Gevinster:
- Evne til at udarbejde et udkast til efterspørgselsprognose på SKU-basis med støtte af kunstig intelligens ved at kombinere historiske salgsdata, sæsonmæssige effekter og eksterne faktorer.
- Evne til at fortolke prognosenøjagtighed (MAPE, bias) og skelne de forretningsmæssige konsekvenser af overvurdering og undervurdering
- At være i stand til at fastholde, at prognosen produceret af kunstig intelligens er en forudsigelse, og den endelige ordrebeslutning tilhører forvalteren sammen med lageromkostninger og cash flow.
Der er to dyreste fejl i detailhandlen: at holde for meget lager og lade pengene sygne hen på hylden, eller ikke at have nok lager og lade kunden stå tomhændet. Begge har samme kilde: dårlige efterspørgselsprognoser. I denne enhed lærer du, hvordan du bruger kunstig intelligens som en kraftfuld assistent, der forudsiger fremtiden ud fra tidligere salg. Men lad os sige fra begyndelsen: en forudsigelse er ikke en profeti, men en probabilistisk forudsigelse. AI giver dig et nummer; Det er din opgave at omsætte dette nummer til en bestillingsbeslutning.
Efterspørgselsprognose: Det er opgaven at forudsige, hvor meget af et produkt eller en kategori, der vil blive solgt i fremtiden ved at se på historiske data og indflydelsesfaktorer.
SKU (Stock Keeping Unit): Det er den unikke lagerkode, der opbevares for hver anden produktvariant. For eksempel er "røde, størrelse 42 sneakers" en SKU; nummer 43 af samme model er en separat SKU.
Tre informationskilder, der fodrer prognosen
En god prognose kombinerer tre ting:
- Historisk salg (baseline): Ugentligt/månedligt salg af produktet over de sidste 12-24 måneder. AI udtrækker et "normalt" niveau fra denne serie.
- Sæson- og kalendereffekter: Ferie, skoleperiode, sommer-vinter, weekend, lønningsdag. For eksempel stiger is om sommeren og sokker øges om vinteren.
- Eksterne faktorer: Kampagne, prisændring, vejr, konkurrentbevægelse, åbning/lukning. Disse skubber estimatet op eller ned.
Tip: Fortæl ikke bare AI'en "vi solgte 100 i sidste måned." Sig: "Vi solgte 100 i sidste måned, men der var 20 % rabat, og det var en ferieuge." Uden kontekst er forudsigelse vildledende.
Trin for trin forudsigelse generation
- Forbered dataene: En anonym, ren tabel: dato, SKU, solgt mængde, pris, kampagne/ingen kampagne, tilgængelighed. Marker dagene for udsolgt; Ellers vil kunstig intelligens synes, at den dag er "lav efterspørgsel".
- Giv kontekst: Skriv sæsonen ned, kommende arrangementer, planlagte kampagner.
- Anmod om en prognose: Anmod om en prognose og et konfidensinterval (worst/best case scenario) for en bestemt periode, efter SKU eller kategori.
- Mål nøjagtighed: Sammenlign dine tidligere forudsigelser med virkeligheden (MAPE nedenfor).
- Gør det til en beslutning: Kombiner estimatet med sikkerhedslager og budget og tag bestillingsbeslutningen.
Læsning af prognosenøjagtighed: MAPE og bias
MAPE (Mean Absolute Percent Error): Viser den gennemsnitlige procentvise afvigelse af prognoser fra det faktiske salg. Formlen er ganske enkelt: |faktisk − prognose| for hver periode / reelt er deres gennemsnit.
- MAPE 10% → estimater afviger med 10% i gennemsnit, ret godt.
- MAPE 40% → prognoser er upålidelige, mere buffer (sikkerhedsmateriel) er nødvendig for at træffe beslutninger.
Retning (bias): Er din prognose konsekvent over (risiko for overbelægning) eller under (risiko for udlagring) virkeligheden? Se også dette; MAPE viser ikke retning.
Status
Betydning
forretningsresultat
Vedvarende højt skøn
Du overdriver efterspørgslen
Overskydende lager, nedsmeltning, tab af margin
Vedvarende undervurdering
Du undervurderer efterspørgslen
Udsolgt, manglende salg, utilfredshed
Høj MAPE, afbalanceret retning
Usikkerheden er høj
Øg sikkerhedslageret, gennemgå ofte
Lav MAPE
præcis forudsigelse
Slankere lager, bedre kontanter
mini sager
Case 1 — Manglende sæsonbestemt: En købmand bestiller skolenotesbøger baseret på sidste års julisalg (200 enheder pr. måned). Når den kunstige intelligens får konteksten "August-september skoletermin, salget blev firedoblet i denne periode sidste år", stiger forudsigelsen til 780 enheder i stedet for 200. Takket være den korrekte rækkefølge løber du ikke tør for lager i løbet af skoleåret; Den anslåede omsætning på 60.000 TL, som undslap året før, fanges i år.
Case 2 — Ikke medregnet udsolgt dag: En butik var udsolgt af en populær kaffe i 3 uger. Ser man på de rå data, ser kunstig intelligens disse uger som "5 salg pr. uge" og giver et lavt estimat. Når analytikeren markerer dagene uden lager og siger "disse uger afspejler ikke efterspørgslen", stiger prognosen til 45 om ugen. Der opstår en reel efterspørgsel.
Case 3 — Generalisering af kampagneeffekten: En tekstilkæde betragter et ugeudsalg med 50 % rabat (600 enheder) som "normalt" og bestiller konstant 600. Når den kunstige intelligens får at vide "dette udsalg blev lavet med en engangskampagne, normal uge er 180", korrigeres forudsigelsen. Risikoen for overbeholdning og efterfølgende nedskrivningstab forhindres.
Forudsigelseshorisont: hvor langt frem kan du se?
Prognosehorisont: Hvor langt ude i fremtiden laves prognosen. Reglen er enkel: Jo længere horisont, jo større er usikkerheden. Du forudsiger næste uges salg relativt præcist; seks måneder senere med et meget bredere sortiment. Så vælg prognosehorisonten i henhold til behovet for ordrebeslutning: kort horisont og hyppig opdatering for friske produkter, der hurtigt løber tør; Længere horisont og bredere sikkerhedsmargin for importerede produkter med lange leveringstider.
En anden vigtig sondring er prognoser for nye produkter. Der er ikke noget tidligere salg af en ny SKU; i dette tilfælde giver du AI historien om lignende produkter (analog), kategorigennemsnittet og lanceringsplanen. At sige "Dette produkt har ingen historie; giv et indledende skøn ved at se på de første 8 uger af lignende produkter X og Y" er en rimelig måde at udfylde det tomme felt på. Men prognoser for nye produkter er altid mere risikable; Revider hurtigt prognosen, efterhånden som faktiske data for de første uger bliver tilgængelige.
Forsigtig: Behandl ikke estimatet som en "gør det en gang og glem det" behandling. Efterspørgselsprognose er en levende proces; Hver ny salgsuge er en mulighed for at opdatere prognosen. De bedste prognosemænd er dem, der bruger den, der opdaterer hyppigst, ikke den smarteste model.
Svag prompt / Stærk prompt
Svag prompt:
Fortæl mig, hvor meget dette produkt vil sælge i næste måned.
Der er ingen sammenhæng; AI udgør et tilfældigt tal.
Kraftig prompt:
Din rolle: specialist i behovsplanlægning. Data: Nedenfor er den månedlige salgsmængde og pris for de sidste 18 måneder for SKU 4471 og om der er en kampagne den pågældende måned. Kontekst: Dette produkt er sommersandaler; Efterspørgslen topper i maj-august. Næste måned er juni. Der er ingen kampagne planlagt. Prisen er fast.Opgave: (1) forventet salgsmængde for juni, (2) værste og bedste scenarieområde, (3) 2 hovedfaktorer, der påvirker prognosen.Regel: Tæl ikke måneder markeret som udsolgt som lav efterspørgsel.Kun baseret på de givne data.Data: [indsæt tabel]
Kopierbare promptskabeloner
1) SKU-baseret forudsigelse
Din rolle: specialist i behovsplanlægning. Generer fremtidig [periode]-prognose for [SKU] fra følgende anonyme månedlige salgsserier. Output: forventet mængde + værste/bedste interval + 2 antagelser. Udelad perioder, der er markeret udsolgt. Data: [indsæt]
2) Sæsonbestemt mønsterfjernelse
Find det tilbagevendende sæsonmønster i 24-måneders udsalgsserien nedenfor. Hvilke måneder er de øverste og hvilke måneder er de nederste? Angiv afvigelsen fra gennemsnittet i procent. Præsenter det i tabelform. Data: [indsæt]
3) Evaluering af forudsigelsesnøjagtighed
Nedenfor er mine historiske estimater og faktiske salg. (1) Beregn MAPE, (2) går min prognose konstant højere eller lavere, (3) hvad betyder det for aktien? Vis trin for trin. Data: [estimat, faktiske kolonner]
4) Uddrag kampagneeffekt
Kampagneuger er markeret i salgsserien nedenfor. Estimer normal (ikke-kampagne) efterspørgsel; Angiv kampagneeffekten som en separat løfteprocent. Så jeg vil gerne se det normale ordreniveau. Data: [indsæt]
Almindelige fejl
- Giver ikke kontekst: Hvis kampagnen, sæsonen, prisændringen ikke er angivet, vil forudsigelsen være vildledende.
- Om udsolgte dage skal tælles som efterspørgsel: En udsolgt periode skjuler reel efterspørgsel; mærke.
- Accept af salgsfremmende salg som normalt: At tænke på, at en engangsstigning er permanent, vil føre til overskydende lagerbeholdning.
- At stole på et enkelt tal: Ikke at have et interval (scenarie) og stole på et enkelt punkt skjuler risikoen.
- Måler slet ikke nøjagtighed: Hvis MAPE og retning ikke overvåges, bliver forudsigelsen værre og værre.
- Foretage direkte ordrer med estimater: Bestilling uden kontant-, lager- og holdbarhedskontrol.
Sammenfattende
Gode prognoser kombinerer tidligere salg, sæsonudsving og eksterne faktorer. Sørg for at give AI-en konteksten (kampagne, sæson, udsolgte dage). Overvåg prognosenøjagtighed med MAPE og bias retning; Øg sikkerhedslageret i høj usikkerhed. En forudsigelse er en forudsigelse; Den endelige bestillingsbeslutning er din, sammen med budget og begrænsninger.
Ansøgningsopgave
Få salget af dine top 5 bedst sælgende SKU'er for de sidste 12-18 måneder i en anonym tabel og marker udsolgt af lager og kampagneperioder. Generer en fremtidsprognose med prompten "1) SKU-baseret prognose", og udtræk derefter MAPE af dine tidligere prognoser med "3) Evaluering af prognosenøjagtighed". Sammenlign resultatet med din egen bestillingsbeslutning.
tjekliste
- [ ] Jeg anonymiserede og rensede mine salgsdata.
- [ ] Jeg markerede udløbs- og kampagneperioderne.
- [ ] Jeg gav sæsonen og den eksterne faktor kontekst til AI.
- [ ] Jeg ville have et scenarieområde, ikke et enkelt tal.
- [ ] Jeg tjekkede MAPE og krøjeretning.
- [ ] Jeg tog bestillingsbeslutningen baseret på budget og begrænsninger.