Gewinne:
- Möglichkeit, mit Unterstützung künstlicher Intelligenz einen Entwurf einer Nachfrageprognose auf SKU-Basis zu erstellen, indem historische Verkaufsdaten, saisonale Effekte und externe Faktoren kombiniert werden.
- Fähigkeit, die Prognosegenauigkeit (MAPE, Bias) zu interpretieren und die geschäftlichen Konsequenzen einer Über- und Unterschätzung zu unterscheiden
- Sie können behaupten, dass es sich bei der durch künstliche Intelligenz erstellten Prognose um eine Prognose handelt und dass die endgültige Bestellentscheidung zusammen mit den Lagerkosten und dem Cashflow beim Manager liegt.
Im Einzelhandel gibt es zwei teuerste Fehler: zu viel vorrätig zu halten und das Geld im Regal liegen zu lassen, oder zu wenig vorrätig zu haben und den Kunden mit leeren Händen zurückzulassen. Beide haben die gleiche Ursache: schlechte Nachfrageprognosen. In dieser Einheit erfahren Sie, wie Sie künstliche Intelligenz als leistungsstarken Assistenten nutzen, der aus vergangenen Verkäufen die Zukunft vorhersagt. Aber sagen wir gleich zu Beginn: Eine Vorhersage ist keine Prophezeiung, sondern eine probabilistische Vorhersage. KI gibt Ihnen eine Nummer; Es ist Ihre Aufgabe, diese Zahl in eine Bestellentscheidung umzusetzen.
Nachfrageprognose: Dabei geht es um die Aufgabe, anhand historischer Daten und Einflussfaktoren vorherzusagen, wie viel von einem Produkt oder einer Kategorie in Zukunft verkauft wird.
SKU (Stock Keeping Unit): Hierbei handelt es sich um den eindeutigen Lagerbestandscode, der für jede unterschiedliche Produktvariante geführt wird. Beispielsweise ist „rote Turnschuhe der Größe 42“ eine SKU; Nummer 43 desselben Modells ist eine separate SKU.
Drei Informationsquellen, die die Prognose unterstützen
Eine gute Prognose vereint drei Dinge:
- Historische Verkäufe (Basislinie): Wöchentliche/monatliche Verkäufe des Produkts in den letzten 12–24 Monaten. Die KI extrahiert aus dieser Serie ein „normales“ Level.
- Saison- und Kalendereffekte: Feiertage, Schuljahr, Sommer-Winter, Wochenende, Zahltag. Beispielsweise nimmt die Zahl der Eiscremes im Sommer zu und die der Socken im Winter.
- Externe Faktoren: Kampagne, Preisänderung, Wetter, Mitbewerberbewegung, Eröffnung/Schließung. Diese verschieben die Schätzung nach oben oder unten.
Tipp: Sagen Sie der KI nicht einfach „wir haben letzten Monat 100 verkauft.“ Sagen Sie: „Wir haben letzten Monat 100 Stück verkauft, aber es gab einen Rabatt von 20 % und es war eine Feiertagswoche.“ Ohne Kontext ist eine Vorhersage irreführend.
Schritt-für-Schritt-Vorhersagegenerierung
- Bereiten Sie die Daten vor: Eine anonyme, saubere Tabelle: Datum, SKU, verkaufte Menge, Preis, Aktion/keine Aktion, Verfügbarkeit. Markieren Sie die Tage, an denen der Artikel nicht vorrätig ist. Andernfalls wird die künstliche Intelligenz denken, dass dieser Tag „geringe Nachfrage“ sei.
- Geben Sie den Kontext an: Schreiben Sie die Saison, bevorstehende Ereignisse und geplante Kampagnen auf.
- Fordern Sie eine Prognose an: Fordern Sie eine Prognose und ein Konfidenzintervall (Worst-/Best-Case-Szenario) für einen bestimmten Zeitraum, nach SKU oder Kategorie an.
- Genauigkeit messen: Vergleichen Sie Ihre früheren Vorhersagen mit der Realität (MAPE unten).
- Machen Sie daraus eine Entscheidung: Kombinieren Sie die Schätzung mit Sicherheitsbestand und Budget und treffen Sie die Bestellentscheidung.
Genauigkeit der Leseprognose: MAPE und Bias
MAPE (Mean Absolute Percent Error): Zeigt die durchschnittliche prozentuale Abweichung der Prognosen vom tatsächlichen Umsatz an. Die Formel lautet einfach: |Ist − Prognose| für jede Periode / real ist ihr Durchschnitt.
- MAPE 10 % → Schätzungen weichen im Durchschnitt um 10 % ab, ziemlich gut.
- MAPE 40 % → Prognosen sind unzuverlässig, bei der Auftragsentscheidung ist mehr Puffer (Sicherheitsbestand) erforderlich.
Richtung (Voreingenommenheit): Liegt Ihre Prognose durchweg über (Risiko einer Überbelegung) oder unter (Risiko einer Überbelegung) der Realität? Sehen Sie sich das auch an; MAPE zeigt keine Richtung an.
Status
Bedeutung
Geschäftsergebnis
Anhaltend hohe Schätzung
Sie übertreiben die Nachfrage
Überschüssiger Lagerbestand, Kernschmelze, Margenverlust
Anhaltende Unterschätzung
Sie unterschätzen die Nachfrage
Ausverkauft, verpasste Verkäufe, Unzufriedenheit
Hoher MAPE, ausgewogene Richtung
Die Unsicherheit ist hoch
Erhöhen Sie den Sicherheitsbestand und überprüfen Sie ihn regelmäßig
Niedriger MAPE
genaue Vorhersage
Schlankere Aktien, bessere Liquidität
Mini-Hüllen
Fall 1 – Fehlende Saisonalität: Ein Lebensmittelgeschäft bestellt Schulhefte auf der Grundlage der Juliverkäufe des letzten Jahres (200 Einheiten pro Monat). Wenn man der künstlichen Intelligenz den Kontext „August-September-Schuljahr, der Umsatz hat sich letztes Jahr in diesem Zeitraum vervierfacht“ gibt, erhöht sich die Vorhersage auf 780 statt 200 Einheiten. Dank der richtigen Bestellung gehen Ihnen während des Schuljahres die Vorräte nicht aus; Der geschätzte Umsatz von 60.000 TL, der im Vorjahr entgangen ist, wird dieses Jahr eingeholt.
Fall 2 – Ohne Berücksichtigung des Tages, an dem der Vorrat vergriffen ist: In einem Geschäft war ein beliebter Kaffee drei Wochen lang nicht vorrätig. Betrachtet man die Rohdaten, sieht die künstliche Intelligenz diese Wochen als „5 Verkäufe pro Woche“ und gibt eine niedrige Schätzung ab. Wenn der Analyst die Tage ohne Lagerbestände markiert und sagt: „Diese Wochen spiegeln nicht die Nachfrage wider“, erhöht sich die Prognose auf 45 pro Woche. Es entsteht eine echte Nachfrage.
Fall 3 – Verallgemeinerung des Kampagneneffekts: Eine Textilkette betrachtet einen Wochenverkauf mit 50 % Rabatt (600 Einheiten) als „normal“ und bestellt ständig 600. Wenn der künstlichen Intelligenz mitgeteilt wird „Dieser Verkauf wurde mit einer einmaligen Kampagne durchgeführt, die normale Woche beträgt 180“, wird die Vorhersage korrigiert. Das Risiko von Überbeständen und daraus resultierenden Preisnachlassverlusten wird verhindert.
Vorhersagehorizont: Wie weit können Sie in die Zukunft blicken?
Prognosehorizont: Wie weit in die Zukunft die Prognose erfolgt. Die Regel ist einfach: Je länger der Horizont, desto größer die Unsicherheit. Sie prognostizieren die Umsätze der nächsten Woche relativ genau; sechs Monate später mit einer viel größeren Reichweite. Wählen Sie daher den Prognosehorizont entsprechend der Notwendigkeit der Bestellentscheidung: kurzer Horizont und häufige Aktualisierung für frische Produkte, die schnell zur Neige gehen; Längerer Horizont und größerer Sicherheitsspielraum für importierte Produkte mit langen Vorlaufzeiten.
Ein weiterer wichtiger Unterschied ist die Prognose neuer Produkte. Es gibt keinen früheren Verkauf einer neuen SKU; In diesem Fall geben Sie der KI die Historie ähnlicher Produkte (analog), den Kategoriedurchschnitt und den Einführungsplan an. Die Aussage „Dieses Produkt hat keine Historie; geben Sie eine erste Schätzung ab, indem Sie sich die ersten 8 Wochen ähnlicher Produkte X und Y ansehen“ ist eine sinnvolle Möglichkeit, die Lücke zu füllen. Die Prognose neuer Produkte ist jedoch immer riskanter; Überarbeiten Sie die Prognose schnell, sobald tatsächliche Daten für die ersten Wochen verfügbar sind.
Achtung: Behandeln Sie den Kostenvoranschlag nicht als eine Art „Machen Sie es einmal und vergessen Sie es“. Die Bedarfsprognose ist ein Live-Prozess. Jede neue Verkaufswoche ist eine Gelegenheit, die Prognose zu aktualisieren. Die besten Prognostiker sind diejenigen, die das am häufigsten aktualisierte Modell verwenden, nicht das intelligenteste Modell.
Schwache Eingabeaufforderung / Starke Eingabeaufforderung
Schwache Eingabeaufforderung:
Sagen Sie mir, wie viel dieses Produkt nächsten Monat verkauft wird.
Es gibt keinen Kontext; KI bildet eine Zufallszahl.
Kraftvolle Aufforderung:
Ihre Rolle: Bedarfsplanungsspezialist. Daten: Nachfolgend finden Sie die monatliche Verkaufsmenge und den Preis für die SKU 4471 in den letzten 18 Monaten und ob es in diesem Monat eine Kampagne gibt. Kontext: Bei diesem Produkt handelt es sich um Sommersandalen; Im Mai-August erreicht die Nachfrage ihren Höhepunkt. Nächster Monat ist Juni. Es ist keine Kampagne geplant. Der Preis ist festgelegt.Aufgabe: (1) erwartete Verkaufsmenge für Juni, (2) schlechtester und bester Szenariobereich, (3) 2 Hauptfaktoren, die die Prognose beeinflussen.Regel: Monate, die als nicht vorrätig markiert sind, nicht als geringe Nachfrage zählen.Basierend nur auf den angegebenen Daten.Daten: [Tabelle einfügen]
Kopierbare Eingabeaufforderungsvorlagen
1) SKU-basierte Vorhersage
Ihre Rolle: Bedarfsplanungsspezialist. Generieren Sie eine zukünftige [Zeitraum]-Prognose für [SKU] aus der folgenden anonymen monatlichen Verkaufsreihe. Ausgabe: erwartete Menge + schlechtester/bester Bereich + 2 Annahmen. Ausschließen von Zeiträumen, die als nicht vorrätig gekennzeichnet sind. Daten: [einfügen]
2) Entfernung saisonaler Muster
Finden Sie das wiederkehrende saisonale Muster in der 24-Monats-Verkaufsreihe unten. Welche Monate sind die höchsten und welche die niedrigsten? Geben Sie die Abweichung vom Mittelwert in Prozent an. Präsentieren Sie es in Tabellenform. Daten: [einfügen]
3) Bewertung der Vorhersagegenauigkeit
Nachfolgend finden Sie meine historischen Schätzungen und tatsächlichen Verkäufe. (1) Berechnen Sie den MAPE, (2) tendiert meine Prognose ständig nach oben oder unten, (3) was bedeutet das für die Aktie? Schritt für Schritt anzeigen.Daten: [Schätzung, tatsächliche Spalten]
4) Kampagnenwirkung extrahieren
Aktionswochen sind in der untenstehenden Verkaufsreihe gekennzeichnet. Schätzen Sie die normale (nicht kampagnenbezogene) Nachfrage. Geben Sie den Kampagneneffekt als separaten Steigerungsprozentsatz an. Ich möchte also den normalen Bestellstand sehen. Daten: [einfügen]
Häufige Fehler
- Ohne Angabe des Kontexts: Wenn die Kampagne, Saison oder Preisänderung nicht angegeben wird, ist die Vorhersage irreführend.
- Ob Tage, an denen kein Lagerbestand vorrätig ist, als Nachfrage gezählt werden sollen: Ein Zeitraum, in dem kein Lagerbestand vorrätig ist, verbirgt die tatsächliche Nachfrage. markieren.
- Aktionsverkäufe als normal akzeptieren: Die Annahme, dass eine einmalige Erhöhung dauerhaft sei, führt zu Überbeständen.
- Sich auf eine einzige Zahl verlassen: Wenn man keinen Bereich (Szenario) möchte und sich auf einen einzigen Punkt verlässt, birgt dies ein Risiko.
- Überhaupt keine Messgenauigkeit: Wenn MAPE und Richtung nicht überwacht werden, wird die Vorhersage immer schlechter.
- Direktbestellungen mit Kostenvoranschlag: Bestellen ohne Bargeld, Lager- und Haltbarkeitskontrolle.
Zusammenfassend
Gute Prognosen kombinieren vergangene Verkäufe, Saisonalität und externe Faktoren. Geben Sie der KI unbedingt den Kontext (Kampagne, Saison, Nicht-Lager-Tage) an. Überwachen Sie die Prognosegenauigkeit mit MAPE und Bias-Richtung; Erhöhen Sie den Sicherheitsbestand bei hoher Unsicherheit. Eine Vorhersage ist eine Vorhersage; Die endgültige Entscheidung über die Bestellung liegt bei Ihnen, ebenso wie das Budget und die Einschränkungen.
Anwendungsaufgabe
Erhalten Sie die Verkäufe Ihrer fünf meistverkauften SKUs der letzten 12–18 Monate in einer anonymen Tabelle und markieren Sie die Nichtvorräte- und Aktionszeiträume. Erstellen Sie mit der Eingabeaufforderung „1) SKU-basierte Prognose“ eine zukünftige Prognose und extrahieren Sie dann mit „3) Prognosegenauigkeitsbewertung“ den MAPE Ihrer vergangenen Prognosen. Vergleichen Sie das Ergebnis mit Ihrer eigenen Bestellentscheidung.
Checkliste
- [ ] Ich habe meine Verkaufsdaten anonymisiert und bereinigt.
- [ ] Ich habe die Nicht-Lager- und Aktionszeiträume markiert.
- [ ] Ich habe der KI die Saison und den externen Faktorkontext gegeben.
- [ ] Ich wollte einen Szenariobereich, keine einzelne Zahl.
- [ ] Ich habe MAPE und Gierrichtung überprüft.
- [ ] Ich habe die Bestellentscheidung auf der Grundlage des Budgets und der Einschränkungen getroffen.