Dobici:
- Sposobnost razlikovanja metoda predviđanja potražnje (pokretni prosjek, eksponencijalno izglađivanje, sezonalnost)
- Sposobnost postavljanja scenarija predviđanja s AI-om i procjene tačnosti pomoću metrike kao što su MAPE/MAE
- Sposobnost unakrsne provjere rezultata prognoze s poslovnim kontekstom i promotivnim/sezonskim efektima
Predviđanje potražnje je osnova na kojoj se zasniva planiranje proizvodnje, upravljanje zalihama i cijeli lanac snabdijevanja. Pogrešno predviđanje je skupo u oba smjera: precjenjivanje stvara troškove zaliha i rasipanje, potcjenjivanje dovodi do gubitka prodaje i nezadovoljstva kupaca. Umjetna inteligencija pomaže na mnogim mjestima u procesu predviđanja, od odabira metode do tumačenja historijskih podataka i generiranja scenarija; Ali gledanje na prognozu kao na "magičnu kristalnu kuglu" najveća je greška. U ovoj jedinici ćemo pokriti klasične metode predviđanja, kako ih pravilno izgraditi pomoću AI i kako mjeriti tačnost.
Kratka mapa metoda predviđanja
Ne ponaša se svaka serija zahtjeva isto; Neki su ravni, neki imaju trendove, neki su sezonski. Potrebno je odabrati metodu prema seriji.
Metoda
Kada je prikladno?
Pažnja
Naivno (posljednja vrijednost)
Za poređenje (benchmark)
Ne prati trend/sezonu
pokretni prosek
Statička, bučna serija
Kasno reaguje na trend
Eksponencijalno izglađivanje (SES)
Stacionarne serije, naglasak na obližnjim podacima
Dobro ako nema trenda
Holt (dvostruko eksponencijalno)
Trendy serija
Ne hvata sezonu
Holt-Winters
Trend + sezonalnost
Zahteva dovoljno istorijskih podataka
Regresija/ML
Multivarijabilna, učinkovita promocija
Rizik od preopterećenja
Savjet: Uvijek počnite s "naivnim" nagađanjem. Ako vaš složeni model nije ništa bolji od naivnog nagađanja, nije vrijedno nositi složenost. Naive je besplatno mjerilo za mjerenje tačnosti.
Kako mjerimo tačnost? (metrika)
Preciznost predviđanja se ne može poboljšati bez mjerenja. Najčešći pokazatelji:
- MAE (srednja apsolutna greška): Prosek apsolutne vrednosti grešaka. Jedinica je ista kao jedinica potražnje.
- RMSE (srednja kvadratna greška): više kažnjava veće greške.
- MAPE (Mean Absolute Percent Error): u procentima; Dobro za poređenje između stavki, ali iskrivljeno kada je potražnja blizu nule.
- Bias: Prosječna greška; Označava da li stalno precjenjujete/potcjenjujete.
Mali uzorak računa. Neka stvarna potražnja bude [100, 120, 90], a prognoza [110, 115, 100]:
Greške (stvarne - prognoze): -10, +5, -10 Apsolutne greške: 10, 5, 10 → MAE = 25 / 3 ≈ 8,33 Procenat grešaka: 10/100, 5/120, 10/90 = 10%, 4,17 %, +MA = 4,11 %, PE17 % 11.11) / 3 ≈ 8,43%Bias = (-10 + 5 - 10) / 3 = -5 → precjena u prosjeku (predviđanje > stvarno)
Negativna pristrasnost (istina minus procjena) ukazuje na to da je procjena stalno precijenjena; To znači inflaciju zaliha. Takve greške u smjeru se mogu sakriti u MAPE-u, tako da se posmatraju zajedno.
Izgradnja procesa predviđanja sa AI
AI možete najefikasnije koristiti na dva mjesta: (1) da pogledate podatke i predložite odgovarajući metod i radnje koje treba poduzeti i (2) da generišete prediktivni kod. Za prijedlog metode:
Uloga: Vi ste industrijski inženjer sa iskustvom u predviđanju potražnje. Zadatak: Proučite seriju mjesečnih prodaja u nastavku i preporučite odgovarajuću metodu predviđanja. Procijenite da li postoji trend i sezonalnost, napišite svoje obrazloženje. Podaci (mjesečni, zadnja 24 mjeseca): {{ vrijednosti }}Dodatne informacije: U decembru je promocija, u ljetnim mjesecima potražnja opada. Izlaz koji želim:1. Komentirajte karakter serije (stabilan/trendan/sezonski).2. 2 preporučene metode i zašto.3. Koju metriku tačnosti trebam pratiti?4. Zamke na koje treba da pazim (izuzetan, promotivni efekat). Pravilo: Ne obećavajte apsolutnu tačnost bez uvida u podatke.
Slaba prompt / jaka prompt
Slab upit:
Koliko ću prodati sljedeći mjesec?
Ovo ne sadrži ni podatke ni kontekst; AI to ili odbija ili vraća potpuno izmišljeni broj. Takav izlaz je opasan jer se čini pouzdanim.
Snažan upit:
Predvidite sljedeća 3 mjeseca koristeći Holt-Wintersovu logiku sa ovom serijom od 24 mjeseca. Dužina sezone je 12. Prvo napišite pretpostavke metode, zatim dajte prognozu, a zatim izračunajte MAPE testiranjem unazad zadnjih 6 mjeseci. Posebno označite mjesece promocije. Podaci: {{ ... }}
Drugi upit traži i predviđanje i koliko samopouzdanja treba vjerovati tom predviđanju (bektestiranje). Ovo pretvara predviđanje iz "proročanstva" u mjerljivo sredstvo.
Backtesting: Mjera povjerenja u predviđanje
Pravi test predviđanja je u prošlosti, a ne budućnosti. Podatke koje imate podijelite na dva: izgradnju modela (voz) i testiranje. Sa prvim komadom gradite model, predviđate naredni period i poredite ga sa stvarnošću. Ova logika „zadržavanja“ otkriva da li model zaista radi ili ne.
Postavite jednostavan plan testiranja unazad za sljedeću seriju: odvojite posljednjih 6 mjeseci kao testiranje, obučite 3 različite metode (naivne, SES, Holt-Winters) s preostalim podacima, izračunajte MAPE i pristranost za svaku tokom perioda testiranja i napravite uporednu tabelu. Napišite pobjedničku metodu i obrazloženje.
Pazite: AI ponekad može "predvidjeti" rezultate backtest-a i predstaviti vam gotov grafikon; to jest, on može izmisliti brojeve koji se čine razumnim, a da ih zapravo ne izračuna. Obavezno reproducirajte numeričke rezultate pomoću koda (Python/Excel). Jezički model ne izvodi pouzdano dugu aritmetiku.
Mini torbica: Prezalihe sezonskih proizvoda
Kompanija za distribuciju hrane žali se da svake godine zimi ima previše zaliha sezonskih proizvoda poput sladoleda. Industrijski inženjer Elif daje 3 godine mjesečnih podataka AI-u i traži od njega da ocijeni karakter serije. AI detektuje jaku sezonalnost (vrhunac ljeta) i blagi godišnji trend rasta, sugerira Holt-Winters. Elif generiše predviđanje u Python-u i testira ga unazad: MAPE je 14%, ali pristrasnost je značajno negativna — model stalno prepredviđa. Kada istražuje zašto, otkriva da je period kampanje u istorijskim podacima pogrešno shvatio kao "normalan" i da je model podučavao previsokoj bazi. Kada uklonimo efekt kampanje i ponovo izgradimo model, pristrasnost se smanjuje i zimske zalihe značajno opadaju. Pouka: AI je ispravno predložio metodu, ali ljudski je posao bio da se očiste podaci i protumače pristrasnost.
Uobičajene greške
- Ne praćenje metrike: procjena i nikada mjerenje tačnosti. Predviđanje bez mjerenja se ne može poboljšati.
- Samo gledajući MAPE: Ignoriranje pristrasnosti. Usmjerena (sistematska) greška tiho naduvava inventar.
- Pogrešiti brojeve koje je napravila AI za kalkulacije: Ne provjeravamo vrijednosti backtest i metričkih vrijednosti kodom.
- Nečišćenje odstupanja/promocija: Pogrešiti jednokratnu kampanju kao normalan zahtjev i podučiti model.
- Overfit: Kada se složeni model savršeno uklapa u prošlost, ali loše radi u budućnosti. Zadržite jednostavan model kao mjerilo.
Ukratko
- Odaberite metodu prognoze prema karakteru serije (stacionarno, u trendu, sezonsko); Uvek počnite tako što ćete se porediti sa naivcem.
- Mjerite tačnost pomoću MAE/RMSE/MAPE, ali također pratite pristrasnost: greška smjera je najskuplja.
- Koristite AI za preporuku metoda i generiranje koda; Postavite prognozu kao mjerljivo sredstvo, a ne kao "proročanstvo".
- Testiranje unazad je pravi test koliko samopouzdanja model može imati; Obavezno provjerite numeričke rezultate kodom.
- Ljudski je posao da očisti podatke (izuzetno, promocija) i interpretira rezultat; AI preskače ove korake.
Zadatak aplikacije
Imajte barem seriju zahtjeva od 18-24 perioda (stvarna ili realistična fikcija). Prvo, dajte AI seriju i zamolite je da protumači njen karakter (trend/sezonskost) i predloži dvije metode. Zatim upotrijebite moćni prompt "plan testiranja unazad" da rezervišete posljednjih 6 perioda kao testove i uporedite najmanje dvije metode. Kritični korak: Ponovo izračunajte MAPE i vrijednosti pristranosti koje je AI vratio sam pomoću Excela ili Pythona i uporedite ih s AI izlazom. Ako pronađete broj koji se ne poklapa, zapišite ga. Konačno, protumačite znak pristrasnosti: da li vaš model precjenjuje ili potcjenjuje, i šta to čini vašem inventaru?