Κέρδη:
- Ικανότητα κατανόησης των εννοιών της χρονοσειράς, της τάσης, της εποχικότητας και του αντίκτυπου της καμπάνιας και χρήση τεχνητής νοημοσύνης για πρόβλεψη ζήτησης με τις σωστές ερωτήσεις και καθαρά δεδομένα.
- Ικανότητα ερμηνείας της ακρίβειας πρόβλεψης (MAPE, απόκλιση) και της αβεβαιότητας (διάστημα εμπιστοσύνης, σενάρια) και ο βασικός σχεδιασμός σε ένα εύρος και όχι σε έναν μόνο αριθμό
- Να είναι σε θέση να διακρίνει ότι η πρόβλεψη τεχνητής νοημοσύνης βασίζεται σε ιστορικά δεδομένα και ότι η κρίση των ειδικών έρχεται στο προσκήνιο σε περιπτώσεις διαλειμμάτων όπως νέα προϊόντα, προσφορές ή κρίσεις εφοδιασμού.
Κάθε απόφαση στην αλυσίδα εφοδιασμού βασίζεται σε ένα ερώτημα: πόση ζήτηση θα υπάρχει; Όσο ακριβέστερα απαντήσετε σε αυτήν την ερώτηση, τόσο λιγότερα απόθεμα διαθέτετε, τόσο λιγότερα αποθέματα μένετε εκτός και τόσο λιγότερα χρήματα δεσμεύετε. Η πρόβλεψη ζήτησης είναι ο κινητήρας της εφοδιαστικής αλυσίδας. Τα σχέδια αποθεμάτων, αγορών, παραγωγής και μεταφοράς τροφοδοτούνται από εδώ. Η τεχνητή νοημοσύνη είναι εξαιρετικά ισχυρή σε αυτόν τον τομέα, επειδή σαρώνει την ιστορία χιλιάδων προϊόντων πολύ πιο γρήγορα από έναν άνθρωπο και εξάγει μοτίβα. Αλλά η πηγή της δύναμής της είναι και το όριό της: η τεχνητή νοημοσύνη μαθαίνει από το παρελθόν. Αν το μέλλον δεν μοιάζει με το παρελθόν, είναι λάθος. Σε αυτή την ενότητα, θα μάθουμε τη γλώσσα της πρόβλεψης, της ακρίβειας μέτρησης, της διαχείρισης της αβεβαιότητας και του σημείου που πρέπει να σας παραδοθεί η τεχνητή νοημοσύνη.
Γλώσσα πρόβλεψης: χρονοσειρές, τάση, εποχικότητα
Τα δεδομένα ζήτησης είναι συνήθως μια χρονοσειρά — μια σειρά αριθμών ταξινομημένων ανά ώρα, όπως οι πωλήσεις κάθε ημέρας ενός προϊόντος. Η διαίρεση αυτής της ακολουθίας σε τρία μέρη είναι η βάση της πρόβλεψης:
Τάση, μακροπρόθεσμη κατεύθυνση: οι πωλήσεις αυξάνονται ή μειώνονται από χρόνο σε χρόνο; Εποχικότητα, τακτικά επαναλαμβανόμενες διακυμάνσεις: το παγωτό πουλάει το καλοκαίρι, η θερμάστρα πουλά το χειμώνα. Η αγορά είναι πολυσύχναστη Παρασκευή και Σάββατο. Θόρυβος, ανεξήγητο τυχαίο παιχνίδι. Μια καλή πρόβλεψη καταγράφει την τάση και την εποχικότητα και δεν ξεγελιέται από τον θόρυβο. Επιπλέον, συσσωρεύονται εκδηλώσεις: καμπάνια, προώθηση, αργία, καιρός, μετακίνηση ανταγωνιστών. Όταν κάνετε την AI να προβλέψει, πρέπει να της πείτε αυτά τα γεγονότα. Αν δεν του το πεις, θα σκεφτεί ότι το άλμα την ημέρα της εκστρατείας είναι «φυσιολογικό» και θα κάνει λάθος για το μέλλον.
Συμβουλή: Όταν δίνετε ακατέργαστα δεδομένα πωλήσεων στην τεχνητή νοημοσύνη, επισημάνετε καμπάνιες, αργίες και ημέρες εκτός αποθέματος. Η μέρα χωρίς απόθεμα είναι σημαντική: οι πωλήσεις φαίνονται χαμηλές εκείνη την ημέρα, αλλά η πραγματική ζήτηση ήταν υψηλή, απλά δεν υπήρχαν διαθέσιμα αγαθά. Εάν δεν το προσδιορίσετε αυτό, το AI θα υποτιμήσει την πραγματική ζήτηση.
Ακρίβεια μέτρησης: MAPE και προκατάληψη
«Είναι καλή η πρόβλεψη;» Η απάντηση στην ερώτηση προέρχεται από τη μέτρηση και όχι από το συναίσθημα. Ο πιο συνηθισμένος δείκτης είναι MAPE (Μέσο απόλυτο ποσοστό σφάλματος — πόσες ποσοστιαίες μονάδες κατά μέσο όρο αποκλίνουν οι προβλέψεις από την πραγματικότητα). Εάν το MAPE είναι 10%, σημαίνει ότι οι προβλέψεις σας χάνουν την πραγματική τιμή κατά μέσο όρο 10%. χαμηλότερο MAPE είναι καλύτερο. Η δεύτερη σημαντική έννοια είναι η μεροληψία: η πρόβλεψή σας είναι σταθερά πάνω από (παραγωγή πλεονάζοντος αποθέματος) ή υποαπορρόφηση (αφαίρεση υποαποθέματος) πραγματικότητα; Ακόμα κι αν μια πρόβλεψη έχει χαμηλό MAPE, αν αποκλίνει πάντα προς την ίδια κατεύθυνση, υπάρχει συστηματικό πρόβλημα.
Μπορείτε να δώσετε στην τεχνητή νοημοσύνη μέρος της ιστορίας ως «εκπαίδευση» και μέρος της ως «δοκιμή» και να συγκρίνετε την πρόβλεψή της με την πραγματικότητα. Αυτός είναι ο ειλικρινής τρόπος οικοδόμησης εμπιστοσύνης: δοκιμάζοντας το μοντέλο σε δεδομένα που δεν έχει δει. Μια πρόβλεψη αξίζει να εφαρμοστεί στο μέλλον μόνο εάν έχει αποδειχθεί συνεπής στο παρελθόν.
Προσοχή: Καμία πρόβλεψη δεν είναι 100% ακριβής. Δεν αναμένεται να συμβεί. Ο στόχος δεν είναι να παραχθεί ένας τέλειος μεμονωμένος αριθμός, αλλά ένα διαχειρίσιμο εύρος, γνωρίζοντας την απόκλιση. Η δυαδική ιδέα του "η πρόβλεψη έγινε πραγματικότητα/δεν λειτούργησε" είναι λάθος. Η σωστή ερώτηση είναι "πόσο παρέκκλινε και πόσο buffer κράτησα ανάλογα;"
Διαχείριση αβεβαιότητας: εύρος, όχι μεμονωμένος αριθμός
Η πιο επικίνδυνη συνήθεια του σχεδιαστή είναι να αντιμετωπίζει την πρόβλεψη ως έναν μόνο σκληρό αριθμό. Στην πραγματικότητα, κάθε πρόβλεψη έχει ένα διάστημα εμπιστοσύνης - όπως "η ζήτηση τον επόμενο μήνα είναι πιθανότατα μεταξύ 900 και 1.100". Όσο μεγαλύτερο είναι αυτό το εύρος, τόσο μεγαλύτερη είναι η αβεβαιότητα. Η γνώση του εύρους επηρεάζει άμεσα την απόφασή σας για το απόθεμα: το στενό εύρος απαιτεί λιγότερο απόθεμα ασφαλείας, το ευρύ φάσμα απαιτεί περισσότερο buffer.
Οπότε πάντα ζητάτε από την τεχνητή νοημοσύνη σενάρια: απαισιόδοξα (αν η ζήτηση αποδειχθεί χαμηλή), αναμενόμενα και αισιόδοξα (αν η ζήτηση αποδειχθεί υψηλή). Βλέποντας τρία σενάρια, το σχέδιο δεν βασίζεται σε μία μόνο υπόθεση αλλά σε μια σειρά πιθανών πιθανοτήτων. Αυτός είναι ο πιο πρακτικός τρόπος για να βγείτε από την παγίδα του «κλειδωμένου σε έναν αριθμό».
Βήμα προς βήμα: Μελέτη πρόβλεψης ζήτησης με AI
- Εκκαθάριση δεδομένων. Σημειώστε ημέρες που λείπουν, ημέρες εκτός αποθέματος, ανοιχτά λανθασμένα αρχεία. Εργαστείτε με ανώνυμο κωδικό προϊόντος.
- Προσθήκη ετικετών σε συμβάντα. Προσθέστε ημέρες καμπάνιας, αργιών και προώθησης στα δεδομένα.
- Αφαιρέστε το μοτίβο. Ζητήστε από το AI να συνοψίσει τις τάσεις, την εποχικότητα και τα αξιοσημείωτα γεγονότα.
- Δοκιμάστε το. Αποθηκεύστε το τελευταίο μέρος της ιστορίας, αφήστε το AI να προβλέψει, συγκρίνετε με την πραγματικότητα (MAPE και κατεύθυνση μεροληψίας).
- Δημιουργήστε ένα σενάριο. Ζητήστε τρεις προβλέψεις, απαισιόδοξες/αναμενόμενες/αισιόδοξες και το διάστημα εμπιστοσύνης για καθεμία.
- Έμπειρο φίλτρο. Η τεχνητή νοημοσύνη δεν γνωρίζει για γνωστές επερχόμενες διακοπές (νέο προϊόν, κρίση εφοδιασμού, νομοθεσία). προσθέστε τα χειροκίνητα. Το τελικό σχέδιο είναι δικό σας.
τρεις μίνι θήκες
Περίπτωση 1 — Αποτύπωση εποχικότητας. Ένας διανομέας ποτών παραπονιόταν ότι ήταν συνεχώς εκτός αποθέματος τους καλοκαιρινούς μήνες και έμεινε με αγαθά το χειμώνα. Ο σχεδιαστής έδωσε 3 χρόνια ανώνυμων ημερήσιων πωλήσεων στην YZ και αφαίρεσε την εποχικότητα: η ζήτηση Ιουνίου-Αυγούστου ήταν 2,4 φορές μεγαλύτερη από τον μέσο όρο του χειμώνα και το άλμα ξεκινούσε στα μέσα Μαΐου κάθε έτους. Σύμφωνα με αυτό το μοτίβο, δημιούργησε το καλοκαιρινό του απόθεμα 3 εβδομάδες νωρίτερα. Η καλοκαιρινή νεκρή μετοχή μειώθηκε κατά 70%, η χειμερινή νεκρή μετοχή υποχώρησε. Το AI έδειξε το μοτίβο. Ο σχεδιαστής πήρε την απόφαση για το απόθεμα.
Περίπτωση 2 — Υποχώρηση στο νέο προϊόν. Μια εταιρεία επρόκειτο να λανσάρει ένα ολοκαίνουργιο προϊόν. Δεν υπήρχαν ιστορικά στοιχεία πωλήσεων. Ο σχεδιαστής ρώτησε την AI, "Ποια θα είναι η ζήτηση για τους πρώτους 3 μήνες;" ρώτησε. Το AI παρήγαγε έναν αριθμό που φαινόταν λογικός - αλλά ο σχεδιαστής ήξερε ότι ήταν αβάσιμος: δεν υπήρχαν δεδομένα. Αντίθετα, η τεχνητή νοημοσύνη ρωτά "Ποιο ήταν το πρώτο τρίμηνο μοτίβο προϊόντων που κυκλοφόρησαν σε παρόμοια τμήματα στο παρελθόν;" ανάλυση και ορίστε το ως εύρος προβλέψεων, με προσεκτική αρχική μετοχή. Η κρίση των ειδικών ακύρωσε την πλασματική εμπιστοσύνη του AI.
Περίπτωση 3 — Χωρίς αποθέματα είναι η παγίδα της ημέρας. Ένας αναλυτής κατέληξε στο συμπέρασμα ότι η ζήτηση για ένα προϊόν είχε μειωθεί και συνέστησε μείωση του αποθέματος. Ο ανώτερος συνάδελφός του παρατήρησε ότι οι ημέρες χαμηλών πωλήσεων στα δεδομένα ήταν στην πραγματικότητα ημέρες εκτός αποθέματος: η ζήτηση δεν είχε μειωθεί, δεν υπήρχαν αγαθά. Όταν τα δεδομένα διορθώθηκαν με αυτή τη σημείωση και ξαναδόθηκαν στο AI, φάνηκε ότι η πραγματική ζήτηση αυξήθηκε. Τα ακατάλληλα καθαρισμένα δεδομένα παράγουν εσφαλμένες προβλέψεις.
Τέσσερα πρότυπα με δυνατότητα αντιγραφής
1) Εξαγωγή μοτίβου:
Ο ρόλος σας: βοηθός αναλυτής σχεδιασμού ζήτησης. Ακολουθούν τα μηνιαία δεδομένα πωλήσεων ενός προϊόντος (ανώνυμος κωδικός: PRODUCT-X) για τους τελευταίους 36 μήνες. Μήνες καμπάνιας [λίστα μηνών], μήνες χωρίς μετοχές [λίστα μηνών]. Εργασία: Συνοψίστε (1) την τάση, (2) το εποχιακό μοτίβο, (3) τα αξιοσημείωτα γεγονότα. Λάβετε υπόψη ότι οι μήνες χωρίς απόθεμα κρύβουν την πραγματική ζήτηση. Ο μήνας για τον οποίο δεν έδωσα στοιχεία είναι κατασκευασμένος.
2) Δοκιμή ακρίβειας:
Προβλέψτε τους τελευταίους 6 μήνες χρησιμοποιώντας τους πρώτους 30 από τους 36 παρακάτω μήνες. Στη συνέχεια, συγκρίνετε την πρόβλεψή μου με τους πραγματικούς τελευταίους 6 μήνες. Υπολογίστε την απόκλιση και το συνολικό MAPE για κάθε μήνα. Πείτε μου εάν η εκτίμησή σας είναι σταθερά μεροληπτική. Εμφάνιση τύπου.
3) Πρόβλεψη σεναρίου:
Υπολογίστε τη μηνιαία ζήτηση του επόμενου τριμήνου για αυτό το προϊόν σε 3 σενάρια: απαισιόδοξο / αναμενόμενο / αισιόδοξο. Δώστε ένα διάστημα εμπιστοσύνης για κάθε σενάριο και σημειώστε σε ποια υπόθεση βασίζεται. Σημειώστε ότι αυτό δεν είναι οριστικό αλλά ένα διάστημα για προγραμματισμό.
4) Έλεγχος θραύσης:
Καταγράψτε πώς η πρόβλεψη με βάση τα ιστορικά δεδομένα που σας έδωσα θα μπορούσε να ακυρωθεί από τα ακόλουθα επερχόμενα γεγονότα: [νέο προϊόν / προώθηση / κρίση εφοδιασμού / κανονιστική αλλαγή]. Προτείνετε πώς πρέπει να προσαρμόσω με μη αυτόματο τρόπο την πρόβλεψη για το καθένα.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Πόσο θα πουλήσω τον επόμενο μήνα;
Χωρίς δεδομένα, χωρίς προϊόν, χωρίς πλαίσιο. Το AI είτε απορρίπτει είτε αναπληρώνει. κανένα αποτέλεσμα δεν λειτουργεί.
Ισχυρή προτροπή:
Ο ρόλος σας: βοηθός σχεδιασμού ζήτησης. Ακολουθούν οι πωλήσεις του PRODUCT-X τους τελευταίους 24 μήνες. Οι μήνες καμπάνιας και οι μήνες χωρίς απόθεμα επισημαίνονται. Δώστε απαισιόδοξη/αναμενόμενη/αισιόδοξη πρόβλεψη για τους επόμενους 3 μήνες, προσθέστε διάστημα εμπιστοσύνης σε καθένα, εμφανίστε MAPE κατά την προηγούμενη δοκιμή. Προσποιηθείτε ότι έχω την τελική απόφαση για το απόθεμα.
Προσέγγιση
χτυπήστε
διαχείριση αβεβαιότητας
Κίνδυνος
βασιστείτε σε έναν μόνο αριθμό
παραπλανητικό
Κανένα
Υψηλό — το σχέδιο καταρρέει
Σενάριο + εύρος
ρεαλιστικό
καλό
χαμηλά
μόνο διαίσθηση
Μεταβλητή
αδύναμος
μέτρια-υψηλή
Τυφλή υπακοή στην τεχνητή νοημοσύνη
Μεταβλητή
Κανένα
ψηλά
Συνήθη λάθη
- Λάθος μιας ημέρας εξαντλήσεως αποθεμάτων με πραγματική χαμηλή ζήτηση. Όταν τα αγαθά δεν είναι διαθέσιμα, οι πωλήσεις φαίνονται χαμηλές. Αυτό δεν σημαίνει ότι η ζήτηση έχει μειωθεί.
- Κλείδωμα σε έναν μόνο αριθμό. Το να βλέπεις την πρόβλεψη ως απόλυτη αλήθεια σημαίνει να αγνοείς την αβεβαιότητα. Πάντα να ζητάτε εμβέλεια και σενάριο.
- Χωρίς προσθήκη ετικετών στην καμπάνια. Το μοντέλο που πιστεύει ότι η προωθητική αναπήδηση είναι «φυσιολογική» διαστρεβλώνει το μέλλον.
- Πρόβλεψη για νέο προϊόν χωρίς ιστορικό. Ο φαινομενικά ασφαλής αριθμός AI για προϊόν χωρίς δεδομένα είναι αβάσιμος.
- Αφήνοντας το σπάσιμο στο AI. Η τεχνητή νοημοσύνη δεν γνωρίζει δομικές διακοπές, όπως επιδημίες, κρίσεις εφοδιασμού και νομοθεσία. Πρέπει να γίνει παρέμβαση ειδικού.
Προσοχή: Όσο καλή και αν φαίνεται μια πρόβλεψη, δεν μπορεί να είναι καλύτερη από την ποιότητα των δεδομένων στα οποία βασίζεται. «Σκουπίδια μέσα, σκουπίδια έξω». Ξοδέψτε τον περισσότερο χρόνο σας καθαρίζοντας δεδομένα. Το τμήμα του μοντέλου κάνει τα υπόλοιπα.
Συνοπτικά
Η πρόβλεψη ζήτησης είναι ο κινητήρας της εφοδιαστικής αλυσίδας και η τεχνητή νοημοσύνη είναι ένας ισχυρός βοηθός που επιταχύνει αυτόν τον κινητήρα. Αλλά η τεχνητή νοημοσύνη μαθαίνει από το παρελθόν. είναι λάθος όταν το μέλλον δεν μοιάζει με το παρελθόν. Καταγράψτε τάσεις και εποχικότητα, επισημάνετε συμβάντα, μετρήστε την ακρίβεια με MAPE και κατεύθυνση μετατόπισης, ρυθμίστε την πρόβλεψη ως σενάριο και εύρος, όχι μεμονωμένο αριθμό. Η κρίση των ειδικών έρχεται πρώτη σε νέα προϊόντα και δομικές αλλαγές. Η εκκαθάριση δεδομένων είναι το θεμέλιο των πάντων. Το τελικό σχέδιο είναι δικό σας.
Εργασία εφαρμογής
Λάβετε δεδομένα πωλήσεων για τους τελευταίους 12-24 μήνες ενός από τα δικά σας προϊόντα (ή ενός υποθετικού προϊόντος), σημειώστε την καμπάνια και τους μήνες εκτός αποθέματος. Ζητήστε από το AI τρία σενάρια με το πρότυπο «πρόβλεψη σεναρίου». Στη συνέχεια, αποθηκεύστε μέρος του ιστορικού με το πρότυπο "Δοκιμή ακρίβειας" και συγκρίνετε την πρόβλεψη με την πραγματικότητα. Σημειώστε τον ΧΑΡΤΗ που βρήκατε και το σενάριο που επιλέξατε, μαζί με τον λόγο του, σε 5 στοιχεία. Καθορίστε επίσης ποιο buffer ασφαλείας θα προσθέσετε.
λίστα ελέγχου
- [ ] Έχω διαγράψει τα δεδομένα, τις επισημασμένες ημέρες εκτός αποθέματος και τις ημέρες καμπάνιας;
- [ ] Έχω επικυρώσει την πρόβλεψη με MAPE και κατεύθυνση μεροληψίας μέσω του backtesting;
- [ ] Ζήτησα ένα σενάριο και ένα διάστημα εμπιστοσύνης αντί για έναν μόνο αριθμό;
- [ ] Εάν υπάρχει νέο προϊόν / θραύση, έχω δώσει προτεραιότητα στην κρίση των ειδικών;
- [ ] Έχω υποβάλει το τελικό πρόγραμμα αποθεμάτων στη δική μου έγκριση;