Κέρδη:
- Κατανοήστε τον ρόλο του AI και του NLP στην εξαγωγή σημάτων τάσης από τα μέσα κοινωνικής δικτύωσης, τα δεδομένα αναζήτησης και το ιστορικό πωλήσεων
- Δυνατότητα διαμόρφωσης πρόβλεψης ζήτησης και ρύθμισης σεναρίου σε βάση SKU με μεθόδους χρονοσειρών
- Δυνατότητα επαλήθευσης τάσεων και πρόβλεψης εκροών με πραγματοποίηση πωλήσεων, δεδομένα αποθεμάτων και επιχειρηματική κρίση
Η μόδα, από τη φύση της, ποντάρει στο μέλλον. Η συλλογή προγραμματίζεται μήνες νωρίτερα, το ύφασμα παραγγέλνεται πολύ νωρίτερα, η παραγωγή γίνεται πριν από το κατάστημα. Εάν η πρόβλεψη είναι λανθασμένη, υπάρχουν δύο είδη ταλαιπωρίας: υπερβολικό απόθεμα (απούλητα αγαθά, έκπτωση, καταστροφή) και ανεπαρκές (χωρίς πωλήσιμα αγαθά, χαμένα έσοδα). Η τεχνητή νοημοσύνη συμβάλλει στη μείωση αυτής της αβεβαιότητας: εξάγει σήματα τάσης από τα μέσα κοινωνικής δικτύωσης, δεδομένα αναζήτησης και ιστορικό πωλήσεων και προβλέπει τη ζήτηση ανά προϊόν. Αλλά η μόδα είναι η ανθρώπινη συμπεριφορά. Κανένα μοντέλο δεν μπορεί να εγγυηθεί μια viral στιγμή ή ένα οικονομικό σοκ. Σε αυτή την ενότητα, θα συζητήσουμε την ανάλυση τάσεων και την πρόβλεψη ζήτησης με πειθαρχημένο τρόπο.
Από πού προέρχεται το σήμα τάσης;
Η πρώτη ύλη της ανάλυσης τάσεων είναι διάφορες πηγές δεδομένων. Μέσα κοινωνικής δικτύωσης και οπτικές πλατφόρμες: ποιο χρώμα, σιλουέτα, μοτίβο αυξάνεται σε ορατότητα. Δεδομένα αναζήτησης: αυτό που αναζητούν οι άνθρωποι είναι ένα σήμα πρώιμης πρόθεσης. Ιστορικό πωλήσεων: τι πουλά στο δικό σας κατάστημα, πότε, σε ποια περιοχή. Υπηρεσίες τάσεων (π.χ. δημοσιεύσεις του κλάδου): προβλέψεις με σχόλια ειδικών. Στοιχεία ανταγωνισμού/αγοράς: τι βγάζουν οι ανταγωνιστές.
Η τεχνητή νοημοσύνη κάνει δύο δουλειές εδώ. Εξάγει θέμα και συναίσθημα από κείμενο και ετικέτες με επεξεργασία φυσικής γλώσσας (NLP) ("η συζήτηση για αυτό το χρώμα αυξάνεται, ο τόνος είναι θετικός"). Συλλέγει τις τάσεις των χρωμάτων, των σχεδίων και της σιλουέτας από εικόνες μέσω ανάλυσης εικόνων. Όλα αυτά είναι σήματα, όχι απόδειξη. Το σήμα είναι θορυβώδες. Η κινητικότητα σε μια πλατφόρμα μπορεί να μην ανταποκρίνεται σε άλλη βάση πελατών.
Συμβουλή: Φιλτράρετε πάντα το σήμα τάσης με βάση τη δική σας βάση πελατών και τα δεδομένα πωλήσεων. Μια ανοδική τάση σε μια παγκόσμια πλατφόρμα ενδέχεται να μην ισχύει για την περιοχή και το τμήμα τιμών σας. Το «όλοι το κάνουν αυτό» δεν είναι στρατηγική.
Πρόβλεψη ζήτησης: SKU, χρονοσειρές και αβεβαιότητα
Η πρόβλεψη ζήτησης γίνεται συνήθως σε επίπεδο SKU (μονάδα διατήρησης αποθεμάτων, συνδυασμός συγκεκριμένου μεγέθους χρώματος ενός συγκεκριμένου προϊόντος). Η βασική προσέγγιση είναι η ανάλυση χρονοσειρών: πρόβλεψη του μέλλοντος από το μοτίβο των προηγούμενων πωλήσεων με την πάροδο του χρόνου (τάση, εποχικότητα, κύκλος). Κλασικές μέθοδοι (κινούμενος μέσος όρος, εκθετική εξομάλυνση, ARIMA) και μέθοδοι μηχανικής μάθησης κάνουν αυτή τη δουλειά.
Κρίσιμο σημείο: μια καλή εκτίμηση δεν είναι ένας αριθμός, αλλά ένα εύρος και πιθανότητα. Αντί για το "1.200 από αυτό το SKU θα πουληθούν", το "80% πιθανότητα 950-1.450" είναι πολύ πιο χρήσιμο επειδή σας επιτρέπει να λάβετε την απόφαση για τη μετοχή με βάση την όρεξη για κινδύνους. Ο πιο ισχυρός τρόπος επαλήθευσης της απόδοσης ενός μοντέλου είναι ο εκ των υστέρων έλεγχος: εκπαίδευση του μοντέλου με δεδομένα από μια προηγούμενη ημερομηνία και σύγκρισή του με την επόμενη πραγματική πώληση. Εάν το μοντέλο δεν έχει προβλέψει καλά στο παρελθόν, είναι αναξιόπιστο στο μέλλον.
Για νέα προϊόντα (χωρίς ιστορικό πωλήσεων) η πρόβλεψη είναι πιο δύσκολη. Το ιστορικό (αναλογικό) και το σήμα τάσης παρόμοιων προϊόντων χρησιμοποιούνται μαζί, αλλά η αβεβαιότητα είναι υψηλή και αυτό πρέπει να γίνει αποδεκτό.
Βήμα προς βήμα: Ροή εργασίας τάσεων και προβλέψεων
- Συλλέξτε και καθαρίστε δεδομένα. Πωλήσεις, επιστροφές, μετοχές, ημερολόγιο καμπάνιας και σήματα τάσης.
- Διάκριση μεταξύ εποχικότητας και τάσης. Πόσο από τις πωλήσεις είναι εποχής και πόσες είναι η πραγματική τάση.
- Δημιουργία πρόβλεψης (διάστημα). Αναμενόμενη τιμή και διάστημα εμπιστοσύνης κατά SKU.
- Backtest. Μετρήστε την ιστορική ακρίβεια του μοντέλου. Εάν είναι κακό, επιστρέψτε στο απλό μοντέλο.
- Διορθώστε με επιχειρηματική κρίση. Μη αυτόματη προσθήκη γνωστών συμβάντων (νέο κατάστημα, καμπάνια, πρόβλημα προμήθειας) στο μοντέλο.
- Παρακολουθήστε και ενημερώστε. Αναθεωρήστε την πρόβλεψη καθώς έρχονται οι πραγματικές πωλήσεις (κυλιόμενη πρόβλεψη).
Three Mini Cases: By the Numbers
Περίπτωση 1 — Μείωση του πλεονάζοντος αποθέματος. Μια επωνυμία παρήγαγε πάρα πολλά από μια ομάδα χρωμάτων κάθε σεζόν και την πουλούσε με έκπτωση 40% στο τέλος της σεζόν. Μια αναδρομική εκτίμηση SKU με ιστορικές πωλήσεις έδειξε ότι υπερπαρήγαν κατά πολλά μεγέθη, όχι ότι υποτίμησαν τη ζήτηση σε αυτό το χρώμα. Όταν διορθώθηκε η κατανομή μεγέθους, το μειωμένο ποσοστό πωλήσεων μειώθηκε από 40% σε 26%.
Περίπτωση 2 — Λάθος σήμα. Μια ομάδα έβαλε μια απόχρωση νέον στη συλλογή που εξερράγη σε μια κοινωνική πλατφόρμα. Το παγκόσμιο σήμα ήταν ισχυρό. Αλλά η δική τους βάση πελατών (κλασικό, ώριμο τμήμα) δεν πήρε αυτόν τον τόνο. Το κόμμα διατηρήθηκε. Εισήχθη ένας κανόνας για να φιλτράρει το σήμα τάσης της επόμενης σεζόν με τα δικά του δεδομένα πωλήσεων. Μάθημα: το σήμα είναι παραπλανητικό χωρίς τμήματα.
Περίπτωση 3 — Η τιμή της πρόβλεψης διαστήματος. Όταν ένας αγοραστής έκανε μια παραγγελία με βάση μια πρόβλεψη σημείων "πώληση 1.000 μονάδων", το μοντέλο έδινε ένα εύρος 80% από 700-1.400. Ο αγοραστής είδε τον κίνδυνο και κράτησε την πρώτη παραγγελία στα 800 και σχεδίασε μια γρήγορη αναπλήρωση σύμφωνα με την τάση των πωλήσεων. Απέφευγε τόσο το υπεραπόθεμα όσο και το ανεπαρκές. Ο Δεκέμβρης πήρε πιο έξυπνες αποφάσεις από τους περιττούς αριθμούς.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Πες μου τι θα πουλήσει την επόμενη σεζόν.
Ισχυρή προτροπή:
Ο ρόλος σας: Αναλυτής σχεδιασμού μόδας. Ακολουθούν τα δεδομένα μηνιαίων πωλήσεων των τελευταίων 3 ετών (SKU, ποσότητα), το ημερολόγιο καμπάνιας και οι σημειώσεις τάσεων αυτής της σεζόν. Εργασία: 1) Διαχωρίστε την εποχικότητα και την τάση, εξηγήστε σύντομα. 2) Δώστε πρόβλεψη για την επόμενη σεζόν για σχετικές SKU. ΟΧΙ ΣΗΜΑΝΤΙΚΑ, αλλά ως ένα διάστημα εμπιστοσύνης 80%.3) Πώς προτείνετε να ελέγξω εκ των υστέρων την πρόβλεψή σας; 4) Ποια από τα σήματα τάσης μπορεί να είναι επικίνδυνα στο τμήμα πελατών μας; Μην δημιουργείτε ό,τι δεν υπάρχει στα δεδομένα. Δεδομένα: [πίνακας]
Το ισχυρό μήνυμα προτρέπει την πρόβλεψη διαστήματος, την πρόταση backtest και το φίλτρο τμήματος. Δεν επιβάλλει ακριβή ακρίβεια.
Αντιγράψιμα πρότυπα
1) Αποσύνθεση εποχικότητας:
Διαχωρίστε την τάση, την εποχικότητα και το ακανόνιστο στοιχείο σε αυτήν τη σειρά μηνιαίων πωλήσεων και σχολιάστε εν συντομία το καθένα. Δώστε αριθμητική περίληψη αντί για γραφικό. Σειρά: [δεδομένα]
2) Πρόβλεψη διαστήματος:
Δημιουργήστε πρόβλεψη επόμενης [n] περιόδου για το ακόλουθο SKU. Δώστε την αναμενόμενη τιμή και το διάστημα εμπιστοσύνης 80% για κάθε περίοδο. Καταγράψτε με σαφήνεια τις υποθέσεις σας. Ιστορικό: [δεδομένα]
3) Ρύθμιση backtest:
Γράψτε ένα σχέδιο για τον εκ των υστέρων έλεγχο ενός μοντέλου πρόβλεψης ζήτησης: διάκριση εκπαίδευσης/δοκιμής, μέτρηση σφάλματος (π.χ. MAPE), όριο αποδοχής. Προτείνετε επίσης ένα απλό μοντέλο συλλογισμού (αφελής). Πλαίσιο: [προϊόν, μέγεθος δεδομένων]
4) Φίλτρο τμήματος τάσεων:
Αξιολογήστε αυτά τα σήματα τάσης σύμφωνα με το τμήμα πελατών μας (ηλικία, τιμή, στυλ): ποια είναι ισχυρά, ποια είναι επικίνδυνα/άσχετα; Προσθέστε αιτιολόγηση για καθένα και προτείνετε επικύρωση με δεδομένα πωλήσεων. Σήματα: [λίστα]
Πίνακας πηγής και αξιοπιστίας
Πηγή δεδομένων
Τι σηματοδοτεί;
δύναμη
σύνορο
Δικό ιστορικό πωλήσεων
πραγματική ζήτηση
ψηλά
Όχι στο νέο προϊόν
δεδομένα κλήσης
πρώιμη πρόθεση
μεσαίο
Μπορεί να μην επιστρέψει για αγορά
μέσα κοινωνικής δικτύωσης
Ορατότητα/συναίσθημα
μεσαίο
Απόκλιση τμήματος, θόρυβος
Υπηρεσίες τάσης
πρόβλεψη ειδικού
μεσαίο
Δημόσιο, ανοιχτό σε όλους
Στοιχεία ανταγωνιστή/αγοράς
Τοποθέτηση
μεσαίο
καθυστερημένος, μερικός
Προσοχή: Καμία πρόβλεψη δεν εγγυάται το μέλλον. Μια viral στιγμή, πρόβλεψη καιρού, οικονομικό σοκ ή κρίση εφοδιασμού μπορούν να ξεγελάσουν ακόμα και το καλύτερο μοντέλο. Χρησιμοποιήστε την εκτίμηση ως εργαλείο πιθανότητας. Μην μένετε τυφλά σε έναν μόνο αριθμό και αναθεωρήστε το σχέδιο καθώς έρχονται οι πραγματικές πωλήσεις.
Συνήθη λάθη
- Τυφλή εμπιστοσύνη στην ακριβή πρόβλεψη. Το εύρος και η πιθανότητα κάνουν πιο έξυπνες αποφάσεις.
- Λήψη του σήματος τάσης χωρίς φιλτράρισμα τμήματος. Η παγκόσμια τάση μπορεί να μην ισχύει για το κοινό σας.
- Δεν κάνει backtesting. Ένα μοντέλο που ήταν κακό στο παρελθόν είναι αναξιόπιστο στο μέλλον.
- Μπερδεύοντας την εποχικότητα με τάση. Το να μπερδεύουμε την εποχιακή ανάπτυξη με τη μόνιμη ανάπτυξη οδηγεί σε υπερπαραγωγή.
- Όχι αναθεώρηση του σχεδίου. Η πρόβλεψη θα πρέπει να ενημερωθεί καθώς έρχονται οι πραγματικές πωλήσεις.
Συνοπτικά
Η ανάλυση των τάσεων της μόδας και η πρόβλεψη ζήτησης είναι μια προσπάθεια να μειωθεί η αβεβαιότητα ενός στοιχήματος για το μέλλον. Η τεχνητή νοημοσύνη εξάγει τάσεις από σήμα πολλαπλών πηγών (μέσα κοινωνικής δικτύωσης, αναζήτηση, πωλήσεις) και παράγει πρόβλεψη ζήτησης από το SKU. Αλλά το σήμα πρέπει να περάσει μέσα από το φίλτρο τμήματος, η πρόβλεψη πρέπει να είναι σε απόσταση και να ελεγχθεί εκ των υστέρων. Το μοντέλο είναι εργαλείο δυνατότητας, όχι προφήτης. Η τελική απόφαση για τη μετοχή και η διάθεση ανάληψης κινδύνων παραμένουν στην κρίση των επιχειρήσεων.
Εργασία εφαρμογής
Δημιουργήστε μια πλασματική (ή πραγματική) τριετή μηνιαία σειρά πωλήσεων για ένα SKU. Εφαρμόστε τα πρότυπα "αποσύνθεσης εποχικότητας" και "πρόβλεψη διαστήματος" από αυτήν τη μονάδα. Κοιτάξτε το εύρος πρόβλεψης που δίνεται από το AI και εξηγήστε σε μια παράγραφο πού στο εύρος εσείς, ως αγοραστής, θα κάνατε την πρώτη παραγγελία και γιατί (όρεξη κινδύνου). Επίσης, γράψτε σε μία πρόταση πώς θα δοκιμάζατε αυτή την πρόβλεψη.
λίστα ελέγχου
- [ ] Αξιολογώ τις προβλέψεις με εύρος και πιθανότητα, όχι σημειακά.
- [ ] Φιλτράρω τα σήματα τάσεων με το δικό μου τμήμα πελατών.
- [ ] Επικυρώνω μοντέλα μέσω backtesting.
- [ ] Διακρίνω την εποχικότητα και τη μόνιμη τάση.
- [ ] Αναθεωρώ το σχέδιο καθώς έρχονται οι πραγματικές πωλήσεις.