zisky:
- Schopnost vytvořit návrh prognózy poptávky na základě SKU s podporou umělé inteligence kombinací historických údajů o prodeji, sezónních vlivů a externích faktorů.
- Schopnost interpretovat přesnost prognózy (MAPE, zkreslení) a rozlišovat obchodní důsledky nadhodnocení a podhodnocení
- Být schopen tvrdit, že předpověď vytvořená umělou inteligencí je predikcí a konečné rozhodnutí o objednávce náleží manažerovi spolu s náklady na sklad a cash flow.
V maloobchodě existují dvě nejdražší chyby: držet příliš mnoho zásob a nechat peníze chřadnout na polici, nebo nedržet dostatek zásob a nechat zákazníka s prázdnou. Oba mají stejný zdroj: špatné prognózování poptávky. V této jednotce se naučíte používat umělou inteligenci jako výkonného pomocníka, který předpovídá budoucnost z minulých prodejů. Ale řekněme si od začátku: předpověď není proroctví, ale pravděpodobnostní předpověď. AI vám dá číslo; Vaším úkolem je převést toto číslo na rozhodnutí o objednávce.
Prognóza poptávky: Úkolem je předpovídat, kolik produktu nebo kategorie se bude v budoucnu prodávat, na základě historických dat a ovlivňujících faktorů.
SKU (Stock Keeping Unit): Je to jedinečný skladový kód uchovávaný pro každou jinou variantu produktu. Například „červené tenisky velikosti 42“ je SKU; číslo 43 stejného modelu je samostatné SKU.
Tři zdroje informací, které krmí předpověď
Dobrá předpověď kombinuje tři věci:
- Historické prodeje (základní): Týdenní/měsíční prodeje produktu za posledních 12–24 měsíců. Umělá inteligence získává z této série „normální“ úroveň.
- Sezónní a kalendářní vlivy: Prázdniny, školní semestr, léto-zima, víkend, výplata. Například v létě přibývá zmrzliny a v zimě naopak ponožek.
- Externí faktory: Kampaň, změna ceny, počasí, pohyb konkurence, otevření/uzavření. Ty posunou odhad nahoru nebo dolů.
Tip: Neříkejte jen AI „minulý měsíc jsme prodali 100“. Řekněte: "Minulý měsíc jsme prodali 100, ale byla tam 20% sleva a byl týden prázdnin." Bez kontextu je předpověď zavádějící.
Generování předpovědi krok za krokem
- Připravte si data: Anonymní, čistou tabulku: datum, SKU, prodané množství, cena, akce/žádná akce, dostupnost. Označte dny, kdy není skladem; Jinak si umělá inteligence bude myslet, že den je „nízká poptávka“.
- Uveďte kontext: Zapište si sezónu, nadcházející události, plánované kampaně.
- Vyžádat si předpověď: Vyžádejte si předpověď a interval spolehlivosti (nejhorší/nejlepší scénář) pro konkrétní období, podle SKU nebo kategorie.
- Přesnost měření: Porovnejte své minulé předpovědi se skutečností (MAPE níže).
- Proměňte to v rozhodnutí: Zkombinujte odhad s bezpečnostními zásobami a rozpočtem a udělejte rozhodnutí o objednávce.
Přesnost předpovědi čtení: MAPE a zkreslení
MAPE (Mean Absolute Percent Error): Zobrazuje průměrnou procentní odchylku prognóz od skutečných prodejů. Vzorec je jednoduše: |skutečný − předpověď| pro každé období / skutečný je jejich průměr.
- MAPE 10 % → odhady se v průměru odchylují o 10 %, docela dobré.
- MAPE 40% → předpovědi jsou nespolehlivé, pro rozhodnutí o objednávce je potřeba větší rezerva (bezpečnostní zásoba).
Směr (zkreslení): Je vaše předpověď trvale nad (riziko přezásobení) nebo pod (riziko předzásobení) skutečností? Podívejte se také na toto; MAPE neukazuje směr.
Stav
Význam
obchodní výsledek
Trvale vysoký odhad
Přeháníte poptávku
Přebytek zásob, zhroucení, ztráta marže
Trvalé podceňování
Podceňujete poptávku
Vyprodáno, promeškané prodeje, nespokojenost
Vysoký MAPE, vyvážený směr
Nejistota je vysoká
Zvyšte bezpečnostní zásoby, často kontrolujte
Nízká MAPE
přesná předpověď
Štíhlejší akcie, lepší hotovost
mini pouzdra
Případ 1 – Chybějící sezónnost: Obchod s potravinami si objedná školní sešity na základě loňských červencových prodejů (200 kusů za měsíc). Když umělá inteligence dostane kontext „školní období srpen-září, tržby se v tomto období loňského roku zčtyřnásobily“, předpověď se zvýší na 780 jednotek místo 200. Díky správnému pořadí vám během školního roku nedojdou zásoby; Odhadovaný obrat 60 000 TL, který unikl předchozímu roku, se letos chytá.
Případ 2 — Nepočítáme den vyprodání zásob: Obchod byl bez zásob oblíbené kávy po dobu 3 týdnů. Při pohledu na nezpracovaná data umělá inteligence vidí tyto týdny jako „5 prodejů za týden“ a poskytuje nízký odhad. Když analytik označí dny bez zásob a řekne „tyto týdny neodrážejí poptávku“, prognóza se zvýší na 45 za týden. Objevuje se skutečná poptávka.
Případ 3 — Zobecnění efektu kampaně: Textilní řetězec považuje týdenní výprodej s 50% slevou (600 kusů) za „normální“ a neustále objednává 600. Když se umělé inteligenci řekne „tento prodej byl uskutečněn s jednorázovou kampaní, normální týden je 180“, předpověď je opravena. Je zabráněno riziku přezásobení a následné ztrátě marže.
Předpovědní horizont: jak daleko dopředu vidíte?
Horizont prognózy: Jak daleko do budoucnosti se prognóza provádí. Pravidlo je jednoduché: čím delší horizont, tím větší nejistota. Prodeje na příští týden předpovídáte poměrně přesně; o šest měsíců později s mnohem širším rozsahem. Vyberte si tedy horizont prognózy podle potřeby rozhodnutí o objednávce: krátký horizont a častá aktualizace pro čerstvý produkt, který rychle dochází; Delší horizont a širší bezpečnostní rozpětí pro dovážené produkty s dlouhými dodacími lhůtami.
Dalším důležitým rozdílem je prognóza nových produktů. Neexistuje žádný minulý prodej nového SKU; v tomto případě zadáte AI historii podobných produktů (analogové), průměr kategorie a plán spuštění. Rčení „Tento produkt nemá žádnou historii; poskytněte počáteční odhad tím, že se podíváte na prvních 8 týdnů podobných produktů X a Y“, je rozumný způsob, jak vyplnit prázdné místo. Prognóza nového produktu je však vždy riskantnější; Jakmile budou k dispozici skutečná data za první týdny, prognózu rychle upravte.
Pozor: Nepovažujte odhad za léčbu „udělejte to jednou a zapomeňte na to“. Prognózování poptávky je živý proces; Každý nový prodejní týden je příležitostí k aktualizaci prognózy. Nejlepší prognostici jsou ti, kteří používají ten, který se aktualizuje nejčastěji, nikoli nejchytřejší model.
Slabá výzva / Silná výzva
Slabá výzva:
Řekněte mi, za kolik se tento produkt prodá příští měsíc.
Neexistuje žádný kontext; AI tvoří náhodné číslo.
Výkonná výzva:
Vaše role: specialista na plánování poptávky. Údaje: Níže jsou uvedeny měsíční prodejní množství a cena za posledních 18 měsíců pro SKU 4471 a zda v daném měsíci probíhá kampaň. Kontext: Tento produkt je letní sandály; Poptávka vrcholí v květnu až srpnu. Příští měsíc je červen. Žádná kampaň se neplánuje. Cena je pevná.Úkol: (1) očekávané prodejní množství za červen, (2) rozsah nejhoršího a nejlepšího scénáře, (3) 2 hlavní faktory ovlivňující předpověď.Pravidlo: Nepočítejte měsíce označené jako vyprodané jako nízkou poptávku. Pouze na základě daných údajů.Údaje: [vložte tabulku]
Kopírovatelné šablony výzev
1) Predikce založená na SKU
Vaše role: specialista na plánování poptávky. Vygenerujte budoucí prognózu [období] pro [SKU] z následujících anonymních měsíčních řad prodejů. Výstup: očekávané množství + nejhorší/nejlepší rozsah + 2 předpoklady. Vyloučit období označená vyprodáno. Údaje: [vložit]
2) Odstraňování sezónních vzorů
Najděte opakující se sezónní vzorec v 24měsíční prodejní sérii níže. Které měsíce jsou nahoře a které dole? Uveďte odchylku od průměru v procentech. Předložte jej ve formě tabulky. Údaje: [vložit]
3) Hodnocení přesnosti predikce
Níže jsou mé historické odhady a skutečné prodeje. (1) Vypočítejte MAPE, (2) Posunuje se moje předpověď neustále nahoru nebo dolů, (3) Co to znamená pro akcie? Zobrazit krok za krokem. Data: [odhad, skutečné sloupce]
4) Extrahujte dopad kampaně
Týdny kampaně jsou vyznačeny v prodejní sérii níže. Odhadněte běžnou (mimo kampaň) poptávku; Uveďte účinek kampaně jako samostatné procento nárůstu. Takže chci vidět normální úroveň objednávky. Údaje: [vložit]
Časté chyby
- Neuvedení kontextu: Pokud není specifikována kampaň, sezóna, změna ceny, bude předpověď zavádějící.
- Zda počítat dny vyprodání zásob jako poptávku: Období vyprodání zásob skrývá skutečnou poptávku; označit.
- Přijetí akčního prodeje jako normálního: Myslet si, že jednorázové zvýšení je trvalé, povede k přebytku zásob.
- Spoléhat se na jediné číslo: Nechtít rozsah (scénář) a spoléhat se na jediný bod skrývá riziko.
- Žádná přesnost měření: Pokud nejsou sledovány MAPE a směr, předpověď se zhoršuje a zhoršuje.
- Vytváření přímých objednávek s odhady: Objednávání bez hotovosti, skladu a kontroly skladovatelnosti.
V souhrnu
Dobrá prognóza kombinuje minulé prodeje, sezónnost a vnější faktory. Nezapomeňte dát AI kontext (kampaň, sezóna, dny, kdy není skladem). Monitorujte přesnost předpovědi pomocí MAPE a směru zkreslení; Zvyšte bezpečnostní zásoby při vysoké nejistotě. Predikce je předpověď; Konečné rozhodnutí o objednávce je na vás, spolu s rozpočtem a omezeními.
Aplikační úkol
Získejte prodeje svých 5 nejprodávanějších SKU za posledních 12–18 měsíců v anonymní tabulce a označte období, kdy není skladem, a období kampaní. Vygenerujte budoucí prognózu pomocí výzvy „1) Prognóza založená na SKU“ a poté pomocí „3) Vyhodnocení přesnosti prognózy extrahujte MAPE vašich minulých prognóz“. Porovnejte výsledek s vlastním rozhodnutím o objednávce.
kontrolní seznam
- [ ] Anonymizoval jsem a vyčistil údaje o prodeji.
- [ ] Označil jsem období vyprodání zásob a období kampaně.
- [ ] Dal jsem AI kontext sezóny a externího faktoru.
- [ ] Chtěl jsem rozsah scénáře, ne jediné číslo.
- [ ] Zkontroloval jsem MAPE a směr stáčení.
- [ ] Rozhodnutí o objednávce jsem učinil na základě rozpočtu a omezení.