Gevinster:
- Evne til at forstå begreberne tidsserier, trend, sæsonbestemt og kampagnepåvirkning og bruge kunstig intelligens til efterspørgselsprognoser med de rigtige spørgsmål og rene data.
- Evne til at fortolke prognosenøjagtighed (MAPE, afvigelse) og usikkerhed (konfidensinterval, scenarier) og basere planlægning på et interval frem for et enkelt tal
- At kunne skelne, at forudsigelse af kunstig intelligens er baseret på historiske data, og at ekspertvurderinger kommer i forgrunden i tilfælde af brud såsom nye produkter, kampagner eller forsyningskriser.
Hver beslutning i forsyningskæden er baseret på ét spørgsmål: hvor stor efterspørgsel vil der være? Jo mere præcist du svarer på dette spørgsmål, jo mindre lager du har, jo mindre lager holder du dig ude af, og jo færre penge binder du. Efterspørgselsprognose er motoren i forsyningskæden; Lager-, indkøbs-, produktions- og transportplaner er alle fodret herfra. Kunstig intelligens er ekstremt kraftfuld på dette område, fordi den scanner historien om tusindvis af produkter meget hurtigere end et menneske og udtrækker mønstre. Men kilden til dens kraft er også dens grænse: AI lærer af fortiden; Hvis fremtiden ikke ligner fortiden, er det forkert. I denne enhed lærer vi sproget for forudsigelse, måling af nøjagtighed, håndtering af usikkerhed, og hvor AI skal overgive sig til dig.
Forudsigelsessprog: tidsserier, trend, sæsonbestemte
Efterspørgselsdata er normalt en tidsserie - en række tal ordnet efter tid, såsom hver dags salg af et produkt. Opdeling af denne sekvens i tre dele er grundlaget for forudsigelse:
Trend, langsigtet retning: stiger eller falder salget fra år til år? Sæsonbestemt, regelmæssigt tilbagevendende udsving: is sælges om sommeren, varmeapparatet sælger om vinteren; Markedet er travlt fredag og lørdag. Støj, uforklarlig tilfældig afspilning. En god prognose fanger trend og sæsonbestemte og lader sig ikke narre af støj. Oven i disse hober sig begivenheder op: kampagne, promovering, helligdage, vejr, konkurrentbevægelse. Når du får AI til at forudsige, skal du fortælle den disse begivenheder; Hvis du ikke fortæller ham det, vil han mene, at spring på kampagnedagen er "normalt" og vil tage fejl om fremtiden.
Tip: Når du giver rå salgsdata til AI, skal du markere kampagner, helligdage og udsolgte dage. Dagen uden lager er vigtig: Salget synes lavt den dag, men den reelle efterspørgsel var høj, der var bare ingen varer til rådighed. Hvis du ikke angiver dette, vil AI’en undervurdere den faktiske efterspørgsel.
Målenøjagtighed: MAPE og bias
"Er prognosen god?" Svaret på spørgsmålet kommer fra måling, ikke følelse. Den mest almindelige indikator er MAPE (Mean Absolute Percent Error - hvor mange procentpoint i gennemsnit afviger forudsigelser fra virkeligheden). Hvis MAPE er 10 %, betyder det, at dine forudsigelser går glip af den reelle værdi med et gennemsnit på 10 %; lavere MAPE er bedre. Det andet vigtige koncept er bias: Er din prognose konsekvent over (producerer overlager) eller underlager (efterlader underlager) virkeligheden? Selvom en prognose har en lav MAPE, hvis den altid afviger i samme retning, er der et systematisk problem.
Du kan give AI en del af historien som "træning" og en del af den som "test" og sammenligne dens forudsigelse med virkeligheden. Dette er den ærlige måde at opbygge tillid på: at teste modellen på data, den ikke har set. En forudsigelse er kun værd at anvende på fremtiden, hvis den har vist sig at være konsistent i fortiden.
Forsigtig: Ingen forudsigelse er 100 % nøjagtig; Det forventes ikke at ske. Målet er ikke at producere et perfekt enkelt tal, men et overskueligt område, ved at kende afvigelsen. Den binære idé om "forudsigelsen gik i opfyldelse/den virkede ikke" er forkert; Det korrekte spørgsmål er "hvor meget afveg det, og hvor meget buffer beholdt jeg i overensstemmelse hermed?"
Håndtering af usikkerhed: rækkevidde, ikke enkelttal
Planlæggerens farligste vane er at behandle prognosen som et enkelt hårdt tal. I virkeligheden har hver prognose et konfidensinterval - som "efterspørgslen næste måned er højst sandsynligt mellem 900 og 1.100." Jo bredere dette interval er, jo større er usikkerheden. At kende sortimentet påvirker direkte din aktiebeslutning: Snævert sortiment kræver mindre sikkerhedslager, bredt sortiment kræver mere buffer.
Så spørg altid AI om scenarier: pessimistisk (hvis efterspørgslen viser sig at være lav), forventet og optimistisk (hvis efterspørgslen viser sig høj). Når man ser tre scenarier, er planen ikke baseret på en enkelt antagelse, men på en række mulige muligheder. Dette er den mest praktiske måde at komme ud af "locked in single number"-fælden.
Trin for trin: Efterspørgselsprognoseundersøgelse med AI
- Ryd data. Marker manglende dage, udsolgte dage, åbne fejlregistreringer; Arbejd med anonym produktkode.
- Tag begivenheder. Tilføj kampagne-, ferie- og kampagnedage til dataene.
- Træk mønsteret fra. Bed AI om at opsummere trends, sæsonbestemte og bemærkelsesværdige begivenheder.
- Test det. Gem den sidste del af historien, lad AI’en forudsige, sammenligne med virkeligheden (MAPE og bias-retning).
- Opret et scenarie. Bed om tre forudsigelser, pessimistisk/forventet/optimistisk, og konfidensintervallet for hver.
- Ekspert filter. AI kender ikke til kendte kommende forstyrrelser (nyt produkt, forsyningskrise, lovgivning); tilføje dem manuelt. Den endelige plan er din.
tre minisager
Case 1 — Indfangning af sæsonbestemthed. En drikkevaredistributør klagede over, at han konstant var udsolgt i sommermånederne og stod tilbage med varer om vinteren. Planlæggeren gav 3 års anonymt dagligt salg til YZ og fik fjernet sæsonbestemte: Juni-august-efterspørgslen var 2,4 gange vintergennemsnittet, og springet startede i midten af maj hvert år. Efter dette mønster satte han sit sommerlager op 3 uger i forvejen; sommerdøde bestande faldt med 70%, vinterdøde bestande faldt. AI viste mønsteret; Planlæggeren tog aktiebeslutningen.
Case 2 — At give efter for det nye produkt. En virksomhed skulle lancere et helt nyt produkt; Der var ingen historiske salgsdata. Planlæggeren spurgte AI: "Hvad vil efterspørgslen være i de første 3 måneder?" spurgte han. AI producerede et tal, der virkede rimeligt - men planlæggeren vidste, at det var ubegrundet: der var ingen data. I stedet spørger AI "Hvad var det første 3-måneders mønster af produkter udgivet i lignende segmenter i fortiden?" analysere og opsætte det som et prognoseinterval med forsigtigt startlager. Ekspertvurdering tilsidesatte AI's fiktive tillid.
Case 3 — Lagerløs er dagens fælde. En analytiker konkluderede, at efterspørgslen efter et produkt var faldet og anbefalede at reducere lagerbeholdningen. Hans seniorkollega bemærkede, at de lave salgsdage i dataene faktisk var udsolgte dage: Efterspørgslen var ikke faldet, der var ingen varer. Da dataene blev rettet med denne note og gengivet til AI, blev det set, at den reelle efterspørgsel steg. Forkert rensede data giver ukorrekte forudsigelser.
Fire kopierbare skabeloner
1) Mønsterudtræk:
Din rolle: assisterende behovsplanlægningsanalytiker. Nedenfor er de månedlige salgsdata for et produkt (anonym kode: PRODUCT-X) for de sidste 36 måneder. Kampagnemåneder [månedsliste], lagerfri måneder [månedsliste]. Opgave: Opsummer (1) tendensen, (2) sæsonmønsteret, (3) de bemærkelsesværdige begivenheder. Tag i betragtning, at måneder uden lager skjuler den sande efterspørgsel. Den måned, som jeg ikke har givet data for, er opdigtet.
2) Nøjagtighedstest:
Forudsig de sidste 6 måneder ved at bruge de første 30 af de 36 måneder nedenfor. Sammenlign derefter min forudsigelse med de faktiske sidste 6 måneder; Beregn afvigelsen og den samlede MAPE for hver måned. Fortæl mig, hvis dit skøn er konsekvent forudindtaget. Vis formel.
3) Scenarieprognose:
Estimer næste kvartals månedlige efterspørgsel efter dette produkt i 3 scenarier: pessimistisk / forventet / optimistisk. Angiv et konfidensinterval for hvert scenarie og skriv ned, hvilken antagelse det er baseret på. Bemærk, at dette ikke er endeligt, men et interval for planlægning.
4) Brudkontrol:
Angiv, hvordan prognosen baseret på historiske data, jeg gav dig, kunne blive ugyldiggjort af følgende kommende begivenheder: [nyt produkt / kampagne / forsyningskrise / reguleringsændring]. Foreslå, hvordan jeg manuelt skal justere prognosen for hver.
Svag prompt / Stærk prompt
Svag prompt:
Hvor meget vil jeg sælge i næste måned?
Ingen data, intet produkt, ingen kontekst. AI enten afviser eller gør op; ingen af resultaterne virker.
Kraftig prompt:
Din rolle: behovsplanlægningsassistent. Nedenfor er salget af PRODUCT-X over de sidste 24 måneder; Kampagnemåneder og lagerfri måneder er markeret. Giv pessimistisk/forventet/optimistisk prognose for de næste 3 måneder, tilføj konfidensinterval til hver, vis MAPE over tidligere test. Lad som om jeg har den endelige aktiebeslutning.
tilgang
hit
usikkerhedshåndtering
Risiko
stole på et enkelt nummer
vildledende
Ingen
Høj — planen kollapser
Scenarie + rækkevidde
realistisk
godt
lav
bare intuition
Variabel
svag
medium-høj
Blindt adlyde AI
Variabel
Ingen
høj
Almindelige fejl
- Forveksler en lager-ud-dag med en reel lav efterspørgsel. Når varer ikke er tilgængelige, synes salget at være lavt; Det betyder ikke, at efterspørgslen er faldet.
- Låsning af et enkelt nummer. At se forudsigelsen som en absolut sandhed er at ignorere usikkerheden; Spørg altid efter rækkevidde og scenarie.
- Tager ikke kampagnen. Den model, der mener, at salgsfremmende bounce er "normalt", forvrænger fremtiden.
- Forudsigelse til nyt produkt uden historie. Det tilsyneladende sikre antal AI for produkter uden data er ubegrundet.
- Overlader brydningen til AI. AI kender ikke til strukturelle brud såsom epidemier, forsyningskriser og lovgivning; Ekspertindgreb skal foretages.
Forsigtig: Uanset hvor god en forudsigelse ser ud, kan den ikke være bedre end kvaliteten af de data, den er baseret på. "Affald ind, skrald ud." Brug det meste af din tid på at rense data; Modeldelen klarer resten.
Sammenfattende
Efterspørgselsprognose er motoren i forsyningskæden, og AI er en kraftfuld assistent, der accelererer denne motor. Men AI lærer af fortiden; tager fejl, når fremtiden ikke ligner fortiden. Fang trend og sæsonbestemt, tag begivenheder, mål nøjagtighed med MAPE og driftretning, opsæt prognose som scenarie og rækkevidde, ikke et enkelt tal. Ekspertvurdering kommer først i nye produkter og strukturelle brud. Datarensning er grundlaget for alt; Den endelige plan er din.
Ansøgningsopgave
Få salgsdata for de sidste 12-24 måneder af et af dine egne produkter (eller et hypotetisk produkt), marker kampagnen og udsolgte måneder. Bed AI om tre scenarier med skabelonen "scenarieforudsigelse". Gem derefter noget af historien med skabelonen "Nøjagtighedstest", og sammenlign forudsigelsen med virkeligheden. Skriv den MAPE, du fandt, og det scenarie, du valgte, sammen med årsagen, i 5 punkter; Angiv også, hvilken sikkerhedsbuffer du vil tilføje.
tjekliste
- [ ] Har jeg ryddet dataene, markeret udsolgt og kampagnedage?
- [ ] Har jeg valideret forudsigelsen med MAPE og bias direction gennem backtesting?
- [ ] Bad jeg om et scenarie og et konfidensinterval i stedet for et enkelt tal?
- [ ] Hvis der er et nyt produkt/brud, har jeg så prioriteret ekspertvurdering?
- [ ] Har jeg underkastet den endelige lagerplan min egen godkendelse?