Kasu:
- Oskus mõista aegridade, trendi, hooajalisuse ja kampaania mõju mõisteid ning kasutada tehisintellekti nõudluse prognoosimiseks õigete küsimuste ja puhaste andmetega.
- Võimalus tõlgendada prognoosi täpsust (MAPE, kõrvalekalle) ja määramatust (usaldusvahemik, stsenaariumid) ning lähtuda planeerimisel pigem vahemikust kui ühest numbrist
- Võimalus eristada, et tehisintellekti ennustus põhineb ajaloolistel andmetel ja et ekspertide hinnang on esiplaanil katkestuste korral, nagu uued tooted, reklaamid või tarnekriisid.
Iga otsus tarneahelas põhineb ühel küsimusel: kui suur on nõudlus? Mida täpsemalt sellele küsimusele vastate, seda vähem aktsiaid teil on, seda vähem aktsiatest välja jääte ja seda vähem raha seote. Tarneahela mootoriks on nõudluse prognoosimine; Laovarude, ostu-, tootmis- ja transpordiplaanid toidetakse kõik siit. Tehisintellekt on selles valdkonnas äärmiselt võimas, sest skaneerib tuhandete toodete ajalugu palju kiiremini kui inimene ja eraldab mustreid. Kuid selle jõu allikas on ka selle piir: AI õpib minevikust; Kui tulevik ei meenuta minevikku, on see vale. Selles üksuses õpime ennustuskeelt, täpsuse mõõtmist, määramatuse juhtimist ja seda, kus AI peaks teile alistuma.
Prognoosimise keel: aegread, trend, hooajalisus
Nõudluse andmed on tavaliselt aegrida – aja järgi järjestatud numbrite jada, näiteks toote iga päeva müük. Prognoosi aluseks on selle järjestuse jagamine kolmeks osaks:
Trend, pikaajaline suund: kas müük aasta-aastalt suureneb või väheneb? Hooajalisus, regulaarselt korduv kõikumine: jäätis müüb suvel, keris müüb talvel; Reedel ja laupäeval on turul tegus. Müra, seletamatu juhuslik mängimine. Hea prognoos kajastab trende ja hooajalisust ning seda ei peta müra. Selle peale kuhjuvad sündmused: kampaania, promotsioonid, riigipühad, ilm, konkurentide liikumine. Kui teete tehisintellekti ennustama, peate talle need sündmused rääkima; Kui sa talle ei ütle, arvab ta, et kampaaniapäeval hüppamine on "normaalne" ja teeb tuleviku osas vea.
Näpunäide: tehisintellektile toormüügiandmete esitamisel märkige kampaaniad, pühad ja laost väljasaatmise päevad. Laovarudeta päev on oluline: müük näib sel päeval madal, kuid tegelik nõudlus oli suur, kaupu lihtsalt polnud. Kui te seda ei täpsusta, alahindab AI tegelikku nõudlust.
Mõõtmistäpsus: MAPE ja kallutatus
"Kas prognoos on hea?" Vastus küsimusele tuleb mõõtmisest, mitte tundmisest. Levinuim näitaja on MAPE (Mean Absolute Percent Error — mitu protsendipunkti keskmiselt ennustused tegelikkusest kõrvale kalduvad). Kui MAPE on 10%, tähendab see, et teie ennustused ei vasta tegelikule väärtusele keskmiselt 10% võrra; madalam MAPE on parem. Teine oluline kontseptsioon on eelarvamus: kas teie prognoos on järjekindlalt tegelikkusest kõrgem (toodab ülevaru) või alavarudest (alavarudest lahkumine)? Isegi kui prognoosil on madal MAPE, kui see kaldub alati samas suunas, on süstemaatiline probleem.
Saate anda AI osa ajaloost "koolitusena" ja osa sellest "testimiseks" ning võrrelda selle ennustust tegelikkusega. See on aus viis usalduse loomiseks: mudeli testimine andmetega, mida ta pole näinud. Ennustust tasub tuleviku suhtes rakendada ainult siis, kui see on minevikus osutunud järjekindlaks.
Ettevaatust: ükski ennustus pole 100% täpne; Eeldatavasti seda ei juhtu. Eesmärk ei ole toota täiuslikku üksikut arvu, vaid juhitavat vahemikku, teades hälvet. Binaarne idee "ennustus täitus / see ei toiminud" on vale; Õige küsimus on "kui palju see kõrvale kaldus ja kui palju puhvrit ma vastavalt hoidsin?"
Määramatuse haldamine: vahemik, mitte üksik number
Planeerija kõige ohtlikum harjumus on käsitleda prognoosi kui ühtset kõva numbrit. Tegelikkuses on igal prognoosil usaldusvahemik - näiteks "nõudlus järgmisel kuul on tõenäoliselt vahemikus 900 kuni 1100". Mida laiem on see vahemik, seda suurem on määramatus. Vahemiku teadmine mõjutab otseselt teie laootsust: kitsas vahemikus nõuab vähem turvavaru, lai valik nõuab rohkem puhvrit.
Seega küsige tehisintellektilt alati stsenaariume: pessimistlik (kui nõudlus osutub madalaks), ootuspärane ja optimistlik (kui nõudlus osutub suureks). Nähes kolme stsenaariumi, ei põhine plaan mitte ühel eeldusel, vaid paljudel võimalikel võimalustel. See on kõige praktilisem viis "lukustatud ühe numbri" lõksust välja pääsemiseks.
Samm-sammult: nõudluse prognoosimise uuring tehisintellektiga
- Kustuta andmed. Märkige puuduvad päevad, laost otsas päevad, avage vigased kirjed; Töötage anonüümse tootekoodiga.
- Märkige sündmused. Lisage andmetele kampaania-, puhkuse- ja reklaamipäevad.
- Lahutage muster. Paluge AI-l teha kokkuvõte trendidest, hooajalisusest ja märkimisväärsetest sündmustest.
- Katsetage seda. Salvestage ajaloo viimane osa, laske tehisintellektil ennustada, võrrelge tegelikkusega (MAPE ja eelarvamuste suund).
- Loo stsenaarium. Küsige kolme ennustust: pessimistlik/oodatud/optimistlik ja igaühe usaldusvahemik.
- Ekspertfilter. AI ei tea teadaolevatest eelseisvatest häiretest (uus toode, tarnekriis, õigusaktid); lisage need käsitsi. Lõplik plaan on sinu.
kolm minikarpi
Juhtum 1 – hooajalisuse tabamine. Jookide turustaja kurtis, et suvekuudel oli tal pidevalt laost otsas ja talvel oli tal kaup käes. Planeerija andis YZ-le 3 aastat anonüümset igapäevast müüki ja eemaldas hooajalisuse: juuni-augusti nõudlus oli 2,4 korda suurem talve keskmisest ja hüpe algas iga aasta mai keskel. Selle mustri järgi seadis ta oma suvevarud 3 nädalat ette; suvine surnud varud vähenesid 70%, talvine surnud varud langesid. AI näitas mustrit; Varude otsuse tegi planeerija.
Juhtum 2 – uuele tootele järeleandmine. Ettevõte kavatses turule tuua uhiuue toote; Ajaloolisi müügiandmeid ei olnud. Planeerija küsis tehisintellektilt: "Milline on nõudlus esimese 3 kuu jooksul?" küsis ta. AI andis numbri, mis tundus mõistlik – kuid planeerija teadis, et see oli alusetu: andmeid polnud. Selle asemel küsib AI: "Milline oli varem sarnastes segmentides välja lastud toodete esimene 3-kuuline muster?" analüüsi ja seadke see prognoosivahemikuks ettevaatliku algvaruga. Eksperthinnang tühistas tehisintellekti fiktiivse usalduse.
Juhtum 3 — Varudeta on päeva lõks. Analüütik jõudis järeldusele, et nõudlus toote järele on langenud, ja soovitas laoseisu vähendada. Tema vanem kolleeg märkas, et andmetes olevad madalad müügipäevad olid tegelikult laost otsas: nõudlus ei olnud langenud, kaupa polnud. Kui andmed selle märkusega parandati ja tehisintellektile uuesti anti, oli näha, et tegelik nõudlus kasvas. Valesti puhastatud andmed annavad valed prognoosid.
Neli kopeeritavat malli
1) Mustri eraldamine:
Sinu roll: nõudluse planeerimise analüütiku assistent. Allpool on toote igakuised müügiandmed (anonüümne kood: PRODUCT-X) viimase 36 kuu kohta. Kampaania kuud [kuu nimekiri], laovaba kuud [kuu nimekiri]. Ülesanne: Tehke kokkuvõte (1) trendist, (2) hooajalisest mustrist, (3) märkimisväärsetest sündmustest. Võtke arvesse, et varudeta kuud varjavad tegelikku nõudlust. Kuu, mille kohta ma andmeid ei esitanud, on väljamõeldud.
2) Täpsustest:
Ennustage viimast 6 kuud, kasutades allpool toodud 36 kuust esimest 30. Seejärel võrrelge minu ennustust tegeliku viimase 6 kuuga; Arvutage iga kuu kõrvalekalle ja kogu MAPE. Öelge, kas teie hinnang on pidevalt kallutatud. Näita valemit.
3) Stsenaariumi prognoos:
Hinnake järgmise kvartali igakuist nõudlust selle toote järele kolme stsenaariumi järgi: pessimistlik / ootuspärane / optimistlik. Andke iga stsenaariumi jaoks usaldusvahemik ja kirjutage üles, millisel eeldusel see põhineb. Pange tähele, et see ei ole lõplik, vaid planeerimise intervall.
4) purunemise kontroll:
Loetlege, kuidas minu esitatud ajaloolistel andmetel põhinev prognoos võivad järgmiste eelseisvate sündmuste tõttu kehtetuks muutuda: [uus toode / reklaam / tarnekriis / regulatiivne muudatus]. Soovitage, kuidas peaksin iga jaoks prognoosi käsitsi kohandama.
Nõrk viip / Tugev viip
Nõrk viip:
Kui palju ma järgmisel kuul müün?
Pole andmeid, pole toodet ega konteksti. AI kas lükkab tagasi või teeb välja; kumbki tulemus ei tööta.
Võimas viip:
Sinu roll: nõudluse planeerimise assistent. Allpool on toodud PRODUCT-X müük viimase 24 kuu jooksul; Märgitud on kampaaniakuud ja laovaba kuud. Esitage pessimistlik/oodatud/optimistlik prognoos järgmiseks 3 kuuks, lisage igaühele usaldusvahemik, näidake MAPE võrreldes eelmise testiga. Kujutage ette, et mul on lõplik aktsiaotsus.
Lähenemine
tabas
määramatuse juhtimine
Risk
tugineda ühele numbrile
eksitav
Mitte ühtegi
Kõrge — plaan kukub kokku
Stsenaarium + vahemik
realistlik
hea
madal
lihtsalt intuitsioon
Muutuv
nõrk
keskmine-kõrge
Pimesi kuuletumine AI-le
Muutuv
Mitte ühtegi
kõrge
Levinud vead
- Segades varude väljalaskepäeva tegeliku madala nõudlusega. Kui kaup pole saadaval, tundub müük madal; See ei tähenda, et nõudlus oleks langenud.
- Ühe numbri lukustamine. Ennustuse absoluutse tõena nägemine tähendab ebakindluse ignoreerimist; Küsige alati vahemikku ja stsenaariumi.
- Kampaaniat ei märgistata. Mudel, mis arvab, et reklaamipõrge on "normaalne", moonutab tulevikku.
- Uue toote ennustus ilma ajaloota. Näiliselt ohutu tehisintellekti arv andmeteta toote jaoks on alusetu.
- Jätame murdmise tehisintellekti hooleks. AI ei tunne struktuurseid katkestusi, nagu epideemiad, tarnekriisid ja õigusaktid; Tuleb teha asjatundlikku sekkumist.
Ettevaatust. Ükskõik kui hea ennustus välja näeb, ei saa see olla parem kui selle aluseks olevate andmete kvaliteet. "Prügi sisse, prügi välja." Kulutage suurem osa ajast andmete puhastamisele; Mudeliosa teeb ülejäänu.
Kokkuvõttes
Nõudluse prognoosimine on tarneahela mootor ja AI on võimas assistent, mis seda mootorit kiirendab. Kuid tehisintellekt õpib minevikust; eksib, kui tulevik ei sarnane minevikuga. Jäädvustage trende ja hooajalisust, märgistage sündmusi, mõõtke täpsust MAPE ja triivimissuunaga, seadistage prognoos stsenaariumi ja vahemikuna, mitte ühe numbrina. Eksperthinnangud on uute toodete ja struktuuriliste katkestuste puhul esikohal. Andmete puhastamine on kõige alus; Lõplik plaan on sinu.
Rakenduse ülesanne
Hankige oma toote (või hüpoteetilise toote) viimase 12–24 kuu müügiandmed, märkige kampaania ja laost väljajäämise kuud. Küsige tehisintellektilt kolme stsenaariumi malliga „stsenaariumi ennustamine”. Seejärel salvestage osa ajaloost malliga "Täpsustest" ja võrrelge ennustust tegelikkusega. Kirjutage leitud MAPE ja valitud stsenaarium koos selle põhjusega 5 punkti; Samuti määrake, millise turvapuhvri lisate.
kontrollnimekiri
- [ ] Kas olen andmed kustutanud, märkinud laost otsas ja kampaaniapäevad?
- [ ] Kas olen kinnitanud ennustuse MAPE-ga ja kallutamise suunaga järeltestimise kaudu?
- [ ] Kas ma küsisin ühe numbri asemel stsenaariumi ja usaldusvahemikku?
- [ ] Kui on uus toode / purunemine, kas ma olen eelistanud eksperthinnangut?
- [ ] Kas ma olen lõpliku aktsiaplaani enda heaks kiitnud?