Kasu:
- Oskus eristada nõudluse prognoosimise meetodeid (libisev keskmine, eksponentsiaalne silumine, hooajalisus)
- Võimalus seadistada AI-ga prognoosistsenaariume ja hinnata täpsust selliste mõõdikutega nagu MAPE/MAE
- Võimalus võrrelda prognoositulemusi ärikonteksti ja reklaami-/hooajaliste mõjudega
Nõudluse prognoosimine on aluseks, millele tugineb tootmise planeerimine, varude juhtimine ja kogu tarneahel. Vale prognoosimine on kallis mõlemat pidi: ülehindamine tekitab laokulusid ja raiskamist, alahindamine toob kaasa müügi kadumise ja klientide rahulolematuse. Tehisintellekt aitab prognoosimisprotsessis paljudes kohtades alates meetodi valikust kuni ajalooliste andmete tõlgendamise ja stsenaariumide genereerimiseni; Kuid prognoosis "maagilise kristallkuuli" nägemine on suurim viga. Selles tükis käsitleme klassikalisi prognoosimismeetodeid, kuidas neid AI-ga õigesti üles ehitada ja kuidas täpsust mõõta.
Prognoosimismeetodite lühikaart
Mitte iga nõudmiste seeria ei käitu ühtemoodi; Mõned on tasased, mõned on trendidega, mõned on hooajalised. On vaja valida meetod vastavalt seeriale.
meetod
Millal see on asjakohane?
Tähelepanu
Naiivne (viimane väärtus)
Võrdluseks (võrdlusnäitaja)
Ei järgi trendi/hooaega
liikuv keskmine
Staatiline, lärmakas sari
Reageerib trendile hilja
Eksponentsiaalne silumine (SES)
Statsionaarne seeria, rõhuasetus lähedalasuvatele andmetele
Hea, kui trendi pole
Holt (topelteksponentsiaalne)
Trendikas sari
Ei taba hooaega
Holt-Winters
Trend + hooajalisus
Nõuab piisavalt ajaloolisi andmeid
Regressioon/ML
Mitme muutujaga, edutamine tõhus
Ülesobimise oht
Näpunäide: alustage alati "naiivsest" oletusest. Kui teie keeruline mudel ei ole parem kui naiivne oletus, ei tasu seda keerukust kanda. Naive on täpsuse mõõtmise tasuta etalon.
Kuidas me täpsust mõõdame? (Mõõdikud)
Ennustustäpsust ei saa ilma seda mõõtmata parandada. Kõige tavalisemad mõõdikud:
- MAE (Mean Absolute Error): vigade absoluutväärtuse keskmine. Ühik on sama, mis nõudluse ühik.
- RMSE (Root Mean Square Error): karistab suuremate vigade eest rohkem.
- MAPE (Mean Absolute Percent Error): protsentides; Hea üksuste võrdlemiseks, kuid moonutatakse, kui nõudlus on nullilähedane.
- Nihe: keskmine viga; Näitab, kas hindate pidevalt üle/alahinnate.
Väike näidiskonto. Olgu tegelik nõudlus [100, 120, 90], prognoos [110, 115, 100]:
Vead (tegelikud – prognoos): -10, +5, -10Absoluutsed vead: 10, 5, 10 → MAE = 25/3 ≈ 8,33Veade protsent: 10/100, 5/120, 10/90 = 10%, 4,17%, MAPE =7 (11% + 11. 11,11) / 3 ≈ 8,43% Nihe = (-10 + 5 - 10) / 3 = -5 → keskmine ülehindamine (ennustus > tegelik)
Negatiivne nihe (tõene miinus hinnang) näitab, et hinnang on pidevalt ülehinnatud; See tähendab varude inflatsiooni. Sellised suunavead saab MAPE-s peita, nii et neid vaadatakse koos.
Prognoosimisprotsessi loomine tehisintellektiga
Tehisintellekti saab kõige tõhusamalt kasutada kahes kohas: (1) andmete vaatamiseks ja sobiva meetodi ja toimingute soovitamiseks ning (2) ennustava koodi genereerimiseks. Meetodi soovituseks:
Roll: olete nõudluse prognoosimise kogemusega tööstusinsener. Ülesanne: Tutvu allolevate igakuiste müügisarjadega ja soovita sobivat prognoosimismeetodit. Hinda, kas on trendi ja hooajalisust, kirjuta oma põhjendus. Andmed (igakuised, viimased 24 kuud): {{ Values }}Lisateave: detsembris on kampaania, suvekuudel nõudlus väheneb. Väljund, mida ma tahan:1. Kommentaar sarja iseloomu kohta (stabiilne/trendiv/hooajaline).2. 2 soovitatavat meetodit ja miks.3. Millist täpsusmõõdikut peaksin jälgima?4. Lõksud, millele peaksin tähelepanu pöörama (kõrvalehk, reklaamiefekt). Reegel: ärge lubage absoluutset täpsust ilma andmeid nägemata.
Nõrk viip / Tugev viip
Nõrk viip:
Kui palju ma järgmisel kuul müün?
See ei sisalda andmeid ega konteksti; AI kas lükkab selle tagasi või tagastab täiesti väljamõeldud numbri. Selline väljund on ohtlik, kuna tundub usaldusväärne.
Võimas viip:
Selle 24-kuulise seeriaga Holt-Wintersi loogikat kasutades ennustage järgmist 3 kuud. Hooaja pikkus on 12. Esmalt kirjutage meetodi eeldused, seejärel esitage prognoos, seejärel arvutage MAPE viimase 6 kuu järeltestimise teel. Märkige reklaamikuud eraldi. Andmed: {{ ... }}
Teine viip küsib nii ennustust kui ka seda, kui palju usaldust seda ennustust usaldada (tagantestimine). See muudab ennustuse "oraaklist" mõõdetavaks tööriistaks.
Tagasitestimine: ennustamise usalduse mõõt
Tõeline ennustamise test on minevik, mitte tulevik. Jagate olemasolevad andmed kaheks: mudeli koostamine (rong) ja testimine. Ehitate mudeli esimese osaga, ennustate järgmist perioodi ja võrdlete seda tegelikkusega. See "hoidmise" loogika näitab, kas mudel tegelikult töötab või mitte.
Koostage järgmiste seeriate jaoks lihtne tagasitestimise plaan: eraldage viimased 6 kuud testimiseks, treenige ülejäänud andmetega 3 erinevat meetodit (naiivne, SES, Holt-Winters), arvutage testimisperioodi jooksul igaühe jaoks MAPE ja eelarvamus ning koostage võrdlustabel. Kirjutage võidumeetod ja põhjendus.
Ettevaatust: AI võib mõnikord "ennustada" tagasitesti tulemusi ja esitada teile valmis diagrammi; see tähendab, et ta suudab välja mõelda numbreid, mis tunduvad mõistlikud, ilma neid tegelikult välja arvutamata. Esitage numbrilised tulemused kindlasti koodiga (Python/Excel). Keelemudel ei teosta pikka aritmeetikat usaldusväärselt.
Minikohver: hooajalise toote ülejääk
Üks toidujaotusettevõte kurdab, et talvel on igal aastal liiga palju hooajalist toodet, näiteks jäätist. Tööstusinsener Elif annab tehisintellektile 3 aasta igakuised andmed ja palub tal hinnata sarja iseloomu. AI tuvastab tugeva hooajalisuse (suve tippaeg) ja kerge iga-aastase kasvutrendi, soovitab Holt-Winters. Elif genereerib ennustuse Pythonis ja testib seda tagasi: MAPE on 14%, kuid kallutatus on oluliselt negatiivne - mudel ennustab pidevalt üle. Kui ta uurib põhjust, leiab ta, et pidas ajaloolistes andmetes kampaaniaperioodi "normaalseks" ja andis mudelile liiga kõrge baasi. Kui eemaldame kampaaniaefekti ja ehitame mudeli uuesti üles, väheneb kallutatus ja talvevaru väheneb oluliselt. Õppetund: AI soovitas meetodit õigesti, kuid andmete puhastamine ja eelarvamuste tõlgendamine oli inimeste töö.
Levinud vead
- Mõõdikute jälgimine: täpsuse hindamine ja mitte kunagi mõõtmine. Ilma mõõtmiseta ennustamist ei saa parandada.
- Lihtsalt MAPE vaatamine: eelarvamuste ignoreerimine. Suunamisviga (süstemaatiline) paisutab laoseisu vaikselt.
- Tehisintellekti koostatud numbrite eksitamine arvutusteks: tagasitestimise ja mõõdikute väärtuste koodiga kinnitamata jätmine.
- Kõrvalekalde/reklaami mitte puhastamine: ühekordse kampaania eksitamine tavapärase nõudmisena ja selle õpetamine modellile.
- Overfit: kui keeruline mudel sobib ideaalselt minevikku, kuid töötab halvasti tulevikus. Hoidke lihtsat mudelit võrdlusalusena.
Kokkuvõttes
- Valige prognoosimeetod vastavalt seeria iseloomule (statsionaarne, trendikas, hooajaline); Alustage alati enda võrdlemisest naiivsega.
- Mõõtke täpsust MAE/RMSE/MAPE-ga, aga ka jälgige kallutatust: suunaviga on kõige kallim.
- Kasutage meetodite soovitamiseks ja koodi genereerimiseks tehisintellekti; Seadistage prognoos mõõdetava tööriistana, mitte "ennustusena".
- Tagasitestimine on tõeline test selle kohta, kui palju usaldust mudel võib olla; Kontrollige numbrilisi tulemusi kindlasti koodiga.
- Inimese ülesanne on andmeid puhastada (outlier, edutamine) ja tulemust tõlgendada; AI jätab need sammud vahele.
Rakenduse ülesanne
Omama vähemalt 18–24 perioodi pikkust nõudlusseeriat (tõeline või realistlik väljamõeldis). Esiteks andke tehisintellektile seeria ja paluge tal tõlgendada selle iseloomu (trend / hooajalisus) ja soovitada kahte meetodit. Seejärel kasutage võimsat viipa "tagustestimise plaan", et reserveerida viimased 6 perioodi testidena ja võrrelda vähemalt kahte meetodit. Kriitiline samm: arvutage tehisintellekti tagastatud MAPE-i ja kõrvalekalde väärtused ise Exceli või Pythoni abil uuesti ja võrrelge neid AI-väljundiga. Kui leiate numbri, mis ei ühti, kirjutage see üles. Lõpuks tõlgendage kallutatuse märki: kas teie mudel hindab üle või alahindab ja mida see teie laoseisuga teeb?