માંગની આગાહી: સમયની શ્રેણી, મોસમ અને અનિશ્ચિતતાનું સંચાલન

નફો:

• સમય શ્રેણી, વલણ, મોસમ અને ઝુંબેશની અસરના ખ્યાલોને સમજવાની ક્ષમતા અને યોગ્ય પ્રશ્નો અને સ્વચ્છ ડેટા સાથે માંગની આગાહી માટે કૃત્રિમ બુદ્ધિમત્તાનો ઉપયોગ કરવાની ક્ષમતા.
• આગાહીની ચોકસાઈ (MAPE, વિચલન) અને અનિશ્ચિતતા (વિશ્વાસ અંતરાલ, દૃશ્યો) અને એક નંબરને બદલે શ્રેણી પર આધાર આયોજનનું અર્થઘટન કરવાની ક્ષમતા
• કૃત્રિમ બુદ્ધિમત્તાની આગાહી એ ઐતિહાસિક ડેટા પર આધારિત છે અને નવા ઉત્પાદનો, પ્રમોશન અથવા સપ્લાય કટોકટી જેવા વિરામના કિસ્સામાં નિષ્ણાત ચુકાદો સામે આવે છે તે પારખવામાં સક્ષમ હોવું.

સપ્લાય ચેઇનમાં દરેક નિર્ણય એક પ્રશ્ન પર આધારિત છે: કેટલી માંગ હશે? તમે આ પ્રશ્નનો જેટલો સચોટ જવાબ આપો છો, તેટલો ઓછો સ્ટોક તમે રાખો છો, જેટલો ઓછો સ્ટોક તમે બહાર રહેશો અને ઓછા પૈસા તમે બાંધો છો. માંગની આગાહી એ સપ્લાય ચેઇનનું એન્જિન છે; સ્ટોક, ખરીદી, ઉત્પાદન અને પરિવહન યોજનાઓ બધું અહીંથી આપવામાં આવે છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ આ ક્ષેત્રમાં અત્યંત શક્તિશાળી છે કારણ કે તે હજારો ઉત્પાદનોના ઇતિહાસને માનવ કરતાં ઘણી ઝડપથી સ્કેન કરે છે અને પેટર્નને બહાર કાઢે છે. પરંતુ તેની શક્તિનો સ્ત્રોત પણ તેની મર્યાદા છે: AI ભૂતકાળમાંથી શીખે છે; જો ભવિષ્ય ભૂતકાળને મળતું ન હોય તો તે ખોટું છે. આ એકમમાં, અમે આગાહીની ભાષા શીખીશું, ચોકસાઈ માપવા, અનિશ્ચિતતાનું સંચાલન કરવું અને એઆઈએ તમને ક્યાં શરણાગતિ આપવી જોઈએ.

આગાહીની ભાષા: સમય શ્રેણી, વલણ, મોસમ

ડિમાન્ડ ડેટા સામાન્ય રીતે સમયની શ્રેણી હોય છે — સમય દ્વારા ક્રમાંકિત સંખ્યાઓની શ્રેણી, જેમ કે ઉત્પાદનના દરેક દિવસનું વેચાણ. આ ક્રમને ત્રણ ભાગોમાં વિભાજીત કરવો એ આગાહીનો આધાર છે:

વલણ, લાંબા ગાળાની દિશા: દર વર્ષે વેચાણ વધી રહ્યું છે કે ઘટી રહ્યું છે? મોસમ, નિયમિતપણે પુનરાવર્તિત વધઘટ: આઈસ્ક્રીમ ઉનાળામાં વેચાય છે, હીટર શિયાળામાં વેચાય છે; શુક્રવાર અને શનિવારે બજાર વ્યસ્ત રહે છે. ઘોંઘાટ, અસ્પષ્ટ રેન્ડમ વગાડવું. સારી આગાહી વલણ અને મોસમને કેપ્ચર કરે છે અને ઘોંઘાટ દ્વારા મૂર્ખ બનાવવામાં આવતી નથી. આની ટોચ પર, ઇવેન્ટ્સનો ઢગલો થાય છે: ઝુંબેશ, પ્રમોશન, જાહેર રજા, હવામાન, હરીફ ચાલ. જ્યારે તમે AI આગાહી કરો છો, ત્યારે તમારે તેને આ ઘટનાઓ જણાવવી પડશે; જો તમે તેને કહો નહીં, તો તે વિચારશે કે પ્રચારના દિવસે કૂદવાનું "સામાન્ય" છે અને ભવિષ્ય વિશે ભૂલ કરશે.

ટીપ: AI ને કાચો વેચાણ ડેટા આપતી વખતે, ઝુંબેશ, રજાઓ અને આઉટ-ઓફ-સ્ટોક દિવસોને ચિહ્નિત કરો. સ્ટોક વિનાનો દિવસ મહત્વપૂર્ણ છે: તે દિવસે વેચાણ ઓછું દેખાય છે, પરંતુ વાસ્તવિક માંગ વધારે હતી, ત્યાં કોઈ માલ ઉપલબ્ધ ન હતો. જો તમે આનો ઉલ્લેખ ન કરો, તો AI વાસ્તવિક માંગને ઓછો અંદાજ કરશે.

માપન ચોકસાઈ: MAPE અને પૂર્વગ્રહ

"શું આગાહી સારી છે?" પ્રશ્નનો જવાબ માપથી મળે છે, લાગણીથી નહીં. સૌથી સામાન્ય સૂચક MAPE છે (મીન સંપૂર્ણ ટકાવારી ભૂલ — સરેરાશ કેટલા ટકા પોઈન્ટ અનુમાનો વાસ્તવિકતાથી વિચલિત થાય છે). જો MAPE 10% છે, તો તેનો અર્થ એ છે કે તમારી આગાહીઓ વાસ્તવિક મૂલ્ય 10% ની સરેરાશથી ચૂકી જાય છે; નીચું MAPE વધુ સારું છે. બીજી મહત્વની વિભાવના પૂર્વગ્રહ છે: શું તમારી આગાહી સતત ઉપર (ઓવરસ્ટોકનું ઉત્પાદન) અથવા અન્ડરસ્ટોકિંગ (અંડરસ્ટોક છોડીને) વાસ્તવિકતા છે? જો આગાહીમાં MAPE ઓછો હોય તો પણ, જો તે હંમેશા એક જ દિશામાં વિચલિત થાય છે, તો વ્યવસ્થિત સમસ્યા છે.

તમે AI ને ઇતિહાસનો ભાગ "તાલીમ" તરીકે અને તેનો ભાગ "પરીક્ષણ" તરીકે આપી શકો છો અને તેની આગાહીને વાસ્તવિકતા સાથે સરખાવી શકો છો. વિશ્વાસ કેળવવાની આ પ્રામાણિક રીત છે: તે જોયા ન હોય તેવા ડેટા પર મોડેલનું પરીક્ષણ કરવું. જો ભવિષ્યવાણી ભૂતકાળમાં સુસંગત સાબિત થઈ હોય તો જ ભવિષ્યમાં લાગુ કરવા યોગ્ય છે.

સાવધાન: કોઈ આગાહી 100% સચોટ નથી; તે થવાની ધારણા નથી. ધ્યેય વિચલનને જાણીને, સંપૂર્ણ સિંગલ નંબર બનાવવાનું નથી પરંતુ વ્યવસ્થાપિત શ્રેણી બનાવવાનું છે. "આગાહી સાચી પડી/તે કામ ન કરી" નો દ્વિસંગી વિચાર ખોટો છે; સાચો પ્રશ્ન એ છે કે "તે કેટલું વિચલિત થયું અને તે મુજબ મેં કેટલું બફર રાખ્યું?"

અનિશ્ચિતતાનું સંચાલન: શ્રેણી, એકલ સંખ્યા નહીં

આયોજકની સૌથી ખતરનાક ટેવ એ આગાહીને એક જ હાર્ડ નંબર તરીકે ગણવાની છે. વાસ્તવમાં, દરેક આગાહીમાં આત્મવિશ્વાસ અંતરાલ હોય છે - જેમ કે "આવતા મહિને માંગ 900 અને 1,100 ની વચ્ચે થવાની સંભાવના છે." આ શ્રેણી જેટલી વિશાળ છે, અનિશ્ચિતતા વધારે છે. રેન્જને જાણવું એ તમારા સ્ટોકના નિર્ણયને સીધી અસર કરે છે: સાંકડી શ્રેણીને ઓછા સલામતી સ્ટોકની જરૂર છે, વિશાળ શ્રેણીને વધુ બફરની જરૂર છે.

તેથી હંમેશા પરિસ્થિતિઓ માટે AI ને પૂછો: નિરાશાવાદી (જો માંગ ઓછી થાય છે), અપેક્ષિત અને આશાવાદી (જો માંગ વધારે હોય તો). ત્રણ દૃશ્યો જોતાં, યોજના એક ધારણા પર આધારિત નથી પરંતુ સંભવિત શક્યતાઓની શ્રેણી પર આધારિત છે. "લૉક ઇન સિંગલ નંબર" ટ્રેપમાંથી બહાર નીકળવાનો આ સૌથી વ્યવહારુ રસ્તો છે.

સ્ટેપ બાય સ્ટેપ: AI સાથે ડિમાન્ડ ફોરકાસ્ટિંગ અભ્યાસ

1. ડેટા સાફ કરો. ગુમ થવાના દિવસો, આઉટ ઓફ સ્ટોક દિવસો, ખોટા રેકોર્ડ ખોલો; અનામી ઉત્પાદન કોડ સાથે કામ કરો.
2. ઇવેન્ટ્સને ટેગ કરો. ડેટામાં ઝુંબેશ, રજા અને પ્રમોશનના દિવસો ઉમેરો.
3. પેટર્ન બાદ કરો. AI ને વલણો, મોસમ અને નોંધપાત્ર ઘટનાઓનો સારાંશ આપવા માટે કહો.
4. તેનું પરીક્ષણ કરો. ઇતિહાસના છેલ્લા ભાગને સંગ્રહિત કરો, એઆઈને આગાહી કરવા દો, વાસ્તવિકતા (MAPE અને પૂર્વગ્રહ દિશા) સાથે તુલના કરો.
5. એક દૃશ્ય બનાવો. ત્રણ આગાહીઓ માટે પૂછો, નિરાશાવાદી/અપેક્ષિત/આશાવાદી અને દરેક માટે આત્મવિશ્વાસ અંતરાલ.
6. નિષ્ણાત ફિલ્ટર. AI જાણીતા આગામી વિક્ષેપો વિશે જાણતું નથી (નવું ઉત્પાદન, પુરવઠાની કટોકટી, કાયદો); તેમને મેન્યુઅલી ઉમેરો. અંતિમ યોજના તમારી છે.

ત્રણ નાના કેસો

કેસ 1 - મોસમને કેપ્ચર કરી રહ્યું છે. એક પીણા વિતરક ફરિયાદ કરી રહ્યો હતો કે ઉનાળાના મહિનાઓમાં તેની પાસે સતત સ્ટોક નથી અને શિયાળામાં તેની પાસે માલ બાકી રહે છે. આયોજકે YZ ને 3 વર્ષનું અનામી દૈનિક વેચાણ આપ્યું અને મોસમ દૂર કરી: જૂન-ઓગસ્ટની માંગ શિયાળાની સરેરાશ કરતાં 2.4 ગણી હતી, અને દર વર્ષે મેના મધ્યમાં ઉછાળો શરૂ થયો. આ પેટર્ન અનુસાર, તેણે તેનો ઉનાળાનો સ્ટોક 3 અઠવાડિયા અગાઉથી સેટ કર્યો હતો; ઉનાળાના ડેડ સ્ટોકમાં 70% ઘટાડો થયો, શિયાળામાં ડેડ સ્ટોક ઘટ્યો. AI એ પેટર્ન બતાવ્યું; આયોજકે સ્ટોક નિર્ણય લીધો.

કેસ 2 - નવા ઉત્પાદનમાં આપવી. એક કંપની એકદમ નવી પ્રોડક્ટ લોન્ચ કરવા જઈ રહી હતી; ત્યાં કોઈ ઐતિહાસિક વેચાણ ડેટા ન હતો. પ્લાનરે AI ને પૂછ્યું, "પ્રથમ 3 મહિનાની માંગ શું હશે?" તેણે પૂછ્યું. AI એ વાજબી લાગતી સંખ્યાનું નિર્માણ કર્યું — પરંતુ આયોજક જાણતા હતા કે તે પાયાવિહોણું હતું: ત્યાં કોઈ ડેટા નથી. તેના બદલે, AI પૂછે છે કે "ભૂતકાળમાં સમાન સેગમેન્ટમાં બહાર પાડવામાં આવેલ ઉત્પાદનોની પ્રથમ 3-મહિનાની પેટર્ન શું હતી?" વિશ્લેષણ કરો અને તેને આગાહી શ્રેણી તરીકે સેટ કરો, સાવચેતીપૂર્વક પ્રારંભિક સ્ટોક સાથે. નિષ્ણાતના ચુકાદાએ એઆઈના કાલ્પનિક આત્મવિશ્વાસને રદિયો આપ્યો.

કેસ 3 - સ્ટોકલેસ એ દિવસની છટકું છે. એક વિશ્લેષકે તારણ કાઢ્યું હતું કે ઉત્પાદનની માંગ ઘટી છે અને ઇન્વેન્ટરી ઘટાડવાની ભલામણ કરી છે. તેમના વરિષ્ઠ સાથીદારે નોંધ્યું કે ડેટામાં વેચાણના ઓછા દિવસો ખરેખર આઉટ-ઓફ-સ્ટોક દિવસો હતા: માંગમાં ઘટાડો થયો ન હતો, ત્યાં કોઈ માલ ન હતો. જ્યારે આ નોંધ સાથે ડેટા સુધારીને AIને ફરીથી આપવામાં આવ્યો ત્યારે વાસ્તવિક માંગ વધી હોવાનું જોવા મળ્યું હતું. અયોગ્ય રીતે સાફ કરેલ ડેટા ખોટી આગાહીઓ પેદા કરે છે.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) પેટર્ન નિષ્કર્ષણ:

તમારી ભૂમિકા: મદદનીશ માંગ આયોજન વિશ્લેષક. નીચે છેલ્લા 36 મહિના માટે ઉત્પાદનનો માસિક વેચાણ ડેટા (અનામી કોડ: PRODUCT-X) છે. ઝુંબેશના મહિના [મહિનાની સૂચિ], સ્ટોક-મુક્ત મહિના [મહિનાની સૂચિ]. કાર્ય: સારાંશ આપો (1) વલણ, (2) મોસમી પેટર્ન, (3) નોંધપાત્ર ઘટનાઓ. ધ્યાનમાં લો કે સ્ટોક વગરના મહિનાઓ સાચી માંગ છુપાવે છે. જે મહિના માટે મેં ડેટા આપ્યો નથી તે ફેબ્રિકેટેડ છે.

2) ચોકસાઈ પરીક્ષણ:

નીચેના 36 મહિનામાં પ્રથમ 30નો ઉપયોગ કરીને છેલ્લા 6 મહિનાની આગાહી કરો. પછી વાસ્તવિક છેલ્લા 6 મહિના સાથે મારી આગાહીની તુલના કરો; દરેક મહિના માટે વિચલન અને કુલ MAPE ની ગણતરી કરો. જો તમારો અંદાજ સતત પક્ષપાતી હોય તો મને કહો. સૂત્ર બતાવો.

3) દૃશ્ય આગાહી:

આ ઉત્પાદન માટેની આગામી ક્વાર્ટરની માસિક માંગનો અંદાજ 3 દૃશ્યોમાં કરો: નિરાશાવાદી/અપેક્ષિત/આશાવાદી. દરેક દૃશ્ય માટે આત્મવિશ્વાસ અંતરાલ આપો અને તે કઈ ધારણા પર આધારિત છે તે લખો. નોંધ કરો કે આ નિશ્ચિત નથી પરંતુ આયોજન માટેનું અંતરાલ છે.

4) ભંગાણ નિયંત્રણ:

મેં તમને આપેલી ઐતિહાસિક માહિતીના આધારે આગાહી કેવી રીતે નીચેની આગામી ઘટનાઓ દ્વારા અમાન્ય થઈ શકે છે તેની સૂચિ બનાવો: [નવું ઉત્પાદન/પ્રમોશન/સપ્લાય કટોકટી/નિયમનકારી ફેરફાર]. દરેક માટે મારે મેન્યુઅલી કેવી રીતે અનુમાન ગોઠવવું જોઈએ તે સૂચવો.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

આવતા મહિને હું કેટલું વેચીશ?

કોઈ ડેટા નથી, કોઈ ઉત્પાદન નથી, કોઈ સંદર્ભ નથી. AI કાં તો નકારે છે અથવા બનાવે છે; કોઈ પરિણામ કામ કરતું નથી.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: માંગ આયોજન સહાયક. નીચે છેલ્લા 24 મહિનામાં PRODUCT-X ના વેચાણ છે; ઝુંબેશના મહિનાઓ અને સ્ટોક-મુક્ત મહિનાઓ ચિહ્નિત થયેલ છે. આગામી 3 મહિના માટે નિરાશાવાદી/અપેક્ષિત/આશાવાદી આગાહી આપો, દરેકમાં વિશ્વાસ અંતરાલ ઉમેરો, પાછલી કસોટી પર MAPE બતાવો. ડોળ કરો કે મારી પાસે સ્ટોકનો અંતિમ નિર્ણય છે.

અભિગમ

ફટકો

અનિશ્ચિતતા વ્યવસ્થાપન

જોખમ

એક નંબર પર આધાર રાખો

ભ્રામક

કોઈ નહિ

ઉચ્ચ — યોજના પડી ભાંગે છે

દૃશ્ય + શ્રેણી

વાસ્તવિક

સારું

નીચું

માત્ર અંતર્જ્ઞાન

ચલ

નબળા

મધ્યમ-ઉચ્ચ

AI નું આંધળું પાલન કરવું

ચલ

કોઈ નહિ

ઉચ્ચ

સામાન્ય ભૂલો

• વાસ્તવિક નીચી માંગ માટે સ્ટૉક-આઉટનો દિવસ ભૂલવો. જ્યારે માલ ઉપલબ્ધ ન હોય, ત્યારે વેચાણ ઓછું દેખાય છે; આનો અર્થ એ નથી કે માંગ ઘટી છે.
• એક જ નંબરમાં લોકીંગ. આગાહીને સંપૂર્ણ સત્ય તરીકે જોવું એ અનિશ્ચિતતાને અવગણવાનું છે; હંમેશા શ્રેણી અને દૃશ્ય માટે પૂછો.
• ઝુંબેશને ટેગિંગ નથી. જે મોડલ પ્રમોશનલ બાઉન્સને "સામાન્ય" માને છે તે ભવિષ્યને વિકૃત કરે છે.
• ઇતિહાસ વિના નવા ઉત્પાદનની આગાહી. ડેટા વિના ઉત્પાદન માટે AI ની દેખીતી રીતે સલામત સંખ્યા પાયાવિહોણી છે.
• AI પર બ્રેકિંગ છોડીને. AI એ રોગચાળા, પુરવઠાની કટોકટી અને કાયદા જેવા માળખાકીય વિરામને જાણતું નથી; નિષ્ણાતનો હસ્તક્ષેપ થવો જોઈએ.

સાવધાન: ભવિષ્યવાણી ગમે તેટલી સારી લાગે, તે ડેટાની ગુણવત્તા કરતાં વધુ સારી ન હોઈ શકે જેના પર તે આધારિત છે. "કચરો અંદર, કચરો બહાર." ડેટા સાફ કરવામાં તમારો મોટાભાગનો સમય પસાર કરો; મોડલ ભાગ બાકીના કરે છે.

સારાંશમાં

માંગની આગાહી એ સપ્લાય ચેઇનનું એન્જિન છે, અને AI એક શક્તિશાળી સહાયક છે જે આ એન્જિનને વેગ આપે છે. પરંતુ AI ભૂતકાળમાંથી શીખે છે; જ્યારે ભવિષ્ય ભૂતકાળને મળતું નથી ત્યારે ભૂલ થાય છે. વલણ અને મોસમને કેપ્ચર કરો, ઇવેન્ટ્સને ટેગ કરો, MAPE અને ડ્રિફ્ટ દિશા સાથે ચોકસાઈને માપો, સિંગલ નંબર નહીં પણ દૃશ્ય અને શ્રેણી તરીકે આગાહી સેટ કરો. નવા ઉત્પાદનો અને માળખાકીય વિરામમાં નિષ્ણાતનો નિર્ણય પ્રથમ આવે છે. ડેટા સફાઇ એ દરેક વસ્તુનો પાયો છે; અંતિમ યોજના તમારી છે.

એપ્લિકેશન કાર્ય

તમારા પોતાના ઉત્પાદનો (અથવા કાલ્પનિક ઉત્પાદન) ના છેલ્લા 12-24 મહિનાનો વેચાણ ડેટા મેળવો, ઝુંબેશ અને આઉટ-ઓફ-સ્ટૉક મહિનાઓને ચિહ્નિત કરો. AI ને "પરિદ્રશ્ય આગાહી" ટેમ્પલેટ સાથે ત્રણ દૃશ્યો માટે પૂછો. પછી કેટલાક ઇતિહાસને "ચોક્કસતા પરીક્ષણ" નમૂના સાથે સંગ્રહિત કરો અને વાસ્તવિકતા સાથે આગાહીની તુલના કરો. તમને મળેલ MAPE અને તમે પસંદ કરેલ દૃશ્ય, તેના કારણ સાથે, 5 વસ્તુઓમાં લખો; તમે કયું સુરક્ષા બફર ઉમેરશો તે પણ સ્પષ્ટ કરો.

ચેકલિસ્ટ

• [ ] શું મેં ડેટા સાફ કર્યો છે, આઉટ ઓફ સ્ટોક અને ઝુંબેશના દિવસો ચિહ્નિત કર્યા છે?
• [ ] શું મેં બેકટેસ્ટિંગ દ્વારા MAPE અને પૂર્વગ્રહ દિશા સાથેની આગાહીને માન્ય કરી છે?
• [ ] શું મેં સિંગલ નંબરને બદલે કોઈ દૃશ્ય અને આત્મવિશ્વાસ અંતરાલ માટે પૂછ્યું હતું?
• જો કોઈ નવું ઉત્પાદન / તૂટફૂટ હોય, તો શું મેં નિષ્ણાતના નિર્ણયને પ્રાથમિકતા આપી છે?
• [ ] શું મેં ફાઇનલ સ્ટોક પ્લાન મારી પોતાની મંજૂરીને આધીન કર્યો છે?