پیش بینی تقاضا

سود:

• توانایی تشخیص روش های پیش بینی تقاضا (میانگین متحرک، هموارسازی نمایی، فصلی)
• امکان تنظیم سناریوهای پیش بینی با هوش مصنوعی و ارزیابی دقت با معیارهایی مانند MAPE/MAE
• امکان بررسی متقاطع خروجی پیش بینی با زمینه تجاری و اثرات تبلیغاتی/فصلی

پیش بینی تقاضا مبنایی است که برنامه ریزی تولید، مدیریت موجودی و کل زنجیره تامین بر آن استوار است. پیش‌بینی اشتباه از هر دو جهت گران است: برآورد بیش از حد باعث ایجاد هزینه‌های موجودی و هدر رفتن می‌شود، دست کم گرفتن منجر به از دست دادن فروش و نارضایتی مشتری می‌شود. هوش مصنوعی در بسیاری از مکان‌ها در فرآیند پیش‌بینی کمک می‌کند، از انتخاب روش گرفته تا تفسیر داده‌های تاریخی و تولید سناریوها. اما دیدن پیش بینی به عنوان یک "توپ کریستالی جادویی" بزرگترین اشتباه است. در این بخش، روش‌های پیش‌بینی کلاسیک، نحوه ساخت صحیح آنها با هوش مصنوعی و نحوه اندازه‌گیری دقت را پوشش خواهیم داد.

نقشه مختصر روش های پیش بینی

همه سلسله مطالبات یکسان رفتار نمی کنند. برخی مسطح هستند، برخی دارای روند، برخی فصلی هستند. انتخاب روش با توجه به سری ضروری است.

روش

چه زمانی مناسب است؟

توجه

ساده لوح (آخرین مقدار)

برای مقایسه (معیار)

از روند/فصل پیروی نمی کند

میانگین متحرک

سریال ایستا و پر سر و صدا

دیر به این روند واکنش نشان می دهد

هموارسازی نمایی (SES)

سری ثابت، تاکید بر داده های نزدیک

اگر روندی وجود نداشته باشد خوب است

هولت (دو نمایی)

سریال های مد روز

فصل را نمی گیرد

Holt-Winters

روند + فصلی

به داده های تاریخی کافی نیاز دارد

رگرسیون/ML

چند متغیره، ارتقاء موثر

خطر اضافه تناسب اندام

نکته: همیشه با یک حدس ساده شروع کنید. اگر مدل پیچیده شما بهتر از حدس ساده نیست، ارزش تحمل پیچیدگی را ندارد. ساده لوح یک معیار رایگان برای اندازه گیری دقت است.

چگونه دقت را اندازه گیری کنیم؟ (متریک)

دقت پیش‌بینی را نمی‌توان بدون اندازه‌گیری بهبود بخشید. رایج ترین معیارها:

• MAE (میانگین خطای مطلق): میانگین قدر مطلق خطاها. واحد همان واحد تقاضا است.
• RMSE (ریشه میانگین مربعات خطا): خطاهای بزرگتر را بیشتر جریمه می کند.
• MAPE (میانگین درصد مطلق خطا): بر حسب درصد؛ برای مقایسه بین اقلام خوب است، اما زمانی که تقاضا نزدیک به صفر است، تحریف می شود.
• تعصب: خطای متوسط; نشان می دهد که آیا شما به طور مداوم بیش از حد یا دست کم می گیرید.

یک حساب نمونه کوچک اجازه دهید تقاضای واقعی [100، 120، 90] باشد، پیش بینی [110، 115، 100] باشد:

خطاها (واقعی - پیش‌بینی): -10، +5، -10خطاهای مطلق: 10، 5، 10 → MAE = 25 / 3 ≈ 8.33 درصد خطا: 10/100، 5/120، 10/90 = 10٪، 1% MAE = 10%، 11% MAE. 4.17 + 11.11) / 3 ≈ 8.43% تعصب = (-10 + 5 - 10) / 3 = -5 → برآورد بیش از حد به طور متوسط (پیش بینی > واقعی)

یک سوگیری منفی (تخمین واقعی منهای) نشان می دهد که برآورد به طور مداوم بیش از حد برآورد می شود. این به معنای تورم موجودی است. چنین خطاهای جهتی را می توان در MAPE پنهان کرد، بنابراین آنها با هم بررسی می شوند.

ساخت فرآیند پیش بینی با هوش مصنوعی

می توانید از هوش مصنوعی در دو مکان به بهترین شکل استفاده کنید: (1) برای مشاهده داده ها و پیشنهاد روش و اقدامات مناسب و (2) برای تولید کد پیش بینی. برای پیشنهاد روش:

نقش: شما یک مهندس صنایع با تجربه در پیش بینی تقاضا هستید. وظیفه: سری فروش ماهانه زیر را بررسی کرده و روش پیش بینی مناسب را توصیه کنید. روند و فصلی بودن را ارزیابی کنید، توجیه خود را بنویسید. داده ها (ماهانه، 24 ماه گذشته): {{ values ​​}}اطلاعات اضافی: در ماه دسامبر یک تبلیغ وجود دارد، تقاضا در ماه های تابستان کاهش می یابد. خروجی مورد نظر من: 1. نظر در مورد شخصیت سریال (پایدار/ترند/فصلی).2. 2 روش توصیه شده و چرا.3. چه متریک دقت را باید پیگیری کنم؟ مشکلاتی که باید مراقب آن‌ها باشم (فراتنگ، اثر تبلیغاتی). قانون: بدون دیدن داده‌ها قول دقت مطلق را ندهید.

اعلان ضعیف / اعلان قوی

اعلان ضعیف:

ماه آینده چقدر می فروشم؟

این نه داده و نه زمینه دارد. هوش مصنوعی یا آن را رد می کند یا یک عدد کاملا ساخته شده را برمی گرداند. چنین خروجی خطرناک است زیرا قابل اعتماد به نظر می رسد.

اعلان قدرتمند:

3 ماه آینده را با استفاده از منطق Holt-Winters با این سری 24 ماهه پیش بینی کنید. طول فصل 12 است. ابتدا فرضیات روش را بنویسید، سپس پیش بینی کنید، سپس MAPE را با بک تست 6 ماه گذشته محاسبه کنید. ماه های تبلیغاتی را جداگانه علامت گذاری کنید. داده ها: {{ ... }}

درخواست دوم هم پیش‌بینی و هم میزان اطمینان برای اعتماد به آن پیش‌بینی را می‌پرسد (آزمایش برگشتی). این پیش بینی را از یک "اوراکل" به یک ابزار قابل اندازه گیری تبدیل می کند.

بک تست: اندازه گیری اعتماد در پیش بینی

آزمون واقعی پیش بینی در گذشته است، نه آینده. داده هایی را که دارید به دو قسمت تقسیم می کنید: ساخت مدل (قطار) و آزمایش. شما مدل را با قطعه اول می سازید، دوره بعدی را پیش بینی می کنید و آن را با واقعیت مقایسه می کنید. این منطق "حفظ" نشان می دهد که آیا یک مدل واقعاً کار می کند یا خیر.

یک طرح ساده از بک تست برای سری های زیر تنظیم کنید: 6 ماه گذشته را به عنوان آزمایش کنار بگذارید، 3 روش مختلف (ساده لوح، SES، Holt-Winters) را با داده های باقیمانده آموزش دهید، MAPE و بایاس را برای هر کدام در طول دوره آزمایش محاسبه کنید، و یک جدول مقایسه تهیه کنید. روش و دلیل برنده شدن را بنویسید.

مراقب باشید: هوش مصنوعی گاهی اوقات می تواند نتایج بک تست را "پیش بینی" کند و یک نمودار آماده به شما ارائه دهد. یعنی می تواند اعدادی را بسازد که معقول به نظر می رسند بدون اینکه واقعاً آنها را محاسبه کند. مطمئن شوید که نتایج عددی را با کد (Python/Excel) بازتولید کنید. یک مدل زبانی محاسبات طولانی را به طور قابل اعتماد انجام نمی دهد.

مینی مورد: موجودی بیش از حد محصول فصلی

یک شرکت پخش مواد غذایی از داشتن انبار بیش از حد یک محصول فصلی مانند بستنی هر سال در زمستان شکایت دارد. مهندس صنایع الیف 3 سال داده ماهانه به هوش مصنوعی می دهد و از آن می خواهد شخصیت سریال را ارزیابی کند. هولت-وینترز پیشنهاد می کند که هوش مصنوعی فصلی قوی (اوج تابستان) و روند رشد سالانه خفیف را تشخیص می دهد. الیف پیش‌بینی را در پایتون ایجاد می‌کند و آن را بک‌آزمایش می‌کند: MAPE 14٪ است، اما سوگیری به طور قابل‌توجهی منفی است - مدل به طور مداوم بیش از حد پیش‌بینی می‌کند. وقتی علت را بررسی می‌کند، متوجه می‌شود که دوره مبارزات انتخاباتی در داده‌های تاریخی را «عادی» اشتباه گرفته و به مدل پایه بسیار بالایی آموزش داده است. وقتی اثر کمپین را حذف می کنیم و مدل را بازسازی می کنیم، سوگیری کاهش می یابد و سهام زمستانی به میزان قابل توجهی کاهش می یابد. درس: هوش مصنوعی روش را به درستی پیشنهاد کرد، اما این کار انسان بود که داده ها را تمیز کند و سوگیری را تفسیر کند.

اشتباهات رایج

• ردیابی نکردن معیارها: دقت را تخمین می زنند و هرگز اندازه گیری نمی کنند. پیش بینی بدون اندازه گیری قابل بهبود نیست.
• فقط نگاهی به MAPE: نادیده گرفتن تعصب. خطای جهت دار (سیستماتیک) موجودی را بی سر و صدا افزایش می دهد.
• اشتباه گرفتن اعداد ساخته شده توسط هوش مصنوعی برای محاسبات: اعتبارسنجی نکردن بک تست و مقادیر متریک با کد.
• پاک نکردن نقاط دورتر/ترفیع: اشتباه گرفتن یک کمپین یکبار مصرف به عنوان یک تقاضای عادی و آموزش آن به مدل.
• Overfit: زمانی که یک مدل پیچیده در گذشته کاملاً مطابقت دارد اما در آینده عملکرد ضعیفی دارد. مدل ساده را به عنوان یک معیار نگه دارید.

به طور خلاصه

• روش پیش بینی را با توجه به شخصیت سریال (ثابت، روند، فصلی) انتخاب کنید. همیشه با مقایسه خود با یک ساده لوح شروع کنید.
• دقت را با MAE/RMSE/MAPE اندازه‌گیری کنید، اما بایاس مانیتور را نیز اندازه‌گیری کنید: خطای جهت گران‌ترین است.
• از هوش مصنوعی برای توصیه روش و تولید کد استفاده کنید. پیش بینی را به عنوان یک ابزار قابل اندازه گیری تنظیم کنید، نه یک "پیشگویی".
• بک آزمايش آزمون واقعي اين است که يک مدل چقدر مي تواند اطمينان داشته باشد. حتماً نتایج عددی را با کد تأیید کنید.
• وظیفه انسان پاکسازی داده ها (پرت، تبلیغات) و تفسیر نتیجه است. هوش مصنوعی این مراحل را رد می کند.

وظیفه کاربردی

حداقل یک سریال تقاضای دوره 18-24 (تخیلی واقعی یا واقعی) داشته باشید. ابتدا مجموعه را به هوش مصنوعی بدهید و از آن بخواهید که شخصیت آن (روند/فصل) را تفسیر کند و دو روش پیشنهاد دهد. سپس از اعلان قدرتمند "طرح بک تست" برای رزرو 6 دوره آخر به عنوان تست و مقایسه حداقل دو روش استفاده کنید. مرحله حیاتی: مقادیر MAPE و بایاس را که توسط هوش مصنوعی برگردانده شده است را با Excel یا Python مجدداً محاسبه کنید و آنها را با خروجی هوش مصنوعی مقایسه کنید. اگر عددی پیدا کردید که مطابقت ندارد، آن را یادداشت کنید. در نهایت، علامت تعصب را تفسیر کنید: آیا مدل شما بیش از حد برآورد می شود یا دست کم می گیرد، و این با موجودی شما چه می کند؟