پیش بینی تقاضا: پیش بینی فروش، فصلی و تحلیل روند

سود:

• امکان تولید پیش‌نویس پیش‌بینی تقاضا بر اساس SKU با پشتیبانی هوش مصنوعی با ترکیب داده‌های فروش تاریخی، اثرات فصلی و عوامل خارجی.
• توانایی تفسیر دقت پیش‌بینی (MAPE، سوگیری) و تشخیص پیامدهای تجاری ناشی از برآورد بیش از حد و دست کم‌گرفتن
• توانایی حفظ این موضوع که پیش‌بینی تولید شده توسط هوش مصنوعی یک پیش‌بینی است و تصمیم نهایی به مدیر به همراه هزینه سهام و جریان نقدی تعلق دارد.

دو اشتباه گران قیمت در خرده فروشی وجود دارد: نگهداری بیش از حد موجودی و اجازه دادن به پول در قفسه، یا عدم نگهداری سهام کافی و دست خالی گذاشتن مشتری. هر دو منبع یکسانی دارند: پیش بینی بد تقاضا. در این بخش شما یاد خواهید گرفت که چگونه از هوش مصنوعی به عنوان دستیار قدرتمندی استفاده کنید که آینده را از فروش گذشته پیش بینی می کند. اما از ابتدا بگوییم: پیشگویی یک پیشگویی نیست، بلکه یک پیش بینی احتمالی است. هوش مصنوعی به شما یک عدد می دهد. این وظیفه شماست که آن عدد را به یک تصمیم سفارشی تبدیل کنید.

پیش بینی تقاضا: وظیفه پیش بینی میزان فروش یک محصول یا دسته بندی در آینده با مشاهده داده های تاریخی و عوامل موثر است.

SKU (واحد نگهداری سهام): این کد سهام منحصر به فرد است که برای هر نوع محصول مختلف نگهداری می شود. به عنوان مثال، "کتانی قرمز، سایز 42" یک SKU است. شماره 43 همان مدل یک SKU جداگانه است.

سه منبع اطلاعاتی که پیش بینی را تغذیه می کند

یک پیش‌بینی خوب سه چیز را ترکیب می‌کند:

1. فروش تاریخی (پایه): فروش هفتگی/ماهانه محصول طی 12 تا 24 ماه گذشته. هوش مصنوعی یک سطح "عادی" را از این سری استخراج می کند.
2. جلوه های فصلی و تقویم: تعطیلات، ترم مدرسه، تابستان-زمستان، آخر هفته، روز پرداخت. مثلاً در تابستان بستنی و در زمستان جوراب زیاد می شود.
3. عوامل خارجی: کمپین، تغییر قیمت، آب و هوا، حرکت رقیب، افتتاح/بسته شدن. اینها تخمین را بالا یا پایین می کنند.

نکته: فقط به هوش مصنوعی نگویید "ما در ماه گذشته 100 عدد فروختیم." بگویید: "ما ماه گذشته 100 فروختیم، اما 20 درصد تخفیف داشت و هفته تعطیل بود." بدون زمینه، پیش‌بینی گمراه‌کننده است.

تولید پیش بینی گام به گام

1. داده ها را آماده کنید: یک جدول ناشناس و تمیز: تاریخ، SKU، مقدار فروخته شده، قیمت، تبلیغات/بدون تبلیغات، در دسترس بودن. روزهای موجودی را علامت بزنید. در غیر این صورت، هوش مصنوعی آن روز را «تقاضا کم» تصور خواهد کرد.
2. زمینه را بنویسید: فصل، رویدادهای آینده، کمپین های برنامه ریزی شده را یادداشت کنید.
3. درخواست پیش‌بینی: درخواست پیش‌بینی و فاصله اطمینان (بدترین/بهترین سناریو) برای یک دوره خاص، بر اساس SKU یا دسته.
4. دقت اندازه گیری: پیش بینی های گذشته خود را با واقعیت مقایسه کنید (MAPE زیر).
5. آن را به یک تصمیم تبدیل کنید: برآورد را با موجودی ایمنی و بودجه ترکیب کنید و تصمیم سفارش را بگیرید.

خواندن دقت پیش‌بینی: MAPE و سوگیری

MAPE (میانگین درصد مطلق خطا): میانگین درصد انحراف پیش بینی ها از فروش واقعی را نشان می دهد. فرمول به سادگی این است: | واقعی - پیش بینی| برای هر دوره / واقعی میانگین آنها است.

• MAPE 10% ← برآوردها به طور متوسط ​​10% انحراف دارند، بسیار خوب است.
• MAPE 40% ← پیش‌بینی‌ها غیرقابل اعتماد هستند، برای تصمیم‌گیری سفارش به بافر (ذخایر ایمنی) بیشتری نیاز است.

جهت (تعصب): آیا پیش‌بینی شما به طور مداوم بالاتر از (خطر انباشت انبار) یا پایین‌تر (خطر ذخیره‌سازی) واقعیت دارد؟ این را نیز تماشا کنید؛ MAPE جهت را نشان نمی دهد.

وضعیت

معنی

نتیجه کسب و کار

برآورد بالا مداوم

شما در مورد تقاضا اغراق می کنید

سهام اضافی، سقوط، از دست دادن حاشیه

دست کم گرفتن مداوم

شما تقاضا را دست کم می گیرید

موجود نیست، فروش از دست رفته، نارضایتی

MAPE بالا، جهت متعادل

عدم اطمینان زیاد است

ذخیره ایمنی را افزایش دهید، مرتباً بررسی کنید

MAPE کم

پیش بینی دقیق

سهام کمتر، پول نقد بهتر

موارد کوچک

مورد 1 - عدم وجود فصلی: یک فروشگاه مواد غذایی بر اساس فروش ژوئیه سال گذشته (200 عدد در ماه) دفترچه یادداشت مدرسه سفارش می دهد. زمانی که هوش مصنوعی در زمینه «ترم مدرسه آگوست-سپتامبر، فروش در این دوره در سال گذشته چهار برابر شد» داده می شود، پیش بینی به جای 200 واحد به 780 واحد افزایش می یابد. به لطف ترتیب صحیح، در طول سال تحصیلی موجودی شما تمام نمی شود. گردش مالی تخمینی 60000 لیر لیر که سال قبل از آن خارج شد، امسال گرفتار شده است.

مورد 2 - بدون احتساب روز عدم موجودی: یک فروشگاه به مدت 3 هفته فاقد موجودی قهوه محبوب بود. با نگاهی به داده‌های خام، هوش مصنوعی آن هفته‌ها را «۵ فروش در هفته» می‌بیند و تخمین پایینی ارائه می‌دهد. وقتی تحلیلگر روزهای بدون سهام را مشخص می کند و می گوید "این هفته ها منعکس کننده تقاضا نیستند"، پیش بینی به 45 در هفته افزایش می یابد. تقاضای واقعی پدیدار می شود.

مورد 3 - تعمیم اثر کمپین: یک زنجیره نساجی یک هفته تخفیف 50٪ (600 واحد) را "عادی" در نظر می گیرد و دائماً 600 سفارش می دهد. وقتی به هوش مصنوعی گفته می شود "این فروش با یک کمپین یک بار انجام شده است، هفته عادی 180 است"، پیش بینی اصلاح می شود. از خطر مازاد موجودی و متعاقب آن از دست دادن کاهش ارزش جلوگیری می شود.

افق پیش بینی: چقدر جلوتر را می توانید ببینید؟

افق پیش بینی: پیش بینی چقدر در آینده انجام می شود. قانون ساده است: هر چه افق طولانی تر باشد، عدم اطمینان بیشتر است. شما فروش هفته آینده را نسبتاً دقیق پیش بینی می کنید. شش ماه بعد با دامنه بسیار گسترده تر. بنابراین افق پیش بینی را با توجه به نیاز تصمیم گیری سفارش انتخاب کنید: افق کوتاه و به روز رسانی مکرر برای محصول تازه ای که به سرعت تمام می شود. افق طولانی تر و حاشیه ایمنی بیشتر برای محصول وارداتی با زمان های طولانی تر.

تمایز مهم دیگر، پیش بینی محصول جدید است. هیچ فروش قبلی یک SKU جدید وجود ندارد. در این صورت، تاریخچه محصولات مشابه (آنالوگ)، میانگین دسته و برنامه راه اندازی را به هوش مصنوعی می دهید. گفتن "این محصول هیچ سابقه ای ندارد؛ با مشاهده 8 هفته اول محصولات مشابه X و Y، یک تخمین اولیه ارائه دهید" راهی معقول برای پر کردن جای خالی است. با این حال، پیش بینی محصول جدید همیشه ریسک بیشتری دارد. با در دسترس قرار گرفتن داده های واقعی برای هفته های اول، به سرعت پیش بینی را تجدید نظر کنید.

احتیاط: برآورد را به عنوان درمان «یک بار انجام بده و فراموشش کن» تلقی نکنید. پیش بینی تقاضا یک فرآیند زنده است. هر هفته فروش جدید فرصتی برای به روز رسانی پیش بینی است. بهترین پیش بینی کنندگان کسانی هستند که از مدلی استفاده می کنند که اغلب به روز می شود، نه هوشمندترین مدل.

اعلان ضعیف / اعلان قوی

اعلان ضعیف:

به من بگویید این محصول در ماه آینده چقدر فروخته می شود.

هیچ زمینه ای وجود ندارد. هوش مصنوعی یک عدد تصادفی می سازد.

اعلان قدرتمند:

نقش شما: متخصص برنامه ریزی تقاضا. داده ها: در زیر مقدار و قیمت فروش ماهانه برای 18 ماه گذشته برای SKU 4471 و اینکه آیا در آن ماه کمپینی وجود دارد یا خیر. زمینه: این محصول صندل تابستانی است. تقاضا در ماه می تا آگوست به اوج خود می رسد. ماه آینده ژوئن است. هیچ کمپینی برنامه ریزی نشده است. قیمت ثابت است. وظیفه: (1) مقدار فروش مورد انتظار برای ژوئن، (2) محدوده بدترین و بهترین سناریو، (3) 2 عامل اصلی مؤثر بر پیش‌بینی. قانون: ماه‌هایی را که به‌عنوان فاقد موجودی علامت‌گذاری شده‌اند به‌عنوان تقاضای کم حساب نکنید. فقط بر اساس داده‌های داده شده. داده‌ها: [جدول چسباندن]

الگوهای درخواستی قابل کپی

1) پیش بینی مبتنی بر SKU

نقش شما: متخصص برنامه ریزی تقاضا. پیش‌بینی آینده [دوره] برای [SKU] را از سری فروش ماهانه ناشناس زیر ایجاد کنید. خروجی: مقدار مورد انتظار + بدترین / بهترین محدوده + 2 فرض. دوره‌هایی که در انبار مشخص شده‌اند را حذف کنید. داده ها: [چسباندن]

2) حذف الگوی فصلی

الگوی فصلی تکرارشونده را در مجموعه فروش 24 ماهه زیر بیابید. کدام ماه ها بالا و کدام ماه ها پایین هستند؟ انحراف از میانگین را به صورت درصد در نظر بگیرید. آن را به شکل جدول ارائه دهید. داده ها: [چسباندن]

3) ارزیابی دقت پیش بینی

در زیر برآوردهای تاریخی و فروش واقعی من آمده است. (1) MAPE را محاسبه کنید، (2) آیا پیش بینی من به طور مداوم بالاتر می رود یا پایین تر، (3) این برای سهام چه معنایی دارد؟ نمایش گام به گام. داده ها: [تخمین، ستون های واقعی]

4) تأثیر کمپین را استخراج کنید

هفته های کمپین در مجموعه فروش زیر مشخص شده است. برآورد تقاضای عادی (غیر کمپین)؛ جلوه کمپین را به عنوان یک درصد افزایش جداگانه در نظر بگیرید. بنابراین من می خواهم سطح سفارش عادی را ببینم. داده ها: [چسباندن]

اشتباهات رایج

• عدم ارائه زمینه: اگر کمپین، فصل، تغییر قیمت مشخص نشده باشد، پیش بینی گمراه کننده خواهد بود.
• آیا می‌توان روزهای خارج از انبار را به‌عنوان تقاضا حساب کرد یا خیر: دوره‌ی خارج از انبار، تقاضای واقعی را پنهان می‌کند. علامت گذاری کنید.
• پذیرش فروش تبلیغاتی به صورت عادی: تصور اینکه افزایش یکباره دائمی است منجر به اضافه شدن سهام می شود.
• تکیه بر یک عدد: نخواستن محدوده (سناریو) و تکیه بر یک نقطه خطر را پنهان می کند.
• اصلا دقت اندازه گیری نمی شود: اگر MAPE و جهت نظارت نشود، پیش بینی بدتر و بدتر می شود.
• انجام سفارشات مستقیم با برآورد: سفارش بدون وجه نقد، انبار و کنترل ماندگاری.

به طور خلاصه

پیش‌بینی خوب، فروش گذشته، فصلی و عوامل خارجی را ترکیب می‌کند. حتماً به هوش مصنوعی زمینه (کمپین، فصل، روزهای خارج از انبار) بدهید. دقت پیش‌بینی را با MAPE و جهت سوگیری نظارت کنید. سهام ایمنی را در عدم قطعیت بالا افزایش دهید. پیش بینی یک پیش بینی است. تصمیم نهایی برای سفارش، همراه با بودجه و محدودیت ها، با شماست.

وظیفه کاربردی

فروش 5 SKU پرفروش خود را در 12 تا 18 ماه گذشته در جدولی ناشناس دریافت کنید و دوره های موجودی و کمپین را علامت بزنید. با اعلان "1) پیش بینی مبتنی بر SKU" یک پیش بینی آینده ایجاد کنید، سپس MAPE پیش بینی های گذشته خود را با "3) ارزیابی دقت پیش بینی استخراج کنید. نتیجه را با تصمیم سفارش خود مقایسه کنید.

چک لیست

• [ ] من اطلاعات فروش خود را ناشناس و پاک کردم.
• [ ] دوره های موجودی و کمپین را مشخص کردم.
• [ ] من فصل و زمینه عوامل خارجی را به هوش مصنوعی دادم.
• [ ] من یک محدوده سناریو می خواستم، نه یک عدد.
• [ ] من MAPE و جهت انحراف را بررسی کردم.
• [ ] من تصمیم سفارش را بر اساس بودجه و محدودیت ها گرفتم.