Kasu:
- Võimalus koostada SKU-põhise nõudlusprognoosi mustand tehisintellekti toega, kombineerides ajaloolisi müügiandmeid, hooajalisi mõjusid ja väliseid tegureid.
- Võimalus tõlgendada prognoosi täpsust (MAPE, eelarvamus) ja eristada üle- ja alahindamise tagajärgi äritegevusele
- Oskus väita, et tehisintellekti poolt toodetud prognoos on ennustus ja lõplik tellimisotsus kuulub koos laohinna ja rahavoogudega juhile.
Jaekaubanduses on kaks kõige kallimat viga: hoida liiga palju laoseisu ja lasta rahal riiulil vedeleda või mitte hoida piisavalt laoseisu ja jätta klient tühjade kätega. Mõlemal on sama allikas: halva nõudluse prognoosimine. Selles üksuses saate teada, kuidas kasutada tehisintellekti võimsa abilisena, mis ennustab tulevikku varasemate müügitulemuste põhjal. Aga ütleme algusest peale: ennustus pole ennustus, vaid tõenäosuslik ennustus. AI annab teile numbri; Teie ülesanne on muuta see number tellimisotsuseks.
Nõudluse prognoosimine: selle ülesanne on ennustada, kui palju toodet või kategooriat tulevikus müüakse, vaadates ajaloolisi andmeid ja mõjutegureid.
SKU (Stock Keeping Unit): see on ainulaadne laokood, mida peetakse iga erineva tootevariandi jaoks. Näiteks "punased tossud, suurus 42" on SKU; sama mudeli number 43 on eraldi SKU.
Kolm teabeallikat, mis prognoosivad
Hea prognoos ühendab kolm asja:
- Ajalooline müük (alustase): toote iganädalane/kuine müük viimase 12–24 kuu jooksul. AI ekstraheerib sellest seeriast "tavalise" taseme.
- Hooajalised ja kalendriefektid: pühad, kooliperiood, suvi-talv, nädalavahetus, palgapäev. Näiteks suvel suureneb jäätise ja talvel palju sokke.
- Välised tegurid: kampaania, hinnamuutus, ilm, konkurentide liikumine, avamine/sulgemine. Need lükkavad hinnangut üles või alla.
Näpunäide: ärge öelge tehisintellektile lihtsalt "me müüsime eelmisel kuul 100". Öelge: "Müüsime eelmisel kuul 100, kuid seal oli 20% allahindlus ja see oli puhkusenädal." Ilma kontekstita on ennustus eksitav.
Samm-sammult ennustuste genereerimine
- Valmistage ette andmed: Anonüümne puhas tabel: kuupäev, SKU, müüdud kogus, hind, pakkumine/pakkumine puudub, saadavus. Märkige laost lõppemise päevad; Vastasel juhul arvab tehisintellekt, et päev on "madal nõudlus".
- Andke kontekst: kirjutage üles hooaeg, eelseisvad sündmused, kavandatud kampaaniad.
- Prognoosi taotlemine: taotlege prognoosi ja usaldusvahemikku (halvim/parim stsenaarium) konkreetse perioodi kohta SKU või kategooria kaupa.
- Mõõtke täpsust: võrrelge oma varasemaid ennustusi tegelikkusega (MAPE allpool).
- Muutke see otsuseks: ühendage kalkulatsioon ohutusvaru ja eelarvega ning tehke tellimisotsus.
Prognoosi täpsuse lugemine: MAPE ja eelarvamus
MAPE (Mean Absolute Percent Error): näitab prognooside keskmist protsentuaalset kõrvalekallet tegelikust müügist. Valem on lihtne: |tegelik − prognoos| iga perioodi kohta / reaalne on nende keskmine.
- MAPE 10% → hinnangud kalduvad keskmiselt 10% kõrvale, päris hea.
- MAPE 40% → prognoosid on ebausaldusväärsed, tellimuse otsuse tegemiseks on vaja rohkem puhvrit (turvavaru).
Suund (kallutatus): kas teie prognoos on reaalsusest järjepidevalt kõrgem (ülevarude oht) või madalam (varude väljalaskmise oht)? Vaata ka seda; MAPE ei näita suunda.
Olek
Tähendus
äritulemus
Püsiv kõrge hinnang
Te liialdate nõudlusega
Liigne laovaru, kokkuvarisemine, marginaali kaotus
Pidev alahindamine
Sa alahindad nõudlust
Laost otsas, maha müük, rahulolematus
Kõrge MAPE, tasakaalustatud suund
Ebakindlus on suur
Suurendage ohutusvaru, vaadake sageli üle
Madal MAPE
täpne ennustus
Väiksem aktsia, parem raha
mini korpused
Juhtum 1 – puudub hooajalisus: toidupood tellib koolimärkmikke eelmise aasta juuli müügi põhjal (200 ühikut kuus). Kui tehisintellektile panna konteksti "August-september kooliveerand, müük neljakordistus sel perioodil eelmisel aastal", kasvab ennustus 200 ühiku asemel 780 ühikuni. Tänu õigele järjekorrale ei saa te kooliaasta jooksul laost otsa; Eelmisel aastal pääsenud hinnanguliselt 60 000 TL käivet püütakse tänavu kinni.
Juhtum 2 – laost otsamise päeva arvestamata: ühes poes oli populaarse kohvi laost kolm nädalat otsas. Algandmeid vaadates näeb tehisintellekt neid nädalaid kui "5 müüki nädalas" ja annab madala hinnangu. Kui analüütik märgib varudeta päevi ja ütleb, et "need nädalad ei peegelda nõudlust", tõuseb prognoos 45-ni nädalas. Tekib tõeline nõudlus.
Juhtum 3 — Üldistades kampaaniaefekti: Tekstiilikett peab 50% soodusnädalat (600 tk) "tavaliseks" ja tellib pidevalt 600. Kui tehisintellektile öeldakse "see müük tehti ühekordse kampaaniaga, tavanädal on 180", siis ennustus parandatakse. Välditakse ülevarude ja hilisema allahindluse kadumise ohtu.
Ennustushorisont: kui kaugele ette näete?
Prognoosihorisont: kui kaugele tulevikku prognoositakse. Reegel on lihtne: mida pikem on horisont, seda suurem on ebakindlus. Te ennustate järgmise nädala müüki suhteliselt täpselt; kuus kuud hiljem palju laiema valikuga. Seega valige prognooside horisont vastavalt tellimuse otsuse tegemise vajadusele: lühike horisont ja sagedane värskendamine värske toote jaoks, mis saab kiiresti otsa; Imporditud toote pikem horisont ja laiem ohutusvaru pikkade tarneaegadega.
Teine oluline erinevus on uute toodete prognoosimine. Varem uut SKU-d ei müüda; sel juhul annate AI-le sarnaste toodete ajaloo (analoog), kategooria keskmise ja käivitamisplaani. Kui öeldakse: "Sellel tootel pole ajalugu; andke esialgne hinnang sarnaste toodete X ja Y esimese 8 nädala põhjal" on mõistlik viis tühja lünka täitmiseks. Uute toodete prognoosimine on aga alati riskantsem; Vaadake prognoos kiiresti üle, kui esimeste nädalate tegelikud andmed muutuvad kättesaadavaks.
Ettevaatust. Ärge käsitlege hinnangut kui "tee üks kord ja unusta" käsitlust. Nõudluse prognoosimine on reaalajas protsess; Iga uus müüginädal on võimalus prognoosi uuendada. Parimad ennustajad on need, kes kasutavad kõige sagedamini värskendavat mudelit, mitte kõige nutikamat mudelit.
Nõrk viip / Tugev viip
Nõrk viip:
Ütle mulle, kui palju seda toodet järgmisel kuul müüakse.
Konteksti pole; AI moodustab juhusliku arvu.
Võimas viip:
Sinu roll: nõudluse planeerimise spetsialist. Andmed: allpool on SKU 4471 igakuine müügikogus ja hind viimase 18 kuu jooksul ning kas sellel kuul on kampaania. Kontekst: see toode on suvised sandaalid; Nõudlus kõrgub mais-augustis. Järgmine kuu on juuni. Kampaaniat plaanis pole. Hind on fikseeritud.Ülesanne: (1) juuni oodatav müügikogus, (2) halvima ja parima stsenaariumi vahemik, (3) 2 peamist prognoosi mõjutavad tegurit.Reegel: Laost otsas märgitud kuud ei arvestata vähese nõudlusega.Põhineb ainult antud andmetel.Andmed: [kleebi tabel]
Kopeeritavad viipade mallid
1) SKU-põhine ennustus
Sinu roll: nõudluse planeerimise spetsialist. Looge [SKU] tulevane [periood] prognoos järgmistest anonüümsetest igakuistest müügiseeriatest. Väljund: eeldatav kogus + halvim/parim vahemik + 2 eeldust. Välistada perioodid, mis on märgitud laost otsas. Andmed: [kleebi]
2) Hooajaline mustri eemaldamine
Leidke korduv hooajaline muster allolevast 24-kuulisest müügisarjast. Millised kuud on tipud ja millised kuud alumised? Andke kõrvalekalle keskmisest protsentides. Esitage see tabeli kujul. Andmed: [kleebi]
3) Ennustuse täpsuse hindamine
Allpool on minu ajaloolised hinnangud ja tegelik müük. (1) Arvutage MAPE, (2) kas minu prognoos triivib pidevalt kõrgemale või madalamale, (3) mida see aktsia jaoks tähendab? Kuva samm-sammult.Andmed: [hinnangulised, tegelikud veerud]
4) Ekstraktige kampaania mõju
Allolevas müügisarjas on märgitud kampaanianädalad. Hinnake normaalset (mittekampaania) nõudlust; Määrake kampaania efekt eraldi kasvuprotsendina. Nii et ma tahan näha tavalist tellimuse taset. Andmed: [kleebi]
Levinud vead
- Konteksti mitteandmine: Kui kampaaniat, hooaega, hinnamuutust ei täpsustata, on ennustus eksitav.
- Kas lugeda laost väljajäämise päevad nõudluseks: laost väljajäämise periood peidab tegelikku nõudlust; mark.
- Soodusmüükide aktsepteerimine tavapäraselt: kui arvate, et ühekordne suurendamine on püsiv, tekib üleliigne laovaru.
- Ühele numbrile tuginemine: vahemiku (stsenaariumi) mittesoovimine ja ühele punktile tuginemine peidab riski.
- Üldse ei mõõta täpsust: kui MAPE-d ja suunda ei jälgita, läheb ennustus aina hullemaks.
- Otsetellimuste tegemine kalkulatsioonidega: Tellimine ilma sularahata, lao- ja säilivusaja kontroll.
Kokkuvõttes
Hea prognoosimine ühendab varasema müügi, hooajalisuse ja välistegurid. Andke tehisintellektile kindlasti kontekst (kampaania, hooaeg, laost välja jäämise päevad). Prognoosi täpsuse jälgimine MAPE ja kaldesuunaga; Suure ebakindluse korral suurendage ohutusvaru. Ennustus on ennustus; Lõpliku tellimisotsuse koos eelarve ja piirangutega saate teha teie.
Rakenduse ülesanne
Vaadake anonüümses tabelis oma 5 enimmüüdud SKU-de müüki viimase 12–18 kuu jooksul ning märkige laost lõppenud ja kampaaniaperioodid. Looge tulevikuprognoos viipaga "1) SKU-põhine prognoos", seejärel ekstraheerige oma varasemate prognooside MAPE "3) Prognoosi täpsuse hindamine". Võrrelge tulemust oma tellimisotsusega.
kontrollnimekiri
- [ ] Tegin müügiandmed anonüümseks ja puhastasin.
- [ ] Märkisin ära laost väljalangemise ja kampaaniaperioodid.
- [ ] Andsin tehisintellektile hooaja ja välisteguri konteksti.
- [ ] Tahtsin stsenaariumivahemikku, mitte ühte numbrit.
- [ ] Kontrollisin MAPE-i ja lengerdussuunda.
- [ ] Tegin tellimisotsuse eelarve ja piirangute põhjal.