پیش بینی تقاضا: مدیریت سری های زمانی، فصلی و عدم قطعیت

سود:

• توانایی درک مفاهیم سری زمانی، روند، فصلی بودن و تاثیر کمپین و استفاده از هوش مصنوعی برای پیش بینی تقاضا با سوالات صحیح و داده های تمیز.
• توانایی تفسیر دقت پیش بینی (MAPE، انحراف) و عدم قطعیت (فاصله اطمینان، سناریوها) و برنامه ریزی مبنا بر روی یک محدوده به جای یک عدد واحد
• توانایی تشخیص اینکه پیش‌بینی هوش مصنوعی بر اساس داده‌های تاریخی است و قضاوت متخصص در مواردی مانند محصولات جدید، تبلیغات یا بحران‌های عرضه مطرح می‌شود.

هر تصمیم در زنجیره تامین بر اساس یک سوال است: چقدر تقاضا وجود خواهد داشت؟ هرچه دقیق‌تر به این سوال پاسخ دهید، سهام کمتری در اختیار دارید، سهام کمتری از آن خارج می‌شوید و پول کمتری به دست می‌آورید. پیش بینی تقاضا موتور زنجیره تامین است. برنامه های انبار، خرید، تولید و حمل و نقل همه از اینجا تغذیه می شوند. هوش مصنوعی در این زمینه بسیار قدرتمند است زیرا تاریخ هزاران محصول را بسیار سریعتر از انسان اسکن می کند و الگوها را استخراج می کند. اما منبع قدرت آن نیز محدودیت آن است: هوش مصنوعی از گذشته درس می گیرد. اگر آینده شبیه گذشته نباشد، اشتباه است. در این بخش، زبان پیش‌بینی، دقت اندازه‌گیری، مدیریت عدم قطعیت و جایی که هوش مصنوعی باید به شما تسلیم شود را یاد می‌گیریم.

زبان پیش بینی: سری زمانی، روند، فصلی

داده های تقاضا معمولاً یک سری زمانی هستند - یک سری اعداد مرتب شده بر اساس زمان، مانند فروش هر روز یک محصول. تقسیم این دنباله به سه قسمت اساس پیش بینی است:

روند، جهت بلندمدت: آیا فروش سال به سال افزایش می یابد یا کاهش می یابد؟ فصلی بودن، نوسانات مکرر: بستنی در تابستان فروخته می شود، بخاری در زمستان فروخته می شود. جمعه و شنبه بازار شلوغ است. نویز، پخش تصادفی غیرقابل توضیح. یک پیش‌بینی خوب روند و فصلی بودن را نشان می‌دهد و فریب نویز را نمی‌خورد. علاوه بر اینها، رویدادها انباشته می شوند: کمپین، تبلیغات، تعطیلات عمومی، آب و هوا، حرکت رقیب. وقتی هوش مصنوعی را پیش‌بینی می‌کنید، باید این وقایع را به آن بگویید. اگر به او نگویید، او فکر می کند که پریدن در روز مبارزات انتخاباتی «عادی» است و در مورد آینده اشتباه می کند.

نکته: هنگامی که داده‌های خام فروش را به هوش مصنوعی می‌دهید، کمپین‌ها، تعطیلات و روزهای خالی از انبار را علامت‌گذاری کنید. روز بدون موجودی مهم است: فروش آن روز کم به نظر می رسد، اما تقاضای واقعی بالا بود، فقط کالایی در دسترس نبود. اگر این را مشخص نکنید، هوش مصنوعی تقاضای واقعی را دست کم می گیرد.

دقت اندازه گیری: MAPE و بایاس

"آیا پیش بینی خوب است؟" پاسخ به سوال از اندازه گیری می آید نه احساس. رایج ترین شاخص MAPE است (میانگین درصد مطلق خطا - به طور متوسط ​​چند درصد از پیش بینی ها از واقعیت منحرف می شود). اگر MAPE 10٪ باشد، به این معنی است که پیش بینی های شما به طور متوسط ​​10٪ ارزش واقعی را از دست می دهند. MAPE کمتر بهتر است. دومین مفهوم مهم سوگیری است: آیا پیش‌بینی شما به طور مداوم بالاتر از (تولید مازاد موجودی) یا کم‌بودن (ترک ذخایر) واقعیت است؟ حتی اگر پیش بینی دارای MAPE پایین باشد، اگر همیشه در یک جهت منحرف شود، یک مشکل سیستماتیک وجود دارد.

می توانید بخشی از تاریخچه را به عنوان "آموزش" و بخشی از آن را به عنوان "تست" به هوش مصنوعی بدهید و پیش بینی آن را با واقعیت مقایسه کنید. این راه صادقانه برای ایجاد اعتماد است: آزمایش مدل بر روی داده هایی که ندیده است. یک پیش‌بینی تنها زمانی ارزش دارد که در آینده سازگار باشد.

احتیاط: هیچ پیش بینی 100٪ دقیق نیست. انتظار نمی رود این اتفاق بیفتد. هدف تولید یک عدد واحد کامل نیست، بلکه یک محدوده قابل کنترل با دانستن انحراف است. ایده دوتایی "پیش بینی درست شد / کار نکرد" اشتباه است. سوال صحیح این است که "چقدر انحراف داشت و بر این اساس چقدر بافر نگه داشتم؟"

مدیریت عدم قطعیت: محدوده، نه عدد واحد

خطرناک ترین عادت برنامه ریز این است که با پیش بینی به عنوان یک عدد سخت برخورد کند. در واقعیت، هر پیش‌بینی یک فاصله اطمینان دارد - مانند "تقاضا در ماه آینده به احتمال زیاد بین 900 تا 1100 است." هر چه این محدوده وسیع تر باشد، عدم قطعیت بیشتر است. دانستن محدوده به طور مستقیم بر تصمیم سهام شما تأثیر می گذارد: محدوده باریک به سهام ایمنی کمتری نیاز دارد، دامنه وسیع به بافر بیشتری نیاز دارد.

بنابراین همیشه از هوش مصنوعی سناریوها را بخواهید: بدبینانه (اگر تقاضا کم شود)، مورد انتظار و خوش بینانه (اگر تقاضا زیاد شود). با مشاهده سه سناریو، این طرح نه بر یک فرض واحد بلکه بر طیفی از احتمالات ممکن استوار است. این عملی ترین راه برای رهایی از تله "قفل شده در عدد واحد" است.

گام به گام: مطالعه پیش بینی تقاضا با هوش مصنوعی

1. داده ها را پاک کنید علامت گذاری روزهای از دست رفته، روزهای خارج از انبار، باز کردن سوابق اشتباه. با کد محصول ناشناس کار کنید.
2. رویدادها را تگ کنید. روزهای کمپین، تعطیلات و تبلیغات را به داده ها اضافه کنید.
3. الگو را کم کنید. از هوش مصنوعی بخواهید روندها، فصلی بودن و رویدادهای قابل توجه را خلاصه کند.
4. تستش کن آخرین بخش تاریخ را ذخیره کنید، اجازه دهید هوش مصنوعی پیش بینی کند، با واقعیت مقایسه کنید (MAPE و جهت سوگیری).
5. یک سناریو ایجاد کنید. سه پیش بینی بدبینانه / مورد انتظار / خوش بینانه و فاصله اطمینان برای هر کدام را بخواهید.
6. فیلتر تخصصی هوش مصنوعی از اختلالات شناخته شده آتی (محصول جدید، بحران عرضه، قانون) اطلاعی ندارد. آنها را به صورت دستی اضافه کنید طرح نهایی با شماست.

سه کیف کوچک

مورد 1 - گرفتن فصلی. یک توزیع کننده نوشیدنی شکایت می کرد که در ماه های تابستان دائماً موجودی اش تمام می شود و در زمستان با اجناس مانده است. برنامه ریز 3 سال فروش روزانه ناشناس را به YZ داد و فصلی بودن را حذف کرد: تقاضای ژوئن تا آگوست 2.4 برابر میانگین زمستان بود و جهش از اواسط ماه مه هر سال شروع شد. طبق این الگو، او سهام تابستانی خود را 3 هفته قبل تنظیم کرد. سهام مرده تابستان 70 درصد کاهش یافت، سهام مرده زمستان کاهش یافت. هوش مصنوعی الگو را نشان داد. برنامه ریز تصمیم به سهام گرفت.

مورد 2 - تسلیم شدن به محصول جدید. یک شرکت قصد داشت یک محصول کاملاً جدید را عرضه کند. هیچ داده تاریخی فروش وجود نداشت. برنامه ریز از هوش مصنوعی پرسید: "تقاضا برای 3 ماه اول چقدر خواهد بود؟" او پرسید. هوش مصنوعی عددی را تولید کرد که معقول به نظر می رسید - اما برنامه ریز می دانست که بی اساس است: هیچ داده ای وجود نداشت. در عوض، هوش مصنوعی می‌پرسد: «الگوی 3 ماهه اول محصولاتی که در گذشته در بخش‌های مشابه عرضه می‌شدند چه بود؟» تجزیه و تحلیل کنید و آن را به عنوان یک محدوده پیش بینی، با سهام اولیه محتاطانه تنظیم کنید. قضاوت کارشناسان اعتماد ساختگی هوش مصنوعی را رد کرد.

مورد 3 — بدون سهام تله روز است. یک تحلیلگر به این نتیجه رسید که تقاضا برای یک محصول کاهش یافته است و توصیه کرد که موجودی کالا کاهش یابد. همکار ارشد او متوجه شد که روزهای فروش کم در داده ها در واقع روزهایی هستند که موجودی نداشتند: تقاضا کاهش نیافته بود، کالایی وجود نداشت. وقتی داده ها با این یادداشت اصلاح شد و دوباره در اختیار هوش مصنوعی قرار گرفت، مشاهده شد که تقاضای واقعی افزایش یافته است. داده هایی که به درستی تمیز نشده اند، پیش بینی های نادرستی ایجاد می کنند.

چهار قالب قابل کپی

1) استخراج الگو:

نقش شما: دستیار تحلیلگر برنامه ریزی تقاضا. در زیر اطلاعات فروش ماهانه یک محصول (کد ناشناس: PRODUCT-X) برای 36 ماه گذشته آمده است. ماه‌های کمپین [فهرست ماه]، ماه‌های بدون سهام [فهرست ماه]. وظیفه: (1) روند، (2) الگوی فصلی، (3) رویدادهای قابل توجه را خلاصه کنید. در نظر بگیرید که ماه‌های بدون سهام تقاضای واقعی را پنهان می‌کنند. ماهی که من داده ای ارائه نکردم ساختگی است.

2) تست دقت:

6 ماه گذشته را با استفاده از 30 ماه اول از 36 ماه زیر پیش بینی کنید. سپس پیش بینی من را با 6 ماه گذشته مقایسه کنید. انحراف و MAPE کل را برای هر ماه محاسبه کنید. به من بگویید اگر برآورد شما به طور مداوم مغرضانه است. نمایش فرمول

3) پیش بینی سناریو:

تقاضای ماهانه سه ماهه آینده برای این محصول را در 3 سناریو بدبینانه / مورد انتظار / خوش بینانه برآورد کنید. برای هر سناریو یک فاصله اطمینان قائل شوید و بنویسید که بر اساس کدام فرض است. توجه داشته باشید که این قطعی نیست بلکه یک فاصله زمانی برای برنامه ریزی است.

4) کنترل شکست:

فهرست کنید که چگونه پیش‌بینی براساس داده‌های تاریخی که به شما ارائه دادم می‌تواند توسط رویدادهای آتی زیر باطل شود: [محصول جدید / ارتقاء / بحران عرضه / تغییر نظارتی]. پیشنهاد دهید که چگونه باید پیش‌بینی را برای هر کدام به صورت دستی تنظیم کنم.

اعلان ضعیف / اعلان قوی

اعلان ضعیف:

ماه آینده چقدر می فروشم؟

بدون داده، بدون محصول، بدون زمینه. هوش مصنوعی یا رد می کند یا جبران می کند. هیچ یک از نتایج کار نمی کند.

اعلان قدرتمند:

نقش شما: دستیار برنامه ریزی تقاضا. در زیر میزان فروش PRODUCT-X در 24 ماه گذشته آمده است. ماه های کمپین و ماه های بدون سهام مشخص شده اند. پیش بینی بدبینانه / مورد انتظار / خوش بینانه برای 3 ماه آینده ارائه دهید، فاصله اطمینان را به هر یک اضافه کنید، MAPE را در آزمون گذشته نشان دهید. وانمود کنید که من تصمیم نهایی سهام را دارم.

رویکرد

ضربه بزنید

مدیریت عدم قطعیت

ریسک

تکیه بر شماره واحد

گمراه کننده

هیچ کدام

بالا - طرح فرو می ریزد

سناریو + محدوده

واقع بینانه

خوب

پایین

فقط شهود

متغیر

ضعیف

متوسط به بالا

اطاعت کورکورانه از هوش مصنوعی

متغیر

هیچ کدام

بالا

اشتباهات رایج

• اشتباه گرفتن روز اتمام موجودی با تقاضای کم واقعی. وقتی کالا در دسترس نباشد، فروش کم به نظر می رسد. این بدان معنا نیست که تقاضا کاهش یافته است.
• قفل شدن در یک شماره مشاهده پیشگویی به عنوان یک حقیقت مطلق، نادیده گرفتن عدم قطعیت است. همیشه محدوده و سناریو را بخواهید.
• برچسب گذاری نکردن کمپین مدلی که فکر می‌کند پرش تبلیغاتی «عادی» است، آینده را مخدوش می‌کند.
• پیش بینی محصول جدید بدون سابقه تعداد به ظاهر ایمن هوش مصنوعی برای محصول بدون داده بی اساس است.
• شکستن را به هوش مصنوعی بسپاریم. هوش مصنوعی شکست های ساختاری مانند بیماری های همه گیر، بحران های عرضه و قوانین را نمی شناسد. مداخله کارشناسی باید انجام شود.

احتیاط: مهم نیست که یک پیش‌بینی چقدر خوب به نظر می‌رسد، نمی‌تواند بهتر از کیفیت داده‌هایی باشد که بر اساس آن است. "زباله داخل، زباله بیرون." بیشتر وقت خود را صرف تمیز کردن داده ها کنید. قسمت مدل بقیه کارها را انجام می دهد.

به طور خلاصه

پیش بینی تقاضا موتور زنجیره تامین است و هوش مصنوعی دستیار قدرتمندی است که به این موتور سرعت می بخشد. اما هوش مصنوعی از گذشته درس می گیرد. زمانی اشتباه می شود که آینده شبیه گذشته نباشد. روند و فصلی را ضبط کنید، رویدادها را برچسب گذاری کنید، دقت را با MAPE و جهت رانش اندازه گیری کنید، پیش بینی را به عنوان سناریو و محدوده تنظیم کنید، نه عدد واحد. قضاوت تخصصی در محصولات جدید و شکست های ساختاری حرف اول را می زند. پاکسازی داده ها اساس همه چیز است. طرح نهایی با شماست.

وظیفه کاربردی

داده‌های فروش 12 تا 24 ماه گذشته یکی از محصولات خودتان (یا یک محصول فرضی) را دریافت کنید، کمپین و ماه‌های موجود را علامت‌گذاری کنید. از هوش مصنوعی سه سناریو با الگوی «پیش‌بینی سناریو» بخواهید. سپس مقداری از تاریخچه را با الگوی "تست دقت" ذخیره کنید و پیش بینی را با واقعیت مقایسه کنید. MAPE را که پیدا کردید و سناریویی را که انتخاب کردید همراه با دلیل آن در 5 مورد بنویسید. همچنین مشخص کنید کدام بافر امنیتی را اضافه کنید.

چک لیست

• [ ] آیا داده ها را پاک کرده ام، روزهای بدون موجودی و کمپین مشخص شده را پاک کرده ام؟
• [ ] آیا من پیش بینی را با MAPE و جهت سوگیری از طریق آزمون پس زمینه تأیید کرده ام؟
• [ ] آیا من یک سناریو و فاصله اطمینان به جای یک عدد درخواست کردم؟
• [ ] اگر محصول / شکستگی جدیدی وجود داشته باشد، آیا قضاوت متخصص را در اولویت قرار داده ام؟
• [ ] آیا من طرح سهام نهایی را در معرض تایید خودم قرار داده ام؟