Dobici:
- Sposobnost izrade nacrta prognoze potražnje na bazi SKU-a s podrškom umjetne inteligencije kombiniranjem povijesnih podataka o prodaji, sezonskih efekata i vanjskih faktora.
- Sposobnost tumačenja tačnosti prognoze (MAPE, pristrasnost) i razlikovanja poslovnih posljedica precjenjivanja i potcjenjivanja
- Biti u stanju održati da je prognoza koju proizvodi umjetna inteligencija predviđanje i da konačna odluka o narudžbi pripada menadžeru zajedno sa troškovima zaliha i novčanim tokovima.
Dvije su najskuplje greške u maloprodaji: držati previše zaliha i pustiti da novac čami na polici, ili ne držati dovoljno zaliha i ostaviti kupca praznih ruku. Oba imaju isti izvor: loše predviđanje potražnje. U ovoj cjelini naučit ćete kako koristiti umjetnu inteligenciju kao moćnog pomoćnika koji predviđa budućnost iz prošlih prodaja. Ali recimo od početka: predviđanje nije proročanstvo, već vjerovatno predviđanje. AI vam daje broj; Vaš je posao da taj broj pretvorite u odluku o naručivanju.
Predviđanje potražnje: Zadatak je predvidjeti koliko će proizvoda ili kategorije biti prodato u budućnosti gledajući historijske podatke i faktore utjecaja.
SKU (Stock Keeping Unit): To je jedinstveni kod zaliha koji se čuva za svaku različitu varijantu proizvoda. Na primjer, "crvene patike veličine 42" je SKU; broj 43 istog modela je zaseban SKU.
Tri izvora informacija koji hrane prognozu
Dobra prognoza kombinuje tri stvari:
- Prethodna prodaja (osnovna): sedmična/mjesečna prodaja proizvoda u posljednjih 12-24 mjeseca. AI izvlači "normalan" nivo iz ove serije.
- Sezonski i kalendarski efekti: praznici, školski rok, ljeto-zima, vikend, isplata. Na primjer, sladoled se povećava ljeti, a čarape zimi.
- Vanjski faktori: Kampanja, promjena cijena, vrijeme, kretanje konkurenata, otvaranje/zatvaranje. Ovo gura procjenu gore ili dolje.
Savjet: Nemojte samo reći AI-ju "prošli smo 100 prodali prošlog mjeseca." Recite: "Prodali smo 100 komada prošlog mjeseca, ali je bilo 20% popusta i bila je sedmica praznika." Bez konteksta, predviđanje je pogrešno.
Korak po korak generiranje predviđanja
- Pripremite podatke: Anonimna, čista tabela: datum, SKU, prodana količina, cijena, promocija/bez promocije, dostupnost. Označite dane van zaliha; U suprotnom, umjetna inteligencija će misliti da je taj dan "mala potražnja".
- Dajte kontekst: Zapišite sezonu, predstojeće događaje, planirane kampanje.
- Zatražite prognozu: Zatražite prognozu i interval pouzdanosti (najgori/najbolji scenario) za određeni period, prema SKU-u ili kategoriji.
- Mjerenje preciznosti: uporedite svoja prošla predviđanja sa stvarnošću (MAPE ispod).
- Pretvorite to u odluku: Kombinirajte procjenu sa sigurnosnim zalihama i budžetom i donesite odluku o naručivanju.
Tačnost prognoze čitanja: MAPE i pristranost
MAPE (Mean Absolute Percent Error): Pokazuje prosječno procentualno odstupanje predviđanja od stvarne prodaje. Formula je jednostavna: |stvarna − prognoza| za svaki period / real je njihov prosjek.
- MAPE 10% → procjene odstupaju za 10% u prosjeku, prilično dobro.
- MAPE 40% → prognoze su nepouzdane, potrebno je više tampon (sigurnosne zalihe) za donošenje odluke.
Smjer (pristrasnost): Da li je vaša prognoza konstantno iznad (rizik od preopterećenja) ili ispod (rizik od nestašice) stvarnosti? Pogledajte i ovo; MAPE ne pokazuje pravac.
Status
Značenje
poslovni rezultat
Stalna visoka procjena
Preuveličavate potražnju
Višak zaliha, krah, gubitak marže
Uporno potcjenjivanje
Potcjenjujete potražnju
Rasprodaja, propuštena prodaja, nezadovoljstvo
Visok MAPE, uravnotežen smjer
Neizvjesnost je velika
Povećajte sigurnosne zalihe, često pregledajte
Low MAPE
tačno predviđanje
Manje zalihe, bolja gotovina
mini koferi
Slučaj 1 — Nedostaje sezonalnost: Trgovina naručuje školske sveske na osnovu prošlogodišnjih julskih rasprodaja (200 jedinica mjesečno). Kada se veštačkoj inteligenciji damo u kontekst „školskog roka avgust-septembar, prodaja se u ovom periodu prošle godine povećala četiri puta“, predviđanje se povećava na 780 jedinica umesto 200. Zahvaljujući ispravnom redosledu, ne ponestaje vam zaliha tokom školske godine; Procijenjeni promet od 60.000 TL, koji je pobjegao prethodne godine, hvata se ove godine.
Slučaj 2 — Ne računajući dan zaliha: U prodavnici nije bilo zaliha popularne kafe 3 sedmice. Gledajući sirove podatke, umjetna inteligencija te sedmice vidi kao "5 prodaja sedmično" i daje nisku procjenu. Kada analitičar označi dane bez zaliha i kaže "ove sedmice ne odražavaju potražnju", prognoza se povećava na 45 sedmično. Pojavljuje se stvarna potražnja.
Slučaj 3 — Generaliziranje efekta kampanje: Tekstilni lanac smatra sedmičnu rasprodaju od 50% popusta (600 jedinica) kao "normalnu" i stalno naručuje 600. Kada se umjetnoj inteligenciji kaže da je "ova prodaja obavljena jednokratnom kampanjom, normalna sedmica je 180", predviđanje se ispravlja. Spriječen je rizik od prekomjernog zaliha i naknadnog gubitka umanjenja vrijednosti.
Horizont predviđanja: koliko daleko napred možete vidjeti?
Horizont prognoze: Koliko daleko u budućnost se predviđa predviđanje. Pravilo je jednostavno: što je horizont duži, to je neizvjesnost veća. Relativno tačno predviđate prodaju sledeće nedelje; šest mjeseci kasnije sa mnogo širim rasponom. Dakle, odaberite horizont prognoze prema potrebi odluke o narudžbi: kratak horizont i često ažuriranje za svježi proizvod koji brzo nestaje; Duži horizont i šira granica sigurnosti za uvozni proizvod sa dugim rokovima isporuke.
Još jedna važna razlika je predviđanje novih proizvoda. Nema prethodne prodaje novog SKU-a; u ovom slučaju, AI dajete povijest sličnih proizvoda (analognih), prosjek kategorije i plan lansiranja. Reći "Ovaj proizvod nema istoriju; dajte početnu procjenu gledajući prvih 8 sedmica sličnih proizvoda X i Y" razuman je način da se popuni praznina. Međutim, predviđanje novih proizvoda je uvijek rizičnije; Brzo revidirajte prognozu kako stvarni podaci za prve sedmice postanu dostupni.
Oprez: Ne tretirajte procjenu kao tretman "uradi jednom i zaboravi". Predviđanje potražnje je proces uživo; Svaka nova prodajna sedmica prilika je za ažuriranje prognoze. Najbolji prognostičari su oni koji koriste onaj koji se najčešće ažurira, a ne najpametniji model.
Slaba prompt / Jaka prompt
Slab upit:
Recite mi koliko će se ovaj proizvod prodati sljedeći mjesec.
Ne postoji kontekst; AI čini nasumični broj.
Snažan upit:
Vaša uloga: stručnjak za planiranje potražnje. Podaci: Ispod su mjesečna prodajna količina i cijena za posljednjih 18 mjeseci za SKU 4471 i da li postoji kampanja tog mjeseca. Kontekst: Ovaj proizvod su ljetne sandale; Potražnja dostiže vrhunac u maju-avgustu. Sljedeći mjesec je jun. Kampanja nije planirana. Cijena je fiksna. Zadatak: (1) očekivana prodajna količina za jun, (2) raspon najgoreg i najboljeg scenarija, (3) 2 glavna faktora koja utiču na prognozu. Pravilo: Ne računajte mjesece koji su označeni kao van zaliha kao nisku potražnju. Na osnovu samo datih podataka. Podaci: [zalijepi tabelu]
Predlošci upita koji se mogu kopirati
1) Predviđanje zasnovano na SKU-u
Vaša uloga: stručnjak za planiranje potražnje. Generirajte buduću [period] prognozu za [SKU] iz sljedeće anonimne mjesečne serije prodaje. Izlaz: očekivana količina + najgori/najbolji raspon + 2 pretpostavke. Izuzmite periode označene da nema na zalihama. Podaci: [zalijepi]
2) Uklanjanje sezonskih uzoraka
Pronađite sezonski obrazac koji se ponavlja u 24-mjesečnoj prodajnoj seriji ispod. Koji mjeseci su na vrhu, a koji na dnu? Navedite odstupanje od srednje vrijednosti kao postotak. Predstavite u obliku tabele. Podaci: [zalijepi]
3) Procjena tačnosti predviđanja
Ispod su moje istorijske procjene i stvarna prodaja. (1) Izračunajte MAPE, (2) da li se moja prognoza stalno kreće više ili niže, (3) šta to znači za dionicu? Prikaži korak po korak. Podaci: [procjena, stvarni stupci]
4) Izdvojiti uticaj kampanje
Sedmice kampanje su označene u prodajnim serijama ispod. Procijenite normalnu (nekampanjsku) potražnju; Navedite efekat kampanje kao poseban postotak povećanja. Tako da želim vidjeti normalan nivo narudžbe. Podaci: [zalijepi]
Uobičajene greške
- Bez davanja konteksta: Ako kampanja, sezona, promjena cijene nisu specificirani, predviđanje će biti pogrešno.
- Treba li računati dane van zaliha kao potražnju: Period nedostatka zaliha skriva stvarnu potražnju; mark.
- Prihvatanje promotivne prodaje kao normalno: razmišljanje da je jednokratno povećanje trajno će dovesti do viška zaliha.
- Oslanjanje na jedan broj: Ne želeti raspon (scenarij) i oslanjati se na jednu tačku krije rizik.
- Uopšte se ne mjeri tačnost: Ako se MAPE i smjer ne prate, predviđanje postaje sve gore i gore.
- Izrada direktnih narudžbi sa predračunima: Naručivanje bez gotovine, skladištenja i kontrole roka trajanja.
Ukratko
Dobro predviđanje kombinuje prošlu prodaju, sezonalnost i eksterne faktore. Obavezno dajte AI kontekst (kampanja, sezona, dani van zaliha). Pratite tačnost prognoze sa MAPE i smjerom pristranosti; Povećajte sigurnosnu zalihu u velikoj neizvjesnosti. Predviđanje je predviđanje; Konačna odluka o naručivanju je vaša, zajedno sa budžetom i ograničenjima.
Zadatak aplikacije
Dobijte prodaju svojih 5 najprodavanijih SKU-a za posljednjih 12-18 mjeseci u anonimnoj tabeli i označite periode van zaliha i kampanje. Generirajte buduću prognozu pomoću prompta "1) Prognoza zasnovana na SKU-u", a zatim izdvojite MAPE svojih prošlih predviđanja pomoću "3) Procjena tačnosti prognoze". Uporedite rezultat sa svojom odlukom o naručivanju.
kontrolna lista
- [ ] Anonimizirao sam i očistio svoje podatke o prodaji.
- [ ] Označio sam periode van zaliha i kampanje.
- [ ] Dao sam kontekstu sezone i vanjskog faktora AI.
- [ ] Htio sam raspon scenarija, a ne jedan broj.
- [ ] Provjerio sam MAPE i smjer skretanja.
- [ ] Odluku o naručivanju sam donio na osnovu budžeta i ograničenja.