માંગની આગાહી

નફો:

• માંગની આગાહી કરવાની પદ્ધતિઓને અલગ પાડવાની ક્ષમતા (મૂવિંગ એવરેજ, ઘાતાંકીય સ્મૂથિંગ, મોસમ)
• AI સાથે આગાહીના દૃશ્યો સેટ કરવાની અને MAPE/MAE જેવા મેટ્રિક્સ સાથે સચોટતાનું મૂલ્યાંકન કરવાની ક્ષમતા
• વ્યવસાય સંદર્ભ અને પ્રમોશનલ/મોસમી અસરો સાથે અનુમાન આઉટપુટને ક્રોસ-ચેક કરવાની ક્ષમતા

ડિમાન્ડ ફોરકાસ્ટિંગ એ આધાર છે જેના પર ઉત્પાદન આયોજન, ઇન્વેન્ટરી મેનેજમેન્ટ અને સમગ્ર સપ્લાય ચેઇન આધારિત છે. ખોટી આગાહી બંને રીતે ખર્ચાળ છે: વધુ પડતો અંદાજ ઇન્વેન્ટરી ખર્ચ અને બગાડ બનાવે છે, ઓછો અંદાજ ન આપવાથી વેચાણ ખોવાઈ જાય છે અને ગ્રાહક અસંતોષ થાય છે. કૃત્રિમ બુદ્ધિમત્તા આગાહી પ્રક્રિયામાં ઘણી જગ્યાએ મદદ કરે છે, પદ્ધતિ પસંદ કરવાથી માંડીને ઐતિહાસિક માહિતીનું અર્થઘટન અને દૃશ્યો જનરેટ કરવા સુધી; પરંતુ આગાહીને "મેજિક ક્રિસ્ટલ બોલ" તરીકે જોવી એ સૌથી મોટી ભૂલ છે. આ એકમમાં, અમે શાસ્ત્રીય આગાહી પદ્ધતિઓ, તેમને AI સાથે યોગ્ય રીતે કેવી રીતે બનાવવી અને ચોકસાઈ કેવી રીતે માપવી તે આવરી લઈશું.

આગાહી પદ્ધતિઓનો સંક્ષિપ્ત નકશો

માંગની દરેક શ્રેણી સમાન વર્તે નહીં; કેટલાક ફ્લેટ છે, કેટલાક વલણો ધરાવે છે, કેટલાક મોસમી છે. શ્રેણી અનુસાર પદ્ધતિ પસંદ કરવી જરૂરી છે.

પદ્ધતિ

તે ક્યારે યોગ્ય છે?

ધ્યાન

નિષ્કપટ (છેલ્લું મૂલ્ય)

સરખામણી માટે (બેન્ચમાર્ક)

વલણ/સિઝનને અનુસરતું નથી

મૂવિંગ એવરેજ

સ્થિર, ઘોંઘાટીયા શ્રેણી

વલણ પર મોડેથી પ્રતિક્રિયા આપે છે

ઘાતાંકીય સ્મૂથિંગ (SES)

સ્થિર શ્રેણી, નજીકના ડેટા પર ભાર

જો કોઈ વલણ ન હોય તો સારું

હોલ્ટ (ડબલ ઘાતાંકીય)

ટ્રેન્ડી શ્રેણી

મોસમ પકડતી નથી

હોલ્ટ-વિન્ટર્સ

વલણ + મોસમ

પૂરતા ઐતિહાસિક ડેટાની જરૂર છે

રીગ્રેશન/એમએલ

મલ્ટી-વેરિયેબલ, પ્રમોશન અસરકારક

ઓવરફિટનું જોખમ

ટીપ: હંમેશા "નિષ્કપટ" અનુમાનથી શરૂઆત કરો. જો તમારું જટિલ મોડેલ નિષ્કપટ અનુમાન કરતાં વધુ સારું નથી, તો તે જટિલતાને વહન કરવા યોગ્ય નથી. નિષ્કપટ એ ચોકસાઈ માપવા માટે એક મફત બેન્ચમાર્ક છે.

અમે ચોકસાઈ કેવી રીતે માપી શકીએ? (મેટ્રિક્સ)

આગાહીની ચોકસાઈને માપ્યા વિના સુધારી શકાતી નથી. સૌથી સામાન્ય મેટ્રિક્સ:

• MAE (મીન સંપૂર્ણ ભૂલ): ભૂલોના સંપૂર્ણ મૂલ્યની સરેરાશ. એકમ માંગ એકમ જેવું જ છે.
• RMSE (રુટ મીન સ્ક્વેર એરર): મોટી ભૂલોને વધુ દંડ કરે છે.
• MAPE (મીન સંપૂર્ણ ટકા ભૂલ): ટકામાં; વસ્તુઓ વચ્ચે સરખામણી માટે સારું, પરંતુ જ્યારે માંગ શૂન્યની નજીક હોય ત્યારે વિકૃત.
• પૂર્વગ્રહ: સરેરાશ ભૂલ; સૂચવે છે કે શું તમે સતત વધારે/ઓછું આંકો છો.

એક નાનો નમૂનો ખાતું. વાસ્તવિક માંગ [100, 120, 90], અનુમાન [110, 115, 100] રહેવા દો:

ભૂલો (વાસ્તવિક - અનુમાન): -10, +5, -10 સંપૂર્ણ ભૂલો: 10, 5, 10 → MAE = 25 / 3 ≈ 8.33 ટકાવારી ભૂલો: 10/100, 5/120, 10/90 = 10%, 17%, +17% (+17%. 4.17 + 11.11) / 3 ≈ 8.43% બાયસ = (-10 + 5 - 10) / 3 = -5 → સરેરાશ પર અતિશય અંદાજ (અનુમાન > વાસ્તવિક)

નકારાત્મક પૂર્વગ્રહ (સાચો માઈનસ અંદાજ) સૂચવે છે કે અંદાજ સતત વધારે પડતો અંદાજવામાં આવે છે; આનો અર્થ ઈન્વેન્ટરી ફુગાવો. આવી દિશાત્મક ભૂલો MAPE માં છુપાવી શકાય છે, તેથી તેઓને એકસાથે જોવામાં આવે છે.

AI સાથે આગાહી પ્રક્રિયાનું નિર્માણ

તમે બે જગ્યાએ સૌથી વધુ અસરકારક રીતે AI નો ઉપયોગ કરી શકો છો: (1) ડેટા જોવા અને યોગ્ય પદ્ધતિ અને પગલાં લેવાનું સૂચવવા માટે, અને (2) અનુમાનિત કોડ જનરેટ કરવા માટે. પદ્ધતિ સૂચન માટે:

ભૂમિકા: તમે એક ઔદ્યોગિક ઇજનેર છો જે માંગની આગાહીમાં અનુભવી છે. કાર્ય: નીચેની માસિક વેચાણ શ્રેણીનું પરીક્ષણ કરો અને યોગ્ય આગાહી પદ્ધતિની ભલામણ કરો. કોઈ વલણ અને મોસમ છે કે કેમ તેનું મૂલ્યાંકન કરો, તમારું સમર્થન લખો. ડેટા (માસિક, છેલ્લા 24 મહિના): {{ મૂલ્યો}} વધારાની માહિતી: ડિસેમ્બરમાં પ્રમોશન છે, ઉનાળાના મહિનાઓમાં માંગ ઘટે છે. મને જોઈએ છે તે આઉટપુટ:1. શ્રેણીના પાત્ર પર ટિપ્પણી (સ્થિર/ટ્રેન્ડિંગ/મોસમી).2. 2 ભલામણ કરેલ પદ્ધતિઓ અને શા માટે.3. મારે કઈ ચોકસાઈ મેટ્રિક ટ્રૅક કરવી જોઈએ?4. મુશ્કેલીઓ માટે મારે ધ્યાન રાખવું જોઈએ (આઉટલીયર, પ્રમોશનલ અસર). નિયમ: ડેટા જોયા વિના સંપૂર્ણ ચોકસાઈનું વચન આપશો નહીં.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

આવતા મહિને હું કેટલું વેચીશ?

આમાં ન તો ડેટા કે સંદર્ભ નથી; AI કાં તો તેને નકારી કાઢે છે અથવા સંપૂર્ણ રીતે બનાવેલ નંબર પરત કરે છે. આવા આઉટપુટ ખતરનાક છે કારણ કે તે વિશ્વાસપાત્ર લાગે છે.

શક્તિશાળી પ્રોમ્પ્ટ:

આ 24-મહિનાની શ્રેણી સાથે હોલ્ટ-વિન્ટર્સ તર્કનો ઉપયોગ કરીને આગામી 3 મહિનાની આગાહી કરો. સીઝનની લંબાઈ 12 છે. પહેલા પદ્ધતિની ધારણાઓ લખો, પછી આગાહી આપો, પછી છેલ્લા 6 મહિનાની બેકટેસ્ટ કરીને MAPE ની ગણતરી કરો. પ્રમોશનના મહિનાઓને અલગથી ચિહ્નિત કરો. ડેટા: {{ ... }}

બીજો પ્રોમ્પ્ટ આગાહી અને તે આગાહી (બેકટેસ્ટિંગ) પર વિશ્વાસ કરવા માટે કેટલો વિશ્વાસ છે તે બંને માટે પૂછે છે. આ "ઓરેકલ" માંથી આગાહીને માપી શકાય તેવા સાધનમાં પરિવર્તિત કરે છે.

બેકટેસ્ટિંગ: આગાહીમાં આત્મવિશ્વાસનું માપ

આગાહીની વાસ્તવિક કસોટી ભૂતકાળમાં છે, ભવિષ્યમાં નહીં. તમે તમારી પાસેના ડેટાને બે ભાગમાં વહેંચો છો: મોડેલ બિલ્ડિંગ (ટ્રેન) અને પરીક્ષણ. તમે પ્રથમ ભાગ સાથે મોડેલ બનાવો, આગામી સમયગાળાની આગાહી કરો અને તેની વાસ્તવિકતા સાથે તુલના કરો. આ "હોલ્ડ-આઉટ" તર્ક દર્શાવે છે કે મોડેલ ખરેખર કામ કરી રહ્યું છે કે નહીં.

નીચેની શ્રેણી માટે એક સરળ બેકટેસ્ટ પ્લાન સેટ કરો: છેલ્લા 6 મહિનાને પરીક્ષણ તરીકે બાજુ પર રાખો, બાકીના ડેટા સાથે 3 અલગ-અલગ પદ્ધતિઓ (નિષ્કપટ, SES, હોલ્ટ-વિન્ટર્સ)ને તાલીમ આપો, પરીક્ષણ સમયગાળા દરમિયાન દરેક માટે MAPE અને પૂર્વગ્રહની ગણતરી કરો અને એક સરખામણી કોષ્ટક બનાવો. વિજેતા પદ્ધતિ અને તર્ક લખો.

સાવચેત રહો: ​​AI કેટલીકવાર બેકટેસ્ટ પરિણામોની "અનુમાન" કરી શકે છે અને તમને તૈયાર ચાર્ટ સાથે રજૂ કરી શકે છે; એટલે કે, તે વાસ્તવમાં ગણતરી કર્યા વિના વાજબી લાગતી સંખ્યાઓ બનાવી શકે છે. કોડ (Python/Excel) સાથે સંખ્યાત્મક પરિણામોનું પુનઃઉત્પાદન કરવાની ખાતરી કરો. ભાષા મોડેલ લાંબા અંકગણિત વિશ્વસનીય રીતે કાર્ય કરતું નથી.

મીની કેસ: મોસમી ઉત્પાદનનો ઓવરસ્ટોક

ફૂડ ડિસ્ટ્રિબ્યુશન કંપની દર વર્ષે શિયાળામાં આઈસ્ક્રીમ જેવી મોસમી પ્રોડક્ટનો વધુ પડતો સ્ટોક હોવાની ફરિયાદ કરે છે. ઔદ્યોગિક એન્જિનિયર એલિફ એઆઈને 3 વર્ષનો માસિક ડેટા આપે છે અને તેને શ્રેણીના પાત્રનું મૂલ્યાંકન કરવા માટે કહે છે. હોલ્ટ-વિન્ટર્સ સૂચવે છે કે AI મજબૂત મોસમ (ઉનાળાની ટોચ) અને થોડો વાર્ષિક વૃદ્ધિ વલણ શોધી કાઢે છે. એલિફ પાયથોનમાં અનુમાન જનરેટ કરે છે અને તેનું સમર્થન કરે છે: MAPE 14% છે, પરંતુ પૂર્વગ્રહ નોંધપાત્ર રીતે નકારાત્મક છે — મોડેલ સતત વધુ પડતી આગાહી કરે છે. જ્યારે તે શા માટે તપાસ કરે છે, ત્યારે તે શોધે છે કે તેણે ઐતિહાસિક ડેટામાં ઝુંબેશના સમયગાળાને "સામાન્ય" તરીકે ભૂલ્યો હતો અને મોડેલને ખૂબ ઊંચો આધાર શીખવ્યો હતો. જ્યારે અમે ઝુંબેશની અસરને દૂર કરીએ છીએ અને મોડેલને ફરીથી બનાવીએ છીએ, ત્યારે પૂર્વગ્રહ ઘટે છે અને શિયાળાનો સ્ટોક નોંધપાત્ર રીતે ઘટે છે. પાઠ: AI એ પદ્ધતિને યોગ્ય રીતે સૂચવી, પરંતુ ડેટાને સાફ કરવા અને પૂર્વગ્રહનું અર્થઘટન કરવાનું માનવ કાર્ય હતું.

સામાન્ય ભૂલો

• મેટ્રિક્સને ટ્રૅક ન કરવું: ચોકસાઈનો અંદાજ કાઢવો અને કદી માપવો નહીં. માપ વગરની આગાહી સુધારી શકાતી નથી.
• ફક્ત MAPE તરફ જોવું: પૂર્વગ્રહને અવગણવું. દિશાસૂચક (વ્યવસ્થિત) ભૂલ ચૂપચાપ ઇન્વેન્ટરીને ફૂલે છે.
• ગણતરીઓ માટે AI દ્વારા બનાવેલી સંખ્યાઓને ભૂલ કરવી: કોડ સાથે બેકટેસ્ટ અને મેટ્રિક મૂલ્યોને માન્ય ન કરવું.
• આઉટલીયર/પ્રમોશનની સફાઈ ન કરવી: એક વખતની ઝુંબેશને સામાન્ય માંગ ગણવી અને તેને મોડેલને શીખવવું.
• ઓવરફિટ: જ્યારે જટિલ મોડેલ ભૂતકાળમાં સંપૂર્ણ રીતે બંધબેસે છે પરંતુ ભવિષ્યમાં ખરાબ પ્રદર્શન કરે છે. બેન્ચમાર્ક તરીકે સરળ મોડેલ રાખો.

સારાંશમાં

• શ્રેણીના પાત્ર (સ્થિર, વલણ, મોસમી) અનુસાર આગાહી પદ્ધતિ પસંદ કરો; હંમેશા નિષ્કપટ સાથે તમારી સરખામણી કરીને શરૂઆત કરો.
• MAE/RMSE/MAPE સાથે ચોકસાઈને માપો, પરંતુ પૂર્વગ્રહને પણ મોનિટર કરો: દિશાત્મક ભૂલ સૌથી મોંઘી છે.
• પદ્ધતિની ભલામણ અને કોડ જનરેશન માટે AI નો ઉપયોગ કરો; આગાહીને માપી શકાય તેવા સાધન તરીકે સેટ કરો, "ભવિષ્યવાણી" નહીં.
• બેકટેસ્ટિંગ એ એક મોડેલ કેટલો આત્મવિશ્વાસ હોઈ શકે તેની વાસ્તવિક કસોટી છે; કોડ સાથે સંખ્યાત્મક પરિણામો ચકાસવાની ખાતરી કરો.
• ડેટા (આઉટલીયર, પ્રમોશન) સાફ કરવાનું અને પરિણામનું અર્થઘટન કરવાનું માનવનું કામ છે; AI આ પગલાંને છોડી દે છે.

એપ્લિકેશન કાર્ય

ઓછામાં ઓછી 18-24 સમયગાળાની માંગ શ્રેણી (વાસ્તવિક અથવા વાસ્તવિક કાલ્પનિક) રાખો. સૌપ્રથમ, AI ને શ્રેણી આપો અને તેને તેના પાત્રનું અર્થઘટન કરવા કહો (ટ્રેન્ડ/સિઝનલિટી) અને બે પદ્ધતિઓ સૂચવો. પછી છેલ્લા 6 સમયગાળાને પરીક્ષણો તરીકે આરક્ષિત કરવા અને ઓછામાં ઓછી બે પદ્ધતિઓની તુલના કરવા માટે "બેકટેસ્ટ પ્લાન" શક્તિશાળી પ્રોમ્પ્ટનો ઉપયોગ કરો. નિર્ણાયક પગલું: એક્સેલ અથવા પાયથોન સાથે જાતે AI દ્વારા પરત કરવામાં આવેલ MAPE અને પૂર્વગ્રહ મૂલ્યોની પુનઃ ગણતરી કરો અને તેમની AI આઉટપુટ સાથે સરખામણી કરો. જો તમને કોઈ એવો નંબર મળે જે મેળ ખાતો નથી, તો તેને લખો. છેલ્લે, પૂર્વગ્રહની નિશાનીનું અર્થઘટન કરો: શું તમારું મોડેલ વધુ પડતું આંકે છે કે ઓછું આંકે છે અને આ તમારી ઇન્વેન્ટરીને શું કરે છે?