zisky:
- Schopnost porozumět konceptům časových řad, trendu, sezónnosti a dopadu kampaní a používat umělou inteligenci pro prognózování poptávky se správnými otázkami a čistými daty.
- Schopnost interpretovat přesnost prognózy (MAPE, odchylka) a nejistotu (interval spolehlivosti, scénáře) a založit plánování na rozsahu spíše než na jediném čísle
- Umět rozlišit, že predikce umělé inteligence je založena na historických datech a že odborný úsudek přichází do popředí v případech zlomů, jako jsou nové produkty, akce nebo krize dodávek.
Každé rozhodnutí v dodavatelském řetězci je založeno na jedné otázce: jak velká bude poptávka? Čím přesněji odpovíte na tuto otázku, tím méně akcií držíte, tím méně zásob zůstanete mimo a tím méně peněz svážete. Prognóza poptávky je motorem dodavatelského řetězce; Skladové, nákupní, výrobní a přepravní plány jsou všechny přiváděny odtud. Umělá inteligence je v této oblasti extrémně silná, protože skenuje historii tisíců produktů mnohem rychleji než člověk a extrahuje vzory. Zdrojem její síly je ale také její limit: AI se učí z minulosti; Pokud se budoucnost nepodobá minulosti, je to špatně. V této jednotce se naučíme jazyk předpovědí, měření přesnosti, zvládání nejistoty a toho, kde by se vám měla AI vzdát.
Jazyk předpovědi: časové řady, trend, sezónnost
Údaje o poptávce jsou obvykle časovou řadou – řadou čísel seřazených podle času, jako je například prodej produktu za každý den. Rozdělení této sekvence na tři části je základem predikce:
Trend, dlouhodobý směr: rostou nebo klesají prodeje rok od roku? Sezónnost, pravidelně se opakující výkyv: zmrzlina prodává v létě, ohřívač prodává v zimě; V pátek a sobotu je na trhu rušno. Šum, nevysvětlitelné náhodné přehrávání. Dobrá předpověď zachycuje trend a sezónnost a nenechá se zmást hlukem. Kromě toho se hromadí události: kampaň, propagace, státní svátek, počasí, přesun konkurence. Když necháte AI předpovídat, musíte jí tyto události sdělit; Pokud mu to neřeknete, bude si myslet, že naskočení v den kampaně je „normální“ a udělá chybu o budoucnosti.
Tip: Když AI poskytujete nezpracovaná data o prodeji, označte kampaně, svátky a dny, kdy není skladem. Den bez zásob je důležitý: prodeje se ten den zdají nízké, ale skutečná poptávka byla vysoká, prostě nebylo k dispozici žádné zboží. Pokud to nespecifikujete, AI podcení skutečnou poptávku.
Přesnost měření: MAPE a vychýlení
"Je předpověď dobrá?" Odpověď na otázku pochází z měření, ne z pocitu. Nejběžnějším ukazatelem je MAPE (střední absolutní procentní chyba — o kolik procentních bodů se v průměru předpovědi odchylují od skutečnosti). Pokud je MAPE 10 %, znamená to, že vaše předpovědi minuly skutečnou hodnotu v průměru o 10 %; nižší MAPE je lepší. Druhým důležitým konceptem je zkreslení: je vaše prognóza konzistentně vyšší (produkující přezásobení) nebo nedostatečná zásoba (opuštění zásob) realitou? I když má předpověď nízkou MAPE, pokud se vždy odchyluje stejným směrem, existuje systematický problém.
Můžete dát AI část historie jako „trénink“ a část jako „testování“ a porovnat její předpověď s realitou. Toto je čestný způsob, jak vybudovat důvěru: testování modelu na datech, která neviděl. Předpověď se vyplatí aplikovat na budoucnost pouze tehdy, pokud se v minulosti ukázala jako konzistentní.
Upozornění: Žádná předpověď není 100% přesná; Neočekává se, že se to stane. Cílem není vytvořit dokonalé jediné číslo, ale zvládnutelný rozsah se znalostí odchylky. Binární myšlenka „předpověď se splnila/nefungovala“ je špatná; Správná otázka je "jak moc se to odchýlilo a jak velký buffer jsem podle toho ponechal?"
Řízení nejistoty: rozsah, nikoli jedno číslo
Nejnebezpečnějším zvykem plánovačů je zacházet s prognózou jako s jediným pevným číslem. Ve skutečnosti má každá předpověď interval spolehlivosti – například „poptávka příští měsíc je s největší pravděpodobností mezi 900 a 1 100“. Čím širší je toto rozmezí, tím vyšší je nejistota. Znalost sortimentu přímo ovlivňuje vaše rozhodování o zásobách: úzký sortiment vyžaduje méně bezpečných zásob, široký sortiment vyžaduje více vyrovnávací paměti.
Vždy se tedy zeptejte AI na scénáře: pesimistický (pokud se ukáže nízká poptávka), očekávaný a optimistický (pokud bude poptávka vysoká). Při pohledu na tři scénáře není plán založen na jediném předpokladu, ale na řadě možných možností. Toto je nejpraktičtější způsob, jak se dostat z pasti „uzamčeno v jediném čísle“.
Krok za krokem: Vyžádejte si studii prognózování poptávky s AI
- Vymazat data. Označte chybějící dny, nevyprodané dny, otevřete chybné záznamy; Práce s anonymním kódem produktu.
- Označte události. Přidejte k datům dny kampaně, dovolené a propagační akce.
- Odečtěte vzor. Požádejte AI, aby shrnula trendy, sezónnost a významné události.
- Otestujte to. Uložte si poslední část historie, nechte AI předpovídat, porovnat s realitou (MAPE a směr zkreslení).
- Vytvořte scénář. Požádejte o tři předpovědi, pesimistickou/očekávanou/optimistickou, a interval spolehlivosti pro každou z nich.
- Expertní filtr. AI neví o známých nadcházejících přerušeních (nový produkt, krize dodávek, legislativa); přidejte je ručně. Konečný plán je na vás.
tři mini pouzdra
Případ 1 – Zachycení sezónnosti. Distributor nápojů si stěžoval, že mu v letních měsících neustále chyběly zásoby a v zimě mu zůstalo zboží. Plánovač dal YZ 3 roky anonymního denního prodeje a nechal odstranit sezónnost: poptávka od června do srpna byla 2,4krát vyšší než zimní průměr a skok začal každý rok v polovině května. Podle tohoto vzoru založil svou letní zásobu 3 týdny předem; letní mrtvé zásoby klesly o 70 %, zimní mrtvé zásoby klesly. AI ukázala vzor; Plánovač učinil rozhodnutí o akciích.
Případ 2 – Poddání se novému produktu. Jedna společnost se chystala uvést na trh zcela nový produkt; Nebyly k dispozici žádné historické údaje o prodeji. Plánovač se zeptal AI: "Jaká bude poptávka během prvních 3 měsíců?" zeptal se. Umělá inteligence vytvořila číslo, které se zdálo rozumné – ale plánovač věděl, že je nepodložené: neexistují žádná data. Místo toho se AI ptá: "Jaký byl první 3měsíční model produktů vydaných v podobných segmentech v minulosti?" analýzu a nastavte ji jako předpovědní rozsah s opatrnými výchozími zásobami. Znalecký posudek zrušil fiktivní důvěru AI.
Případ 3 — Bez zásob je past dne. Analytik dospěl k závěru, že poptávka po produktu klesla, a doporučil snížit zásoby. Jeho starší kolega si všiml, že nízké prodejní dny v datech byly ve skutečnosti dny bez zásob: poptávka neklesla, nebylo žádné zboží. Když byla data opravena s touto poznámkou a znovu předána AI, bylo vidět, že skutečná poptávka vzrostla. Nesprávně vyčištěná data vytvářejí nesprávné předpovědi.
Čtyři kopírovatelné šablony
1) Extrakce vzoru:
Vaše role: asistent analytika plánování poptávky. Níže jsou uvedeny měsíční údaje o prodeji produktu (anonymní kód: PRODUCT-X) za posledních 36 měsíců. Měsíce kampaně [seznam měsíců], měsíce bez zásob [seznam měsíců]. Úkol: Shrňte (1) trend, (2) sezónní vývoj, (3) významné události. Vezměte v úvahu, že měsíce bez zásob skrývají skutečnou poptávku. Měsíc, za který jsem údaje neposkytl, je vymyšlený.
2) Test přesnosti:
Předpovězte posledních 6 měsíců pomocí prvních 30 z 36 měsíců uvedených níže. Poté porovnejte moji předpověď se skutečnými posledními 6 měsíci; Vypočítejte odchylku a celkový MAPE za každý měsíc. Řekněte mi, jestli je váš odhad konzistentně zkreslený. Zobrazit vzorec.
3) Předpověď scénáře:
Odhadněte měsíční poptávku po tomto produktu v příštím čtvrtletí ve 3 scénářích: pesimistický / očekávaný / optimistický. Uveďte interval spolehlivosti pro každý scénář a napište, na kterém předpokladu je založen. Všimněte si, že to není definitivní, ale interval pro plánování.
4) Kontrola rozbití:
Uveďte, jak může být předpověď založená na historických údajích, které jsem vám poskytl, zneplatněna následujícími nadcházejícími událostmi: [nový produkt / akce / krize dodávek / změna předpisů]. Navrhněte, jak bych měl ručně upravit předpověď pro každý z nich.
Slabá výzva / Silná výzva
Slabá výzva:
Kolik prodám příští měsíc?
Žádná data, žádný produkt, žádný kontext. AI buď odmítá, nebo vyrovnává; ani jeden výsledek nefunguje.
Výkonná výzva:
Vaše role: asistent plánování poptávky. Níže jsou uvedeny prodeje PRODUCT-X za posledních 24 měsíců; Jsou označeny měsíce kampaně a měsíce bez zásob. Poskytněte pesimistickou/očekávanou/optimistickou předpověď na další 3 měsíce, přidejte ke každému interval spolehlivosti, zobrazte MAPE v minulém testu. Předstírat, že mám konečné rozhodnutí o akciích.
Přístup
hit
řízení nejistoty
Riziko
spoléhat na jediné číslo
zavádějící
žádný
Vysoká — plán se hroutí
Scénář + rozsah
realistické
dobrý
nízká
jen intuice
Variabilní
slabý
středně vysoká
Slepě poslouchat AI
Variabilní
žádný
vysoká
Časté chyby
- Zaměnit den vyprodání zásob za skutečně nízkou poptávku. Když zboží není dostupné, prodeje se zdají nízké; To neznamená, že poptávka klesla.
- Uzamčení v jediném čísle. Vidět předpověď jako absolutní pravdu znamená ignorovat nejistotu; Vždy se ptejte na rozsah a scénář.
- Neoznačování kampaně. Model, který si myslí, že propagační bounce je „normální“, zkresluje budoucnost.
- Předpověď na nový produkt bez historie. Zdánlivě bezpečný počet AI pro produkt bez dat je nepodložený.
- Přenechání lámání na AI. AI nezná strukturální zlomy, jako jsou epidemie, krize dodávek a legislativa; Musí být proveden odborný zásah.
Upozornění: Bez ohledu na to, jak dobře předpověď vypadá, nemůže být lepší než kvalita dat, na kterých je založena. "Odpadky dovnitř, odpadky ven." Většinu času věnujte čištění dat; Modelová část se postará o zbytek.
V souhrnu
Předpovídání poptávky je motorem dodavatelského řetězce a umělá inteligence je výkonný asistent, který tento motor zrychluje. Ale AI se učí z minulosti; se mýlí, když se budoucnost nepodobá minulosti. Zachyťte trend a sezónnost, označte události, měřte přesnost pomocí MAPE a směr posunu, nastavte předpověď jako scénář a rozsah, nikoli jedno číslo. Odborné posouzení je na prvním místě u nových produktů a strukturálních zlomů. Čištění dat je základem všeho; Konečný plán je na vás.
Aplikační úkol
Získejte údaje o prodeji za posledních 12-24 měsíců jednoho z vašich vlastních produktů (nebo hypotetického produktu), označte kampaň a měsíce, kdy nejsou skladem. Požádejte umělou inteligenci o tři scénáře pomocí šablony „předpověď scénáře“. Poté uložte část historie pomocí šablony "Test přesnosti" a porovnejte předpověď se skutečností. Zapište si MAPE, který jste našli, a scénář, který jste si vybrali, spolu s jeho důvodem do 5 položek; Určete také, kterou vyrovnávací paměť zabezpečení přidáte.
kontrolní seznam
- [ ] Vymazal(a) jsem data, označil(a) jsem, že není skladem a dny kampaně?
- [ ] Ověřil jsem předpověď pomocí MAPE a směrování zkreslení prostřednictvím zpětného testování?
- [ ] Požádal jsem o scénář a interval spolehlivosti místo jediného čísla?
- [ ] Pokud se vyskytne nový produkt/poškození, dal jsem přednost odbornému posouzení?
- [ ] Podrobil jsem konečný plán zásob vlastnímu schválení?