Voitot:
- Kyky ymmärtää aikasarjan, trendin, kausivaihtelun ja kampanjavaikutuksen käsitteet sekä käyttää tekoälyä kysynnän ennustamiseen oikeilla kysymyksillä ja puhtaalla datalla.
- Kyky tulkita ennusteen tarkkuutta (MAPE, poikkeama) ja epävarmuutta (luottamusväli, skenaariot) ja perustaa suunnittelun vaihteluväliin yhden numeron sijaan
- Pystyä erottamaan, että tekoälyn ennuste perustuu historiallisiin tietoihin ja että asiantuntija-arvio tulee etualalle katkoissa, kuten uusien tuotteiden, kampanjoiden tai toimituskriisien yhteydessä.
Jokainen toimitusketjun päätös perustuu yhteen kysymykseen: kuinka paljon kysyntää tulee olemaan? Mitä tarkemmin vastaat tähän kysymykseen, sitä vähemmän osakkeita sinulla on, sitä vähemmän osakkeita pysyt poissa ja sitä vähemmän rahaa sitoudut. Kysynnän ennustaminen on toimitusketjun moottori; Varasto-, osto-, tuotanto- ja kuljetussuunnitelmat syötetään täältä. Tekoäly on erittäin voimakas tällä alalla, koska se skannaa tuhansien tuotteiden historiaa paljon nopeammin kuin ihminen ja poimii kuvioita. Mutta sen voiman lähde on myös sen raja: tekoäly oppii menneisyydestä; Jos tulevaisuus ei muistuta menneisyyttä, se on väärin. Tässä osiossa opimme ennustamisen kielen, mittaustarkkuuden, epävarmuuden hallinnan ja sen, missä tekoälyn pitäisi antautua sinulle.
Ennusteen kieli: aikasarja, trendi, kausivaihtelu
Kysyntätiedot ovat yleensä aikasarjoja – ajan mukaan järjestettyjä numeroita, kuten tuotteen kunkin päivän myynti. Tämän sekvenssin jakaminen kolmeen osaan on ennusteen perusta:
Trendi, pitkän aikavälin suunta: kasvaako vai laskeeko myynti vuosi vuodelta? Kausiluonteisuus, säännöllisesti toistuva vaihtelu: jäätelö myy kesällä, kiuas myy talvella; Markkinoilla on kiire perjantaisin ja lauantaisin. Melu, selittämätön satunnainen soitto. Hyvä ennuste kuvaa trendejä ja kausivaihteluita, eikä melu petä sitä. Näiden päälle kasaantuvat tapahtumat: kampanja, promootio, juhlapyhä, sää, kilpailijamuutto. Kun teet tekoälyn ennustamaan, sinun on kerrottava sille nämä tapahtumat; Jos et kerro hänelle, hän ajattelee, että kampanjapäivänä hyppääminen on "normaalia" ja tekee virheen tulevaisuudesta.
Vinkki: Kun annat raakamyyntitietoja tekoälylle, merkitse kampanjat, juhlapäivät ja loppupäivät. Päivä ilman varastoa on tärkeä: myynti näyttää olevan alhainen sinä päivänä, mutta todellinen kysyntä oli korkea, tavaroita ei vain ollut saatavilla. Jos et määritä tätä, tekoäly aliarvioi todellisen kysynnän.
Mittaustarkkuus: MAPE ja bias
"Onko ennuste hyvä?" Vastaus kysymykseen tulee mittauksesta, ei tunteesta. Yleisin indikaattori on MAPE (Mean Absolute Percent Error – kuinka monta prosenttiyksikköä keskimäärin ennusteet poikkeavat todellisuudesta). Jos MAPE on 10 %, se tarkoittaa, että ennustuksesi ohittavat todellisen arvon keskimäärin 10 %; alempi MAPE on parempi. Toinen tärkeä käsite on harha: onko ennustesi johdonmukaisesti todellisuuden yläpuolella (tuottaa ylivarastoa) vai alivarastoa (jättää alivarastoja)? Vaikka ennusteella olisi alhainen MAPE, jos se poikkeaa aina samaan suuntaan, on olemassa systemaattinen ongelma.
Voit antaa tekoälyn historiasta osan "koulutukseksi" ja osan "testaukseksi" ja verrata sen ennustetta todellisuuteen. Tämä on rehellinen tapa rakentaa luottamusta: mallin testaaminen tiedoilla, joita se ei ole nähnyt. Ennustus kannattaa soveltaa tulevaisuuteen vain, jos se on osoittautunut johdonmukaiseksi aiemmin.
Varoitus: Mikään ennuste ei ole 100 % tarkka; Sen ei odoteta tapahtuvan. Tavoitteena ei ole tuottaa täydellistä yksittäistä lukua, vaan hallittavissa olevaa vaihteluväliä tietäen poikkeama. Binäärikäsitys "ennustus toteutui/se ei toiminut" on väärä; Oikea kysymys on "kuinka paljon se poikkesi ja kuinka paljon puskuria pidin vastaavasti?"
Epävarmuuden hallinta: alue, ei yksittäinen numero
Suunnittelijan vaarallisin tapa on käsitellä ennustetta yhtenä kovana numerona. Todellisuudessa jokaisella ennusteella on luottamusväli - kuten "kysyntä ensi kuussa on todennäköisimmin 900 ja 1 100 välillä". Mitä laajempi tämä vaihteluväli, sitä suurempi on epävarmuus. Kantaman tunteminen vaikuttaa suoraan varastopäätökseesi: kapea alue vaatii vähemmän turvavarastoa, laaja alue vaatii enemmän puskuria.
Joten kysy aina tekoälyltä skenaarioita: pessimistinen (jos kysyntä osoittautuu alhaiseksi), odotettu ja optimistinen (jos kysyntä on korkea). Kolmen skenaarion perusteella suunnitelma ei perustu yhteen oletukseen vaan useisiin mahdollisiin mahdollisuuksiin. Tämä on käytännöllisin tapa päästä ulos "lukituista yksittäisistä numeroista" -ansasta.
Askel askeleelta: Kysynnän ennustamistutkimus tekoälyn kanssa
- Tyhjennä tiedot. Merkitse puuttuvat päivät, loppupäivät, avaa virheelliset tietueet; Työskentele anonyymin tuotekoodin kanssa.
- Merkitse tapahtumat. Lisää tietoihin kampanja-, loma- ja promootiopäivät.
- Vähennä kuvio. Pyydä tekoälyä tekemään yhteenveto trendeistä, kausivaihteluista ja merkittävistä tapahtumista.
- Testaa sitä. Tallenna historian viimeinen osa, anna tekoälyn ennustaa, verrata todellisuuteen (MAPE ja bias-suunta).
- Luo skenaario. Pyydä kolme ennustetta, pessimistinen/odotettu/optimistinen, sekä luottamusväli jokaiselle.
- Asiantunteva suodatin. Tekoäly ei tiedä tunnetuista tulevista häiriöistä (uusi tuote, toimituskriisi, lainsäädäntö); lisää ne manuaalisesti. Lopullinen suunnitelma on sinun.
kolme minilaukkua
Tapaus 1 – Kausiluontoisuus. Eräs juomien jakelija valitti, että hän oli jatkuvasti loppu varastosta kesäkuukausina ja talvella jäi tavaraa. Suunnittelija antoi YZ:lle 3 vuotta nimetöntä päivittäistä myyntiä ja kausivaihtelut poistettiin: kesä-elokuussa kysyntä oli 2,4-kertainen talven keskiarvoon verrattuna, ja nousu alkoi vuosittain toukokuun puolivälissä. Tämän kaavan mukaan hän asetti kesävarastonsa 3 viikkoa etukäteen; kesän kuollut varasto laski 70 %, talven kuollut varasto laski. AI näytti kuvion; Suunnittelija teki osakepäätöksen.
Tapaus 2 – Luopuminen uudelle tuotteelle. Yritys aikoi tuoda markkinoille aivan uuden tuotteen; Historiallisia myyntitietoja ei ollut. Suunnittelija kysyi tekoälyltä: "Mikä on kysyntä ensimmäisten 3 kuukauden aikana?" hän kysyi. Tekoäly tuotti luvun, joka vaikutti kohtuulliselta - mutta suunnittelija tiesi, että se oli perusteeton: tietoja ei ollut. Sen sijaan tekoäly kysyy: "Mikä oli ensimmäinen kolmen kuukauden malli, jonka tuotteet julkaistiin aiemmin samanlaisissa segmenteissä?" analyysi ja määritä se ennustealueeksi varovaisella alkuvarastolla. Asiantuntijan arvio kumosi tekoälyn kuvitteellisen luottamuksen.
Tapaus 3 — Stockless on päivän ansa. Analyytikko päätteli, että tuotteen kysyntä oli laskenut, ja suositteli varastojen vähentämistä. Hänen vanhempi kollegansa huomasi, että tiedoissa olevat alhaiset myyntipäivät olivat itse asiassa loppupäiviä: kysyntä ei ollut laskenut, tavaraa ei ollut. Kun tiedot korjattiin tällä huomautuksella ja annettiin uudelleen tekoälylle, nähtiin, että todellinen kysyntä kasvoi. Väärin puhdistettu data tuottaa vääriä ennusteita.
Neljä kopioitavaa mallia
1) Kuvion poiminta:
Tehtäväsi: kysynnän suunnittelun analyytikko. Alla on tuotteen kuukausittaiset myyntitiedot (anonyymi koodi: PRODUCT-X) viimeisten 36 kuukauden ajalta. Kampanjakuukaudet [kuukausiluettelo], varastottomat kuukaudet [kuukausiluettelo]. Tehtävä: Tee yhteenveto (1) trendistä, (2) vuodenajasta, (3) merkittävistä tapahtumista. Ota huomioon, että kuukaudet ilman varastoa piilottavat todellisen kysynnän. Kuukausi, jolta en toimittanut tietoja, on keksitty.
2) Tarkkuustesti:
Ennusta viimeiset 6 kuukautta käyttämällä 30 ensimmäistä alla olevista 36 kuukaudesta. Vertaa sitten ennustustani todelliseen viimeiseen 6 kuukauteen; Laske poikkeama ja kokonaisMAPE jokaiselle kuukaudelle. Kerro, onko arviosi jatkuvasti puolueellinen. Näytä kaava.
3) Skenaarion ennuste:
Arvioi seuraavan vuosineljänneksen kuukausittainen kysyntä tälle tuotteelle kolmessa skenaariossa: pessimistinen / odotettu / optimistinen. Anna kullekin skenaariolle luottamusväli ja kirjoita ylös, mihin olettamukseen se perustuu. Huomaa, että tämä ei ole lopullinen, vaan aikaväli suunnittelua varten.
4) Rikkoutumisen hallinta:
Luettele, kuinka antamani historiatietoihin perustuva ennuste voi mitätöidä seuraavien tulevien tapahtumien vuoksi: [uusi tuote / tarjous / toimituskriisi / sääntelymuutos]. Ehdota, kuinka minun pitäisi säätää ennustetta manuaalisesti kullekin.
Heikko kehote / Vahva kehote
Heikko kehote:
Kuinka paljon myyn ensi kuussa?
Ei dataa, ei tuotetta, ei kontekstia. AI joko hylkää tai sovittaa; kumpikaan tulos ei toimi.
Tehokas kehotus:
Tehtäväsi: kysynnän suunnitteluassistentti. Alla on PRODUCT-X:n myynti viimeisen 24 kuukauden ajalta; Kampanjakuukaudet ja varastottomat kuukaudet on merkitty. Anna pessimistinen/odotettu/optimistinen ennuste seuraaville 3 kuukaudelle, lisää kuhunkin luottamusväli, näytä MAPE edellisen testin aikana. Kuvittele, että minulla on lopullinen osakepäätös.
Lähestymistapa
osuma
epävarmuuden hallinta
Riski
luottaa yhteen numeroon
harhaanjohtavaa
Ei mitään
Korkea – suunnitelma romahtaa
Skenaario + alue
realistinen
hyvä
alhainen
vain intuitiota
Muuttuva
heikko
keskikorkea
Sokeasti totteleva tekoälyä
Muuttuva
Ei mitään
korkea
Yleisiä virheitä
- Varastopäivän erehtyminen todella alhaiseen kysyntään. Kun tavaroita ei ole saatavilla, myynti näyttää alhaiselta; Tämä ei tarkoita, että kysyntä olisi laskenut.
- Lukitus yhteen numeroon. Ennustuksen näkeminen absoluuttisena totuutena tarkoittaa epävarmuuden huomioimista; Kysy aina aluetta ja skenaariota.
- Kampanjaa ei tunnisteta. Malli, joka ajattelee myynninedistämisen olevan "normaalia", vääristää tulevaisuutta.
- Ennuste uuteen tuotteeseen ilman historiaa. Näennäisesti turvallinen tekoälyn määrä tuotteelle ilman dataa on perusteeton.
- Jätä rikkominen tekoälylle. Tekoäly ei tunne rakenteellisia katkoksia, kuten epidemioita, toimituskriisejä ja lainsäädäntöä; Asiantuntijan väliintulo on tehtävä.
Varoitus: Vaikka ennuste näyttää kuinka hyvältä, se ei voi olla parempi kuin sen datan laatu, johon se perustuu. "Roskat sisään, roskat ulos." Käytä suurimman osan ajasta tietojen puhdistamiseen; Malliosa hoitaa loput.
Yhteenvetona
Kysynnän ennustaminen on toimitusketjun moottori, ja tekoäly on tehokas apulainen, joka nopeuttaa tätä moottoria. Mutta tekoäly oppii menneisyydestä; erehtyy, kun tulevaisuus ei muistuta menneisyyttä. Tallenna trendit ja kausivaihtelut, merkitse tapahtumat, mittaa tarkkuus MAPE:lla ja ajautumissuunnassa, aseta ennuste skenaarioksi ja vaihteluväliksi, ei yksittäiseksi numeroksi. Asiantuntija-arvio on etusijalla uusissa tuotteissa ja rakennekatkoissa. Tietojen puhdistaminen on kaiken perusta; Lopullinen suunnitelma on sinun.
Sovellustehtävä
Hanki myyntitiedot jonkin oman tuotteesi (tai hypoteettisen tuotteen) viimeisten 12-24 kuukauden ajalta, merkitse kampanja- ja loppukuukaudet. Pyydä tekoälyltä kolme skenaariota "skenaarion ennuste" -mallin avulla. Tallenna sitten osa historiasta "Tarkkuustesti" -mallin avulla ja vertaa ennustetta todellisuuteen. Kirjoita löytämäsi MAPE ja valitsemasi skenaario sekä sen syy muistiin 5 kohdassa; Määritä myös, minkä suojauspuskurin lisäät.
tarkistuslista
- [ ] Olenko tyhjentänyt tiedot, merkinnyt loppu- ja kampanjapäivät?
- [ ] Olenko vahvistanut ennusteen MAPE:lla ja bias-suunnalla jälkitestauksen avulla?
- [ ] Pyysinkö skenaariota ja luottamusväliä yhden numeron sijaan?
- [ ] Jos kyseessä on uusi tuote/rikko, olenko priorisoinut asiantuntija-arviota?
- [ ] Olenko hyväksynyt lopullisen osakesuunnitelman?