Dobici:
- Sposobnost razumijevanja koncepta vremenskih serija, trendova, sezonalnosti i utjecaja kampanje i korištenje umjetne inteligencije za predviđanje potražnje s pravim pitanjima i čistim podacima.
- Sposobnost tumačenja točnosti prognoze (MAPE, odstupanje) i nesigurnosti (interval pouzdanosti, scenariji) i planiranje bazirano na rasponu, a ne na jednom broju
- Biti u stanju razlikovati da je predviđanje umjetne inteligencije zasnovano na povijesnim podacima i da stručna prosudba dolazi do izražaja u slučajevima prekida kao što su novi proizvodi, promocije ili krize ponude.
Svaka odluka u lancu snabdevanja zasniva se na jednom pitanju: kolika će biti potražnja? Što tačnije odgovorite na ovo pitanje, manje zaliha imate, manje zaliha ostajete van i manje novca vezujete. Predviđanje potražnje je pokretač lanca snabdevanja; Odavde se dobijaju planovi zaliha, nabavke, proizvodnje i transporta. Umjetna inteligencija je izuzetno moćna na ovom polju jer skenira historiju hiljada proizvoda mnogo brže od čovjeka i izdvaja obrasce. Ali izvor njegove moći je i njena granica: AI uči iz prošlosti; Ako budućnost ne liči na prošlost, pogrešno je. U ovoj jedinici naučit ćemo jezik predviđanja, preciznosti mjerenja, upravljanja nesigurnošću i gdje bi vam se AI trebala predati.
Jezik predviđanja: vremenske serije, trend, sezonalnost
Podaci o potražnji su obično vremenske serije — niz brojeva poredanih po vremenu, kao što je prodaja proizvoda svakog dana. Podjela ovog niza na tri dijela je osnova predviđanja:
Trend, dugoročni smjer: povećava li se ili smanjuje prodaja iz godine u godinu? Sezonsko stanje, fluktuacije koje se redovno ponavljaju: sladoled se prodaje ljeti, grijač se prodaje zimi; Pijaca je zauzeta petkom i subotom. Šum, neobjašnjivo nasumično sviranje. Dobra prognoza bilježi trend i sezonalnost i ne zavara je buka. Povrh toga, događaji se gomilaju: kampanja, promocija, državni praznik, vrijeme, potez konkurenta. Kada AI predvidite, morate mu reći ove događaje; Ako mu ne kažete, on će misliti da je skakanje na dan kampanje "normalno" i pogriješit će u pogledu budućnosti.
Savjet: kada dajete sirove podatke o prodaji AI, označite kampanje, praznike i dane kada nema na zalihama. Dan bez zaliha je važan: prodaja je bila niska tog dana, ali stvarna potražnja je bila velika, jednostavno nije bilo dostupne robe. Ako ovo ne navedete, AI će potcijeniti stvarnu potražnju.
Preciznost mjerenja: MAPE i bias
"Je li prognoza dobra?" Odgovor na pitanje dolazi iz mjerenja, a ne osjećaja. Najčešći indikator je MAPE (Mean Absolute Percent Error — za koliko procentnih poena u prosjeku predviđanja odstupaju od stvarnosti). Ako je MAPE 10%, to znači da vaša predviđanja promašuju stvarnu vrijednost u prosjeku za 10%; niži MAPE je bolji. Drugi važan koncept je pristrasnost: da li je vaša prognoza konstantno iznad stvarnosti (proizvodnja prekomjernih zaliha) ili manjka (ostavljanje zaliha)? Čak i ako prognoza ima nizak MAPE, ako uvijek odstupa u istom smjeru, postoji sistematski problem.
Možete dati AI dio istorije kao "trening", a dio kao "testiranje" i uporediti njegovo predviđanje sa stvarnošću. Ovo je iskren način da se izgradi povjerenje: testiranje modela na podacima koje nije vidio. Predviđanje vrijedi primijeniti na budućnost samo ako se pokazalo dosljednim u prošlosti.
Oprez: Nijedno predviđanje nije 100% tačno; Ne očekuje se da će se to dogoditi. Cilj nije proizvesti savršen pojedinačni broj, već raspon kojim se može upravljati, znajući odstupanje. Binarna ideja „predviđanje se ostvarilo/nije uspelo“ je pogrešna; Ispravno pitanje je "koliko je odstupilo i koliko sam bafera zadržao u skladu s tim?"
Upravljanje nesigurnošću: raspon, a ne pojedinačni broj
Najopasnija navika planera je da prognozu tretira kao jedan tvrdi broj. U stvarnosti, svaka prognoza ima interval pouzdanosti — kao što je „potražnja sljedećeg mjeseca najvjerovatnije između 900 i 1.100“. Što je ovaj raspon širi, to je veća nesigurnost. Poznavanje raspona direktno utiče na vašu odluku o zalihama: uski raspon zahtijeva manje sigurnosne zalihe, širok raspon zahtijeva više tampon.
Stoga uvijek tražite od AI scenarije: pesimistički (ako potražnja ispadne niska), očekivana i optimistična (ako potražnja ispadne visoka). Sagledavajući tri scenarija, plan se ne zasniva na jednoj pretpostavci, već na nizu mogućih mogućnosti. Ovo je najpraktičniji način da izađete iz zamke "zaključanog u jednom broju".
Korak po korak: Studija predviđanja potražnje sa AI
- Obriši podatke. Označite dane koji nedostaju, dane van zaliha, otvorite pogrešne evidencije; Radite s anonimnim kodom proizvoda.
- Označite događaje. Dodajte dane kampanje, praznike i promocije u podatke.
- Oduzmite uzorak. Zamolite AI da sumira trendove, sezonalnost i značajne događaje.
- Testirajte. Sačuvajte posljednji dio povijesti, pustite AI da predvidi, uporedi sa stvarnošću (MAPE i smjer pristranosti).
- Kreirajte scenario. Zatražite tri predviđanja, pesimistična/očekivana/optimistična i interval pouzdanosti za svako.
- Ekspertski filter. AI ne zna za poznate nadolazeće poremećaje (novi proizvod, kriza snabdijevanja, zakonodavstvo); dodajte ih ručno. Konačni plan je vaš.
tri mini kofera
Slučaj 1 — Uočavanje sezonskosti. Distributer pića se žalio da ga tokom ljetnih mjeseci stalno nema na zalihama, a zimi mu ostaje roba. Planer je YZ-u dao 3 godine anonimne dnevne prodaje i uklonio sezonalnost: potražnja u junu i avgustu bila je 2,4 puta veća od zimskog prosjeka, a skok je počeo sredinom maja svake godine. Prema ovom obrascu, postavio je svoje letnje zalihe 3 nedelje unapred; ljetna mrtva zaliha smanjena je za 70%, zimska mrtva zaliha je opala. AI je pokazao obrazac; Planer je donio odluku o dionicama.
Slučaj 2 — Prepuštanje novom proizvodu. Kompanija će lansirati potpuno novi proizvod; Nije bilo istorijskih podataka o prodaji. Planer je upitao AI: "Koja će biti potražnja za prva 3 mjeseca?" upitao je. AI je proizveo broj koji se činio razumnim - ali planer je znao da je neosnovan: nije bilo podataka. Umjesto toga, AI pita "Koji je bio prvi 3-mjesečni uzorak proizvoda koji su bili objavljeni u sličnim segmentima u prošlosti?" analizu i postaviti kao raspon prognoze, uz opreznu početnu zalihu. Procjena stručnjaka poništila je fiktivno povjerenje AI.
Slučaj 3 — Bez zaliha je zamka dana. Analitičar je zaključio da je potražnja za proizvodom pala i preporučio smanjenje zaliha. Njegov stariji kolega primijetio je da su dani niske prodaje u podacima zapravo bili dani van zaliha: potražnja nije pala, nije bilo robe. Kada su podaci ispravljeni ovom napomenom i ponovo dati AI, vidjelo se da je stvarna potražnja porasla. Neispravno očišćeni podaci proizvode pogrešna predviđanja.
Četiri šablona za kopiranje
1) Ekstrakcija uzorka:
Vaša uloga: pomoćnik analitičara za planiranje potražnje. Ispod su podaci o mjesečnoj prodaji proizvoda (anonimni kod: PRODUCT-X) za posljednjih 36 mjeseci. Mjeseci kampanje [mjesečna lista], mjeseci bez zaliha [mjesečna lista]. Zadatak: Sumirajte (1) trend, (2) sezonski obrazac, (3) značajne događaje. Uzmite u obzir da mjeseci bez zaliha kriju pravu potražnju. Mjesec za koji nisam dao podatke je izmišljen.
2) Test tačnosti:
Predvidite zadnjih 6 mjeseci koristeći prvih 30 od 36 mjeseci u nastavku. Zatim uporedite moje predviđanje sa stvarnim poslednjih 6 meseci; Izračunajte odstupanje i ukupni MAPE za svaki mjesec. Recite mi da li je vaša procjena stalno pristrasna. Prikaži formulu.
3) Prognoza scenarija:
Procijenite mjesečnu potražnju za ovim proizvodom u sljedećem kvartalu u 3 scenarija: pesimističan / očekivan / optimističan. Dajte interval pouzdanosti za svaki scenario i zapišite na kojoj se pretpostavci zasniva. Imajte na umu da ovo nije definitivno, već interval za planiranje.
4) Kontrola loma:
Navedite kako bi predviđanje zasnovano na istorijskim podacima koje sam vam dao moglo biti poništeno sljedećim nadolazećim događajima: [novi proizvod / promocija / kriza ponude / promjena regulative]. Predložite kako da ručno prilagodim prognozu za svaku od njih.
Slaba prompt / Jaka prompt
Slab upit:
Koliko ću prodati sljedeći mjesec?
Nema podataka, nema proizvoda, nema konteksta. AI ili odbija ili nadoknađuje; nijedan rezultat ne radi.
Snažan upit:
Vaša uloga: pomoćnik u planiranju potražnje. Ispod je prodaja PRODUCT-X u posljednja 24 mjeseca; Označeni su mjeseci kampanje i mjeseci bez zaliha. Dajte pesimističnu/očekivanu/optimističnu prognozu za sljedeća 3 mjeseca, dodajte interval povjerenja svakom, pokažite MAPE na prošlom testu. Pretvarajte se da imam konačnu odluku o dionicama.
Pristup
hit
upravljanje nesigurnošću
Rizik
oslanjaju se na jedan broj
obmanjujuće
Nema
Visoko — plan se ruši
Scenarij + raspon
realističan
dobro
nisko
samo intuicija
Varijabilna
slab
srednje visok
Slijepo pokoravanje AI
Varijabilna
Nema
visoko
Uobičajene greške
- Zamijeniti dan kada nema zaliha za stvarno malu potražnju. Kada roba nije dostupna, prodaja se čini niskom; To ne znači da je potražnja pala.
- Zaključavanje u jednom broju. Gledati na predviđanje kao apsolutnu istinu znači zanemariti neizvjesnost; Uvijek pitajte za raspon i scenarij.
- Ne označavanje kampanje. Model koji misli da je promotivni skok "normalan" iskrivljuje budućnost.
- Predviđanje za novi proizvod bez istorije. Naizgled siguran broj AI za proizvod bez podataka je neosnovan.
- Prepuštamo razbijanje AI. AI ne poznaje strukturalne lomove kao što su epidemije, krize snabdijevanja i zakonodavstvo; Obavezna intervencija stručnjaka.
Oprez: Bez obzira koliko dobro izgleda predviđanje, ono ne može biti bolje od kvaliteta podataka na kojima se zasniva. "Smeće unutra, smeće van." Provedite većinu svog vremena čisteći podatke; Dio modela radi ostalo.
Ukratko
Predviđanje potražnje je pokretač lanca opskrbe, a AI je moćan asistent koji ubrzava ovaj motor. Ali AI uči iz prošlosti; greši kada budućnost ne liči na prošlost. Snimite trend i sezonalnost, označite događaje, izmjerite tačnost pomoću MAPE i smjera pomicanja, postavite prognozu kao scenarij i raspon, a ne kao jedan broj. Stručna prosudba je na prvom mjestu kod novih proizvoda i strukturalnih lomova. Čišćenje podataka je temelj svega; Konačni plan je vaš.
Zadatak aplikacije
Dobijte podatke o prodaji za posljednjih 12-24 mjeseca jednog od vaših vlastitih proizvoda (ili hipotetičkog proizvoda), označite kampanju i mjesece van zaliha. Zatražite od AI tri scenarija sa šablonom „predviđanje scenarija“. Zatim pohranite dio povijesti pomoću šablona "Test točnosti" i uporedite predviđanje sa stvarnošću. Zapišite MAPE koji ste pronašli i scenario koji ste odabrali, zajedno sa razlogom, u 5 stavki; Također odredite koji sigurnosni bafer ćete dodati.
kontrolna lista
- [ ] Jesam li obrisao podatke, označio da nema zaliha i dane kampanje?
- [ ] Da li sam potvrdio predviđanje sa MAPE i smjerom pristranosti kroz testiranje unazad?
- [ ] Jesam li tražio scenarij i interval povjerenja umjesto jednog broja?
- [ ] Ako postoji novi proizvod/lom, da li sam dao prednost stručnoj proceni?
- [ ] Jesam li podvrgao konačni plan zaliha vlastitom odobrenju?