تحلیل روند مد و پیش بینی تقاضا

سود:

• نقش هوش مصنوعی و NLP را در استخراج سیگنال های روند از رسانه های اجتماعی، داده های جستجو و تاریخچه فروش درک کنید
• امکان پیکربندی پیش بینی تقاضا و تنظیم سناریو بر اساس SKU با روش های سری زمانی
• توانایی بررسی روند و پیش بینی خروجی ها با تحقق فروش، داده های سهام و قضاوت تجاری

مد، طبیعتاً بر روی آینده شرط بندی می کند. مجموعه ای از ماه ها قبل برنامه ریزی شده است، پارچه از قبل سفارش داده می شود، تولید قبل از فروشگاه انجام می شود. اگر پیش بینی اشتباه باشد، دو نوع رنج وجود دارد: موجودی بیش از حد (کالاهای فروخته نشده، تخفیف، تخریب) و کمبود (کالای قابل فروش نیست، درآمد از دست رفته). هوش مصنوعی به کاهش این عدم قطعیت کمک می کند: سیگنال های روند را از رسانه های اجتماعی، داده های جستجو و تاریخچه فروش استخراج می کند و تقاضا را بر اساس محصول پیش بینی می کند. اما مد رفتار انسان است. هیچ مدلی نمی تواند یک لحظه ویروسی یا یک شوک اقتصادی را تضمین کند. در این واحد به تحلیل روند و پیش بینی تقاضا به صورت منضبط می پردازیم.

سیگنال روند از کجا می آید؟

مواد اولیه تحلیل روند، منابع داده های مختلف است. رسانه های اجتماعی و پلتفرم های بصری: کدام رنگ، شبح، موتیف در دید افزایش می یابد. داده های جستجو: چیزی که مردم به دنبال آن هستند یک سیگنال قصد اولیه است. سابقه فروش: چه چیزی در فروشگاه شما، چه زمانی، در کدام منطقه به فروش می رسد. خدمات روند (مانند انتشارات صنعت): پیش‌بینی‌ها با تفسیر متخصص. داده های رقابت/بازار: آنچه رقبا منتشر می کنند.

هوش مصنوعی در اینجا دو کار انجام می دهد. موضوع و احساسات را از متن و برچسب ها با پردازش زبان طبیعی (NLP) استخراج می کند ("صحبت در مورد این رنگ در حال افزایش است، لحن مثبت است"). از طریق تجزیه و تحلیل تصویر، روندهای رنگ، الگو و شبح را از تصاویر جمع آوری می کند. اینها همه سیگنال هستند، نه اثبات. سیگنال نویز دارد. تحرک در یک پلت فرم ممکن است توسط پایگاه مشتری دیگر متقابل نباشد.

نکته: همیشه سیگنال روند را بر اساس پایگاه مشتری و داده های فروش خود فیلتر کنید. یک روند افزایشی در یک پلت فرم جهانی ممکن است در منطقه و بخش قیمت شما معتبر نباشد. "همه این کار را می کنند" یک استراتژی نیست.

پیش بینی تقاضا: SKU، سری زمانی و عدم قطعیت

پیش‌بینی تقاضا معمولاً در سطح SKU (واحد نگهداری سهام؛ ترکیب اندازه رنگ خاص یک محصول خاص) انجام می‌شود. رویکرد اساسی تحلیل سری زمانی است: پیش بینی آینده از الگوی فروش گذشته در طول زمان (روند، فصلی، چرخه). روش های کلاسیک (میانگین متحرک، هموارسازی نمایی، ARIMA) و روش های یادگیری ماشینی این کار را انجام می دهند.

نقطه بحرانی: یک تخمین خوب یک عدد واحد نیست، بلکه یک محدوده و احتمال است. به جای "1200 از این SKU به فروش می رسد"، "80% شانس 950-1450" بسیار مفیدتر است زیرا به شما امکان می دهد بر اساس ریسک پذیری تصمیم بگیرید. قوی‌ترین راه برای تأیید خروجی یک مدل، آزمایش برگشتی است: آموزش مدل با داده‌های تاریخ گذشته و مقایسه آن با فروش واقعی بعدی. اگر مدل در گذشته به خوبی پیش بینی نکرده باشد، در آینده قابل اعتماد نیست.

برای محصولات جدید (بدون سابقه فروش) پیش بینی دشوارتر است. تاریخچه (آنالوگ) و سیگنال روند محصولات مشابه با هم استفاده می شود، اما عدم قطعیت زیاد است و این را باید پذیرفت.

گام به گام: روند و پیش بینی گردش کار

1. داده ها را جمع آوری و پاک کنید. فروش، بازده، سهام، تقویم کمپین و سیگنال های روند.
2. تمایز بین فصلی و روند. چه مقدار از فروش فصلی و چه مقدار روند واقعی است.
3. ایجاد پیش بینی (فاصله). مقدار مورد انتظار و فاصله اطمینان توسط SKU.
4. بک تست. اندازه گیری دقت تاریخی مدل؛ اگر بد است، به مدل ساده برگردید.
5. با قضاوت تجاری تصحیح کنید. رویدادهای شناخته شده (فروشگاه جدید، کمپین، مشکل عرضه) را به صورت دستی به مدل اضافه کنید.
6. تماشا کنید و به روز کنید. با آمدن فروش واقعی، پیش‌بینی را تجدیدنظر کنید (پیش‌بینی چرخشی).

سه مورد کوچک: با اعداد

مورد 1 - کاهش موجودی مازاد. یک برند در هر فصل بیش از حد یک گروه رنگ تولید می کرد و در پایان فصل آن را با 40 درصد تخفیف می فروخت. یک برآورد SKU با فروش تاریخی نشان داد که آنها در چندین اندازه بیش از حد تولید می‌کردند، نه اینکه در آن رنگ تقاضای کمتری از فروش داشتند. هنگامی که توزیع اندازه اصلاح شد، نرخ فروش با تخفیف از 40٪ به 26٪ کاهش یافت.

مورد 2 - سیگنال اشتباه. یک تیم رنگ نئونی را در مجموعه قرار داد که در یک پلت فرم اجتماعی منفجر شد. سیگنال جهانی قوی بود. اما پایگاه مشتری خودشان (کلاسیک، بخش بالغ) این لحن را نمی پذیرفتند. حزب حفظ شد. قانونی برای فیلتر کردن سیگنال روند فصل بعد با داده های فروش خود معرفی شد. درس: سیگنال بدون بخش گمراه کننده است.

مورد 3 - ارزش پیش بینی فاصله. هنگامی که یک خریدار بر اساس پیش‌بینی امتیاز «فروش 1000 واحدی» سفارش داد، مدل محدوده 80 درصدی بین 700 تا 1400 را نشان داد. خریدار ریسک را دید و اولین سفارش را در 800 نگه داشت و برای تکمیل سریع طبق روند فروش برنامه ریزی کرد. هم از انباشت زیاد و هم از کمبود پرهیز می کرد. دسامبر تصمیمات هوشمندانه تری نسبت به اعداد فرد گرفت.

اعلان ضعیف / اعلان قوی

اعلان ضعیف:

به من بگویید چه چیزی در فصل آینده به فروش می رسد.

اعلان قدرتمند:

نقش شما: تحلیلگر برنامه ریزی مد. در زیر داده‌های فروش ماهانه 3 سال گذشته (SKU، مقدار)، تقویم کمپین و یادداشت‌های روند این فصل آمده است. وظیفه: 1) فصلی و روند را از هم جدا کنید، به طور خلاصه توضیح دهید. 2) پیش بینی فصل آینده را برای SKUهای مربوطه ارائه دهید. نه به طور واضح، اما به عنوان یک فاصله اطمینان 80٪. 3) چگونه توصیه می کنید که پیش بینی خود را آزمایش مجدد کنم؟ داده ها: [جدول]

اعلان قدرتمند پیش‌بینی بازه، پیشنهاد بک‌آست و فیلتر بخش را می‌دهد. این دقت دقیق را تحمیل نمی کند.

قالب های قابل کپی

1) تجزیه فصلی:

روند، فصلی بودن و مولفه نامنظم را در این مجموعه فروش ماهانه از هم جدا کنید و در مورد هر یک به اختصار نظر دهید. به جای نمودار، خلاصه عددی بدهید. سری: [داده]

2) پیش بینی فاصله زمانی:

پیش‌بینی دوره بعدی [n] را برای SKU زیر ایجاد کنید. مقدار مورد انتظار و فاصله اطمینان 80% را برای هر دوره ارائه دهید. فرضیات خود را به وضوح فهرست کنید. تاریخچه: [داده]

3) تنظیم پشتیبان:

طرحی برای بک آزمودن یک مدل پیش بینی تقاضا بنویسید: تمایز آموزش/آزمون، معیار خطا (مانند MAPE)، آستانه پذیرش. همچنین یک مدل قیاسی ساده (ساده لوح) پیشنهاد کنید. زمینه: [محصول، اندازه داده]

4) فیلتر بخش روند:

این سیگنال‌های روند را با توجه به بخش مشتریان خود (سن، قیمت، سبک) ارزیابی کنید: کدام یک قوی هستند، کدام خطرناک/بی‌ربط؟ برای هرکدام توجیهی اضافه کنید و با داده های فروش اعتبار سنجی را پیشنهاد دهید. سیگنال ها: [فهرست]

جدول منبع و قابلیت اطمینان

منبع داده

چه سیگنالی می دهد؟

قدرت

مرز

سابقه فروش خود

تقاضای واقعی

بالا

در محصول جدید نیست

داده های تماس

قصد اولیه

متوسط

ممکن است برای خرید برنگردد

رسانه های اجتماعی

دید/احساس

متوسط

انحراف بخش، نویز

خدمات روند

پیش بینی متخصص

متوسط

عمومی، برای همه باز است

داده های رقیب/بازار

موقعیت یابی

متوسط

با تاخیر، جزئی

احتیاط: هیچ پیش بینی آینده را تضمین نمی کند. یک لحظه ویروسی، پیش بینی آب و هوا، شوک اقتصادی یا بحران عرضه می تواند حتی بهترین مدل را فریب دهد. از تخمین به عنوان ابزار احتمال استفاده کنید. کورکورانه به یک عدد نچسبید و با شروع فروش واقعی، طرح را اصلاح کنید.

اشتباهات رایج

• اعتماد کورکورانه به پیش بینی دقیق محدوده و احتمال تصمیمات هوشمندانه تری را ایجاد می کند.
• دریافت سیگنال روند بدون فیلتر کردن بخش. روند جهانی ممکن است برای مخاطبان شما صدق نکند.
• انجام ندادن بک تست مدلی که در گذشته بد بود، در آینده قابل اعتماد نیست.
• اشتباه گرفتن فصلی با یک روند. اشتباه گرفتن رشد فصلی با رشد دائمی منجر به تولید بیش از حد می شود.
• عدم بازنگری در طرح با شروع فروش واقعی، پیش بینی باید به روز شود.

به طور خلاصه

تحلیل روند مد و پیش‌بینی تقاضا تلاشی برای کاهش عدم قطعیت شرط‌بندی در آینده است. هوش مصنوعی روندها را از سیگنال های چند منبع (رسانه های اجتماعی، جستجو، فروش) استخراج می کند و پیش بینی تقاضا را توسط SKU تولید می کند. اما سیگنال باید از فیلتر سگمنت عبور کند، پیش بینی باید با فاصله باشد و بک تست شود. الگو ابزار امکان است نه پیامبر; تصمیم نهایی سهام و ریسک پذیری در قضاوت تجاری باقی می ماند.

وظیفه کاربردی

یک رگه فروش ماهانه سه ساله ساختگی (یا واقعی) برای SKU ایجاد کنید. الگوهای "تجزیه فصلی" و "پیش بینی فاصله زمانی" را از این واحد اعمال کنید. به محدوده پیش بینی ارائه شده توسط هوش مصنوعی نگاه کنید و در یک پاراگراف توضیح دهید که شما به عنوان یک خریدار، اولین سفارش را در کجای محدوده قرار می دهید و چرا (اشتها به ریسک). همچنین در یک جمله بنویسید که چگونه این پیش‌بینی را پس‌آزمایی می‌کنید.

چک لیست

• [ ] من پیش بینی ها را با دامنه و احتمال ارزیابی می کنم، نه نقطه ای.
• [ ] من سیگنال های روند را با بخش مشتری خودم فیلتر می کنم.
• [ ] من مدل ها را از طریق بک تست اعتبار سنجی می کنم.
• [ ] من بین فصلی و روند دائمی تمایز قائل هستم.
• [ ] با شروع فروش واقعی، طرح را اصلاح می کنم.