ניתוח מגמות אופנה ותחזית ביקוש

רווחים:

• הבן את תפקידן של AI ו-NLP בחילוץ אותות מגמה ממדיה חברתית, נתוני חיפוש והיסטוריית מכירות
• יכולת להגדיר תחזית ביקוש והגדרת תרחישים על בסיס מק"ט עם שיטות סדרת זמן
• יכולת אימות מגמה ותחזית תפוקות עם מימוש מכירות, נתוני מלאי ושיפוט עסקי

אופנה, מעצם טבעה, מהמרת על העתיד. קולקציה מתוכננת חודשים מראש, בד מוזמן זמן רב מראש, הייצור מתבצע לפני החנות. אם התחזית שגויה, ישנם שני סוגים של סבל: עודף מלאי (סחורה שלא נמכרה, הנחה, הרס) ומלאי חסר (ללא סחורה ניתנת למכירה, החמצת הכנסה). בינה מלאכותית עוזרת להפחית את אי הוודאות הזו: היא מחלצת אותות מגמה ממדיה חברתית, נתוני חיפוש והיסטוריית מכירות ומנבאת ביקוש לפי מוצר. אבל אופנה היא התנהגות אנושית; אף דוגמנית לא יכולה להבטיח רגע ויראלי או זעזוע כלכלי. ביחידה זו נדון בניתוח מגמות ובחיזוי ביקוש באופן ממושמע.

מאיפה מגיע אות מגמה?

חומר הגלם של ניתוח מגמות הוא מקורות נתונים שונים. מדיה חברתית ופלטפורמות חזותיות: איזה צבע, צללית, מוטיב הולך וגדל בנראות. נתוני חיפוש: מה שאנשים מחפשים הוא איתות כוונה מוקדמת. היסטוריית מכירות: מה מוכר בחנות שלך, מתי, באיזה אזור. שירותי מגמה (למשל פרסומים בתעשייה): תחזיות עם פרשנות מומחים. נתוני תחרות/שוק: מה מתחרים מוציאים.

הבינה המלאכותית עושה כאן שתי עבודות. הוא מחלץ נושאים וסנטימנטים מטקסט ותגיות עם עיבוד שפה טבעית (NLP) ("הדיבור על הצבע הזה גדל, הטון חיובי"). הוא אוסף מגמות צבע, דפוס וצללית מתמונות דרך ניתוח תמונה. כל אלה הם אותות, לא הוכחה. האות רועש; ניידות בפלטפורמה אחת עשויה שלא להיות גומלת על ידי בסיס לקוחות אחר.

טיפ: סנן תמיד את אות המגמה על סמך בסיס הלקוחות שלך ונתוני המכירות שלך. ייתכן שמגמת עלייה בפלטפורמה גלובלית לא תקפה באזור ובפלח המחיר שלך. "כולם עושים את זה" זו לא אסטרטגיה.

תחזית ביקוש: מק"ט, סדרות זמן ואי ודאות

חיזוי הביקוש מתבצע בדרך כלל ברמת מק"ט (יחידת שמירה במלאי; שילוב צבע-גודל ספציפי של מוצר מסוים). הגישה הבסיסית היא ניתוח סדרות זמן: חיזוי העתיד מתוך דפוס מכירות העבר לאורך זמן (מגמה, עונתיות, מחזור). שיטות קלאסיות (ממוצע נע, החלקה אקספוננציאלית, ARIMA) ושיטות למידת מכונה עושות את העבודה הזו.

נקודה קריטית: אומדן טוב אינו מספר בודד, אלא טווח והסתברות. במקום "1,200 של מק"ט זה יימכר", "80% סיכוי של 950-1,450" הוא הרבה יותר שימושי מכיוון שהוא מאפשר לך לקבל את החלטת המניה על סמך תיאבון הסיכון. הדרך החזקה ביותר לאמת את הפלט של מודל היא בדיקה לאחור: אימון המודל עם נתונים מתאריך עבר והשוואתם למכירה בפועל הבאה. אם המודל לא חזה היטב בעבר, הוא לא אמין בעתיד.

עבור מוצרים חדשים (ללא היסטוריית מכירות) חיזוי קשה יותר; נעשה שימוש בהיסטוריה (אנלוגית) ובאות המגמה של מוצרים דומים יחד, אך אי הוודאות גבוהה ויש לקבל זאת.

שלב אחר שלב: זרימת עבודה של מגמה ותחזית

1. איסוף ונקה נתונים. מכירות, החזרות, מלאי, לוח שנה של קמפיינים ואיתות מגמה.
2. הבחנה בין עונתיות לטרנד. כמה מהמכירות הוא העונה וכמה מגמה בפועל.
3. צור חיזוי (מרווח). ערך ורווח סמך צפויים לפי מק"ט.
4. מבחן אחורי. למדוד את הדיוק ההיסטורי של המודל; אם רע, חזור לדגם פשוט.
5. נכון עם שיקול דעת עסקי. הוסף ידנית אירועים ידועים (חנות חדשה, קמפיין, בעיית אספקה) לדגם.
6. צפו ועדכנו. שנה את התחזית כאשר המכירות בפועל מגיעות (תחזית מתגלגלת).

שלושה מיני מארזים: לפי המספרים

מקרה 1 - הפחתת מלאי עודף. מותג ייצר יותר מדי קבוצת צבעים בכל עונה ומכר אותה ב-40% הנחה בסוף העונה. הערכת מק"ט שנבדקה לאחור עם מכירות היסטוריות הראתה שהם מייצרים יתר על המידה בכמה גדלים, לא שהם ממעטים בביקוש בצבע הזה. כאשר תוקנה התפלגות המידות, שיעור המכירות המוזל ירד מ-40% ל-26%.

מקרה 2 - אות שגוי. צוות אחד הכניס לאוסף גוון ניאון שהתפוצץ על פני פלטפורמה חברתית; האות העולמי היה חזק. אבל קהל הלקוחות שלהם (פלח קלאסי, בוגר) לא קיבל את הטון הזה; המפלגה נשמרה. הוכנס כלל לסינון אות המגמה של העונה הבאה עם נתוני מכירות משלה. לקח: האות מטעה ללא קטעים.

מקרה 3 - הערך של חיזוי מרווחים. כאשר קונה ביצע הזמנה על סמך תחזית נקודת "מכור 1,000 יחידות", המודל נתן טווח של 80% של 700-1,400. הקונה ראה את הסיכון ושמר את ההזמנה הראשונה ב-800 ותכנן חידוש מהיר בהתאם למגמת המכירות; זה נמנע גם ממלאי יתר וגם מלאי מלאי. דצמבר קיבל החלטות חכמות יותר מאשר מספרים אי-זוגיים.

הנחיה חלשה / הנחיה חזקה

הנחיה חלשה:

תגיד לי מה ימכור בעונה הבאה.

הנחיה עוצמתית:

תפקידך: אנליסט תכנון אופנה. להלן נתוני המכירות החודשיים של 3 השנים האחרונות (מק"ט, כמות), לוח השנה של הקמפיין והערות מגמה של העונה. משימה: 1) הפרד עונתיות ומגמה, הסבר בקצרה. 2) תן תחזית לעונה הבאה עבור SKUs רלוונטיים; לא באופן נקודתי, אלא כרווח בר-סמך של 80%. 3) איך אתה ממליץ לבצע בדיקה חוזרת של התחזית שלך? 4) אילו מאותות מגמה עשויים להיות מסוכנים בפלח הלקוחות שלנו? אל תמציא את מה שלא נמצא בנתונים. נתונים: [טבלה]

הנחיה עוצמתית מזמינה חיזוי מרווחים, הצעת בדיקה חוזרת ומסנן פלחים; זה לא מטיל דיוק מדויק.

תבניות הניתנות להעתקה

1) פירוק עונתיות:

הפרד את המגמה, העונתיות והמרכיב הלא סדיר בסדרת המכירות החודשית הזו והגיב בקצרה לכל אחד מהם. תן סיכום מספרי במקום גרפי. סדרה: [נתונים]

2) תחזית מרווחים:

צור את תחזית התקופה הבאה [n] עבור מק"ט הבא. תן את הערך הצפוי ו-80% רווח סמך לכל תקופה. רשום את ההנחות שלך בצורה ברורה. היסטוריה: [נתונים]

3) הגדרת בדיקה לאחור:

כתוב תוכנית לבדיקה לאחור של מודל חיזוי ביקוש: הבחנה באימון/מבחן, מדד שגיאה (למשל MAPE), סף קבלה. הציעו גם מודל סילוגיזם פשוט (נאיבי). הקשר: [מוצר, גודל נתונים]

4) מסנן פלח מגמה:

הערך את אותות המגמה הללו לפי פלח הלקוחות שלנו (גיל, מחיר, סגנון): אילו חזקים, אילו מסוכנים/לא רלוונטיים? הוסף הצדקה לכל אחד והצע אימות עם נתוני מכירות. אותות: [רשימה]

טבלת מקור ואמינות

מקור נתונים

מה זה מסמן?

כוח

גבול

היסטוריית מכירות משלו

ביקוש אמיתי

גבוה

לא במוצר החדש

נתוני שיחות

כוונה מוקדמת

בינוני

ייתכן שלא יחזור לרכוש

מדיה חברתית

נראות/רגש

בינוני

סטיית מקטע, רעש

שירותי טרנד

תחזית מומחה

בינוני

ציבורי, פתוח לכולם

נתוני מתחרים/שוק

מיקום

בינוני

מתעכב, חלקי

זהירות: שום תחזית לא מבטיחה את העתיד. רגע ויראלי, תחזית מזג אוויר, זעזוע כלכלי או משבר אספקה ​​יכולים לשטות אפילו בדגם הטוב ביותר. השתמש באומדן ככלי הסתברות; אל תיצמד באופן עיוור למספר בודד ותשנה את התוכנית כשהמכירות בפועל מגיעות.

טעויות נפוצות

• בוטח באופן עיוור בתחזית מדויקת. טווח והסתברות גורמים להחלטות חכמות יותר.
• קבלת אות המגמה ללא סינון מקטעים. ייתכן שהטרנד העולמי לא יחול על הקהל שלך.
• לא עושה בדיקות לאחור. דגם שהיה גרוע בעבר אינו אמין בעתיד.
• טועים בעונתיות בטרנד. טעות בצמיחה עונתית בצמיחה קבועה מובילה לייצור יתר.
• לא משנה את התוכנית. יש לעדכן את התחזית עם כניסת המכירות בפועל.

לסיכום

ניתוח מגמות אופנה וחיזוי ביקוש הוא מאמץ להפחית את חוסר הוודאות של הימור על העתיד. בינה מלאכותית מחלצת מגמות מאותות מרובים (מדיה חברתית, חיפוש, מכירות) ומפיקה תחזית ביקוש לפי מק"ט; אבל האות חייב לעבור דרך מסנן המקטעים, החיזוי חייב להיות מרווח ולבדוק לאחור. המודל הוא כלי של אפשרות, לא נביא; החלטת המניה הסופית ותיאבון הסיכון נותרים בשיפוט עסקי.

משימת יישום

צור רצף מכירות חודשי פיקטיבי (או אמיתי) של שלוש שנים עבור מק"ט. החל את התבניות "פירוק עונתיות" ו"חיזוי מרווחים" מיחידה זו. התבונן בטווח התחזית שניתן על ידי ה-AI והסביר בפסקה היכן בטווח אתה, כקונה, תבצע את ההזמנה הראשונה ומדוע (תיאבון סיכון). כתוב גם במשפט אחד כיצד היית מבחן לאחור את התחזית הזו.

רשימת בדיקה

• [ ] אני מעריך את התחזיות עם טווח והסתברות, לא נקודתית.
• [ ] אני מסנן אותות מגמה עם פלח הלקוחות שלי.
• [ ] אני מאמת מודלים באמצעות בדיקה לאחור.
• [ ] אני מבחין בין עונתיות למגמה קבועה.
• [ ] אני משנה את התוכנית כשהמכירות בפועל מגיעות.