্বাণী উভয় উপায়ে ব্যয়বহুল: অতিরিক্ত মূল্যায়ন জায় খরচ এবং অপচয় সৃষ্টি করে, অবমূল্যায়ন হারানো বিক্রয় এবং গ্রাহকের অসন্তোষের দিকে পরিচালিত করে। কৃত্রিম বুদ্ধিমত্তা পূর্বাভাস প্রক্রিয়ার অনেক জায়গায় সাহায্য করে, একটি পদ্ধতি বেছে নেওয়া থেকে শুরু করে ঐতিহাসিক ডেটা ব্যাখ্যা করা এবং পরিস্থিতি তৈরি করা; কিন্তু পূর্বাভাসটিকে "ম্যাজিক ক্রিস্টাল বল" হিসেবে দেখাটাই সবচেয়ে বড় ভুল। এই ইউনিটে, আমরা ধ্রুপদী পূর্বাভাস পদ্ধতিগুলি কভার করব, কীভাবে সেগুলিকে AI দিয়ে সঠিকভাবে তৈরি করা যায় এবং কীভাবে নির্ভুলতা পরিমাপ করা যায়।

পূর্বাভাস পদ্ধতির সংক্ষিপ্ত মানচিত্র

চাহিদার প্রতিটি সিরিজ একই আচরণ করে না; কিছু সমতল, কিছু প্রবণতা আছে, কিছু মৌসুমী। সিরিজ অনুযায়ী পদ্ধতি নির্বাচন করা প্রয়োজন।

পদ্ধতি

কখন এটা উপযুক্ত?

মনোযোগ

নিষ্পাপ (শেষ মান)

তুলনার জন্য (বেঞ্চমার্ক)

প্রবণতা/ঋতু অনুসরণ করে না

চলমান গড়

স্থির, গোলমাল সিরিজ

প্রবণতা দেরী প্রতিক্রিয়া

সূচকীয় স্মুথিং (এসইএস)

স্থির সিরিজ, কাছাকাছি ডেটার উপর জোর দেওয়া

প্রবণতা না থাকলে ভালো

হোল্ট (ডাবল সূচকীয়)

ট্রেন্ডি সিরিজ

ঋতু ধরছে না

Holt-Winters

প্রবণতা + ঋতু

পর্যাপ্ত ঐতিহাসিক তথ্য প্রয়োজন

রিগ্রেশন/এমএল

মাল্টি-ভেরিয়েবল, প্রচার কার্যকর

ওভারফিটের ঝুঁকি

পরামর্শ: সর্বদা একটি "নিষ্পাপ" অনুমান দিয়ে শুরু করুন। যদি আপনার জটিল মডেলটি নির্বোধ অনুমানের চেয়ে ভাল না হয় তবে এটি জটিলতা বহন করার মতো নয়। নির্ভুলতা পরিমাপের জন্য নিষ্পাপ একটি বিনামূল্যের মানদণ্ড।

আমরা কিভাবে নির্ভুলতা পরিমাপ করব? (মেট্রিক্স)

ভবিষ্যদ্বাণীর নির্ভুলতা পরিমাপ না করে উন্নতি করা যায় না। সবচেয়ে সাধারণ মেট্রিক্স:

• MAE (মান পরম ত্রুটি): ত্রুটিগুলির পরম মানের গড়। একক চাহিদা একক হিসাবে একই।
• RMSE (রুট মিন স্কোয়ার ত্রুটি): বড় ত্রুটিগুলিকে আরও শাস্তি দেয়৷
• MAPE (মান পরম শতাংশ ত্রুটি): শতাংশে; আইটেমগুলির মধ্যে তুলনা করার জন্য ভাল, কিন্তু চাহিদা শূন্যের কাছাকাছি হলে বিকৃত হয়।
• পক্ষপাত: গড় ত্রুটি; আপনি ধারাবাহিকভাবে বেশি/অমূল্যায়ন করছেন কিনা তা নির্দেশ করে।

একটি ছোট নমুনা অ্যাকাউন্ট। প্রকৃত চাহিদা [100, 120, 90], পূর্বাভাস [110, 115, 100] হতে দিন:

ত্রুটি (প্রকৃত - পূর্বাভাস): -10, +5, -10 সম্পূর্ণ ত্রুটি: 10, 5, 10 → MAE = 25 / 3 ≈ 8.33 শতাংশ ত্রুটি: 10/100, 5/120, 10/90 = 10%, 17%, 17% (17%, +14) 4.17 + 11.11) / 3 ≈ 8.43% বায়াস = (-10 + 5 - 10) / 3 = -5 → গড়ে অতিরিক্ত মূল্যায়ন (ভবিষ্যদ্বাণী > বাস্তব)

একটি নেতিবাচক পক্ষপাত (সত্য বিয়োগ অনুমান) নির্দেশ করে যে অনুমানটি ধারাবাহিকভাবে অতিরিক্ত মূল্যায়ন করা হয়; এর মানে ইনভেন্টরি ইনফ্লেশন। এই ধরনের দিকনির্দেশক ত্রুটিগুলি MAPE-তে লুকানো যেতে পারে, তাই সেগুলি একসাথে দেখা হয়।

AI দিয়ে পূর্বাভাস প্রক্রিয়া তৈরি করা

আপনি দুটি জায়গায় সবচেয়ে দক্ষতার সাথে AI ব্যবহার করতে পারেন: (1) ডেটা দেখতে এবং উপযুক্ত পদ্ধতি এবং পদক্ষেপ নেওয়ার পরামর্শ দিতে এবং (2) ভবিষ্যদ্বাণীমূলক কোড তৈরি করতে। পদ্ধতির পরামর্শের জন্য:

ভূমিকা: আপনি চাহিদা পূর্বাভাস অভিজ্ঞ একজন শিল্প প্রকৌশলী. টাস্ক: নীচের মাসিক বিক্রয় সিরিজ পরীক্ষা করুন এবং উপযুক্ত পূর্বাভাস পদ্ধতি সুপারিশ করুন। একটি প্রবণতা এবং ঋতু আছে কিনা মূল্যায়ন, আপনার ন্যায্যতা লিখুন. ডেটা (মাসিক, গত 24 মাস): {{ মান }} অতিরিক্ত তথ্য: ডিসেম্বরে একটি প্রচার রয়েছে, গ্রীষ্মের মাসগুলিতে চাহিদা কমে যায়৷ আমি যে আউটপুট চাই: 1. সিরিজের চরিত্রের উপর মন্তব্য করুন (স্থিতিশীল/প্রবণতা/মৌসুমী)।2। 2 প্রস্তাবিত পদ্ধতি এবং কেন.3. আমি কি নির্ভুলতা মেট্রিক ট্র্যাক করা উচিত?4. ক্ষতির জন্য আমার নজর রাখা উচিত (বাহ্যিক, প্রচারমূলক প্রভাব)। নিয়ম: ডেটা না দেখে সম্পূর্ণ নির্ভুলতার প্রতিশ্রুতি দেবেন না।

দুর্বল প্রম্পট / শক্তিশালী প্রম্পট

দুর্বল প্রম্পট:

আমি পরের মাসে কত বিক্রি করব?

এতে ডেটা বা প্রসঙ্গ নেই; এআই হয় এটিকে প্রত্যাখ্যান করে বা সম্পূর্ণ তৈরি করা নম্বর ফেরত দেয়। এই ধরনের আউটপুট বিপজ্জনক কারণ এটি বিশ্বাসযোগ্য বলে মনে হয়।

শক্তিশালী প্রম্পট:

এই 24 মাসের সিরিজ দিয়ে Holt-Winters লজিক ব্যবহার করে পরবর্তী 3 মাসের ভবিষ্যদ্বাণী করুন। ঋতুর দৈর্ঘ্য 12। প্রথমে পদ্ধতির অনুমান লিখুন, তারপর পূর্বাভাস দিন, তারপর গত 6 মাস ব্যাকটেস্ট করে MAPE গণনা করুন। প্রচারের মাস আলাদাভাবে চিহ্নিত করুন। ডেটা: {{ ... }}

দ্বিতীয় প্রম্পট ভবিষ্যদ্বাণী এবং সেই ভবিষ্যদ্বাণী (ব্যাকটেস্টিং) বিশ্বাস করার জন্য কতটা আত্মবিশ্বাস উভয়ের জন্য জিজ্ঞাসা করে। এটি একটি "ওরাকল" থেকে ভবিষ্যদ্বাণীকে একটি পরিমাপযোগ্য টুলে রূপান্তরিত করে।

ব্যাকটেস্টিং: ভবিষ্যদ্বাণীতে আত্মবিশ্বাসের পরিমাপ

ভবিষ্যদ্বাণীর আসল পরীক্ষা অতীতে, ভবিষ্যতে নয়। আপনি আপনার কাছে থাকা ডেটা দুটি ভাগে ভাগ করুন: মডেল বিল্ডিং (ট্রেন) এবং পরীক্ষা। আপনি প্রথম টুকরা দিয়ে মডেলটি তৈরি করুন, পরবর্তী সময়ের ভবিষ্যদ্বাণী করুন এবং বাস্তবতার সাথে তুলনা করুন। এই "হোল্ড-আউট" যুক্তিটি প্রকাশ করে যে একটি মডেল আসলে কাজ করছে কিনা।

নিম্নলিখিত সিরিজের জন্য একটি সাধারণ ব্যাকটেস্ট প্ল্যান সেট আপ করুন: পরীক্ষা হিসাবে গত 6 মাস আলাদা করে রাখুন, অবশিষ্ট ডেটা সহ 3টি ভিন্ন পদ্ধতি (নিষ্পাপ, SES, হোল্ট-উইন্টার) প্রশিক্ষণ দিন, পরীক্ষার সময়কালে প্রতিটির জন্য MAPE এবং পক্ষপাত গণনা করুন এবং একটি তুলনা সারণী তৈরি করুন৷ বিজয়ী পদ্ধতি ও যুক্তি লিখ।

সাবধান: AI কখনও কখনও ব্যাকটেস্ট ফলাফল "ভবিষ্যদ্বাণী" করতে পারে এবং আপনাকে একটি রেডিমেড চার্ট উপস্থাপন করতে পারে; অর্থাৎ, সে সংখ্যাগুলি তৈরি করতে পারে যা বাস্তবে গণনা না করেই যুক্তিসঙ্গত বলে মনে হয়। কোড (পাইথন/এক্সেল) সহ সংখ্যাসূচক ফলাফলগুলি পুনরুত্পাদন করতে ভুলবেন না। একটি ভাষা মডেল দীর্ঘ পাটিগণিত নির্ভরযোগ্যভাবে সম্পাদন করে না।

মিনি কেস: মৌসুমী পণ্যের ওভারস্টক

প্রতিবছর শীতকালে আইসক্রিমের মতো মৌসুমি পণ্যের মজুত বেশি থাকার অভিযোগ করে একটি খাদ্য বিতরণ কোম্পানি। ইন্ডাস্ট্রিয়াল ইঞ্জিনিয়ার এলিফ AI-কে 3 বছরের মাসিক ডেটা দেয় এবং সিরিজের চরিত্রের মূল্যায়ন করতে বলে। AI শক্তিশালী মৌসুমীতা (গ্রীষ্মের শিখর) এবং সামান্য বার্ষিক বৃদ্ধির প্রবণতা সনাক্ত করে, হোল্ট-উইন্টার্স পরামর্শ দেয়। এলিফ পাইথনে ভবিষ্যদ্বাণী তৈরি করে এবং এটির পিছনে পরীক্ষা করে: MAPE হল 14%, কিন্তু পক্ষপাত উল্লেখযোগ্যভাবে নেতিবাচক — মডেলটি ধারাবাহিকভাবে অতিরিক্ত ভবিষ্যদ্বাণী করে। যখন তিনি তদন্ত করেন কেন, তিনি দেখতে পান যে তিনি ঐতিহাসিক তথ্যে একটি প্রচারাভিযানের সময়কে "স্বাভাবিক" বলে মনে করেছেন এবং মডেলটিকে খুব উচ্চ বেস শিখিয়েছেন। যখন আমরা প্রচারণার প্রভাব সরিয়ে ফেলি এবং মডেলটি পুনর্নির্মাণ করি, তখন পক্ষপাত হ্রাস পায় এবং শীতকালীন স্টক উল্লেখযোগ্যভাবে হ্রাস পায়। পাঠ: AI সঠিকভাবে পদ্ধতির পরামর্শ দিয়েছে, কিন্তু ডেটা পরিষ্কার করা এবং পক্ষপাত ব্যাখ্যা করা মানুষের কাজ।

সাধারণ ভুল

• মেট্রিক্স ট্র্যাকিং নয়: অনুমান করা এবং নির্ভুলতা পরিমাপ করা হয় না। পরিমাপ ছাড়া ভবিষ্যদ্বাণী উন্নত করা যাবে না.
• শুধু MAPE এর দিকে তাকিয়ে: পক্ষপাত উপেক্ষা করা। দিকনির্দেশক (পদ্ধতিগত) ত্রুটি নীরবে ইনভেন্টরিকে স্ফীত করে।
• গণনার জন্য AI দ্বারা তৈরি নম্বরগুলিকে ভুল করা: কোড সহ ব্যাকটেস্ট এবং মেট্রিক মানগুলিকে বৈধ করা হচ্ছে না।
• আউটলার/প্রোমোশন পরিষ্কার না করা: এককালীন প্রচারণাকে স্বাভাবিক চাহিদা মনে করে এবং মডেলকে শেখানো।
• ওভারফিট: যখন একটি জটিল মডেল অতীতে পুরোপুরি ফিট করে কিন্তু ভবিষ্যতে খারাপ পারফর্ম করে। একটি বেঞ্চমার্ক হিসাবে সহজ মডেল রাখুন.

সংক্ষেপে

• সিরিজের চরিত্র অনুযায়ী পূর্বাভাস পদ্ধতি নির্বাচন করুন (স্থির, প্রবণতা, মৌসুমী); সর্বদা নিজেকে একজন নির্বোধের সাথে তুলনা করে শুরু করুন।
• MAE/RMSE/MAPE দিয়ে নির্ভুলতা পরিমাপ করুন, তবে পক্ষপাতও নিরীক্ষণ করুন: দিকনির্দেশক ত্রুটি সবচেয়ে ব্যয়বহুল।
• পদ্ধতি সুপারিশ এবং কোড তৈরির জন্য AI ব্যবহার করুন; একটি "ভবিষ্যদ্বাণী" নয়, একটি পরিমাপযোগ্য সরঞ্জাম হিসাবে পূর্বাভাস সেট আপ করুন।
• একটি মডেল কতটা আত্মবিশ্বাসী হতে পারে তার আসল পরীক্ষা হল ব্যাকটেস্টিং; কোড সহ সংখ্যাসূচক ফলাফল যাচাই করতে ভুলবেন না।
• ডেটা পরিষ্কার করা (বহিঃ, প্রচার) এবং ফলাফল ব্যাখ্যা করা মানুষের কাজ; AI এই ধাপগুলি এড়িয়ে যায়।

আবেদন টাস্ক

কমপক্ষে একটি 18-24 পিরিয়ড ডিমান্ড সিরিজ (বাস্তব বা বাস্তবসম্মত কথাসাহিত্য) রাখুন। প্রথমে, AI-কে সিরিজটি দিন এবং এটিকে এর চরিত্র (ট্রেন্ড/সিজন্যালিটি) ব্যাখ্যা করতে বলুন এবং দুটি পদ্ধতির পরামর্শ দিন। তারপর "ব্যাকটেস্ট প্ল্যান" শক্তিশালী প্রম্পটটি পরীক্ষা হিসাবে শেষ 6 পিরিয়ড সংরক্ষণ করুন এবং কমপক্ষে দুটি পদ্ধতির তুলনা করুন। জটিল পদক্ষেপ: এক্সেল বা পাইথনের সাথে এআই দ্বারা প্রত্যাবর্তিত MAPE এবং পক্ষপাতের মানগুলি পুনরায় গণনা করুন এবং এআই আউটপুটের সাথে তুলনা করুন। আপনি যদি এমন একটি নম্বর খুঁজে পান যা মেলে না, তবে এটি লিখুন। অবশেষে, পক্ষপাতের চিহ্নটি ব্যাখ্যা করুন: আপনার মডেল কি অত্যধিক মূল্যায়ন বা অবমূল্যায়ন করছে এবং এটি আপনার জায়কে কী করে?