חיזוי ביקוש: תחזית מכירות, עונתיות וניתוח מגמות

רווחים:

• יכולת לייצר טיוטת תחזית ביקוש על בסיס מק"ט עם תמיכה בבינה מלאכותית על ידי שילוב נתוני מכירות היסטוריים, השפעות עונתיות וגורמים חיצוניים.
• יכולת לפרש את דיוק התחזית (MAPE, bias) ולהבחין בין ההשלכות העסקיות של הערכת יתר והערכת חסר
• היכולת לעמוד על כך שהתחזית המופקת על ידי בינה מלאכותית היא חיזוי והחלטת ההזמנה הסופית שייכת למנהל יחד עם עלות המניה ותזרים המזומנים.

ישנן שתי טעויות יקרות ביותר בקמעונאות: להחזיק יותר מדי מלאי ולתת לכסף לדלל על המדף, או לא להחזיק מספיק מלאי ולהשאיר את הלקוח בידיים ריקות. לשניהם מקור זהה: חיזוי ביקוש גרוע. ביחידה זו תלמדו כיצד להשתמש בבינה מלאכותית כעוזר רב עוצמה המחזה את העתיד ממכירות העבר. אבל נניח מלכתחילה: תחזית היא לא נבואה, אלא תחזית הסתברותית. AI נותן לך מספר; זה התפקיד שלך לתרגם את המספר הזה להחלטת הזמנה.

חיזוי ביקוש: זוהי המשימה לחזות כמה מוצר או קטגוריה יימכרו בעתיד על ידי הסתכלות על נתונים היסטוריים וגורמים משפיעים.

מק"ט (יחידת שמירה): זהו קוד המלאי הייחודי השמור עבור כל וריאנט מוצר שונה. לדוגמה, "סניקרס אדומות, מידה 42" הוא מק"ט; מספר 43 מאותו דגם הוא מק"ט נפרד.

שלושה מקורות מידע המזינים את התחזית

תחזית טובה משלבת שלושה דברים:

1. מכירות היסטוריות (בסיס): מכירות שבועיות/חודשיות של המוצר במהלך 12-24 החודשים האחרונים. ה-AI מחלץ רמה "רגילה" מהסדרה הזו.
2. השפעות עונתיות ולוח שנה: חגים, תקופת לימודים, קיץ-חורף, סוף שבוע, יום תשלום. לדוגמה, גלידה מתגברת בקיץ וגרביים מתגברת בחורף.
3. גורמים חיצוניים: קמפיין, שינוי מחיר, מזג אוויר, תנועת מתחרים, פתיחה/סגירה. אלה דוחפים את האומדן למעלה או למטה.

טיפ: אל תגיד רק ל-AI "מכרנו 100 בחודש שעבר." תגיד, "מכרנו 100 בחודש שעבר, אבל הייתה 20% הנחה וזה היה שבוע חג". ללא הקשר, חיזוי מטעה.

יצירת חיזוי צעד אחר צעד

1. הכן את הנתונים: טבלה אנונימית ונקייה: תאריך, מק"ט, כמות נמכרת, מחיר, מבצע/ללא מבצע, זמינות. סמן את הימים של אזל המלאי; אחרת, הבינה המלאכותית תחשוב שהיום הזה הוא "ביקוש נמוך".
2. תן הקשר: רשום את העונה, אירועים קרובים, קמפיינים מתוכננים.
3. בקש תחזית: בקש תחזית ורווח סמך (תרחיש הגרוע/טוב ביותר) לתקופה מסוימת, לפי מק"ט או קטגוריה.
4. מדידת דיוק: השווה את תחזיות העבר שלך למציאות (MAPE למטה).
5. הפכו את זה להחלטה: שלבו את האומדן עם מלאי בטיחות ותקציב וקבלו את החלטת ההזמנה.

דיוק תחזית קריאת: MAPE והטיה

MAPE (ממוצע שגיאה מוחלטת של אחוזים): מציג את הסטייה הממוצעת באחוזים של התחזיות מהמכירות בפועל. הנוסחה היא פשוט: |actual − forecast| עבור כל תקופה / אמיתי הוא הממוצע שלהם.

• MAPE 10% → הערכות חורגות ב-10% בממוצע, די טוב.
• MAPE 40% → תחזיות אינן אמינות, יש צורך יותר חיץ (מלאי בטיחות) כדי לקבל החלטה.

כיוון (הטיה): האם התחזית שלך בעקביות מעל (סיכון להצטברות יתר) או מתחת (סיכון להצטמצמות) המציאות? צפו גם בזה; MAPE לא מראה כיוון.

סטטוס

משמעות

תוצאה עסקית

הערכה גבוהה מתמשכת

אתה מגזים בביקוש

עודף מלאי, התמוטטות, אובדן מרווח

חוסר הערכה מתמשך

אתה מזלזל בביקוש

אזל המלאי, החמצת מכירות, חוסר שביעות רצון

MAPE גבוה, כיוון מאוזן

אי הוודאות גבוהה

הגדל את מלאי הבטיחות, סקור לעתים קרובות

MAPE נמוך

חיזוי מדויק

מלאי רזה יותר, מזומן טוב יותר

מיני תיקים

מקרה 1 - חסר עונתיות: חנות מכולת מזמינה מחברות בית ספר על סמך מכירות יולי בשנה שעברה (200 יחידות בחודש). כאשר לבינה המלאכותית ניתנת ההקשר של "מחזור לימודים באוגוסט-ספטמבר, המכירות גדלו פי ארבעה בתקופה זו בשנה שעברה", התחזית עולה ל-780 יחידות במקום 200. הודות לסדר הנכון, לא נגמר המלאי במהלך שנת הלימודים; המחזור המשוער של 60,000 TL, שנמלט בשנה הקודמת, נתפס השנה.

מקרה 2 - לא סופר את יום אזל המלאי: חנות אזל מהמלאי של קפה פופולרי במשך 3 שבועות. בהסתכלות על הנתונים הגולמיים, הבינה המלאכותית רואה את השבועות הללו כ"5 מכירות בשבוע" ונותנת הערכה נמוכה. כאשר האנליסט מסמן את הימים ללא מלאי ואומר "השבועות האלה לא משקפים את הביקוש", התחזית עולה ל-45 לשבוע. ביקוש אמיתי עולה.

מקרה 3 — הכללת אפקט הקמפיין: רשת טקסטיל רואה במבצע שבועי של 50% הנחה (600 יחידות) "רגיל" ומזמינה כל הזמן 600. כשאומרים לבינה המלאכותית "המכירה הזו נעשתה בקמפיין חד פעמי, שבוע רגיל הוא 180", התחזית מתוקנת. הסיכון של עודף מלאי והפסד סימון לאחר מכן נמנע.

אופק חיזוי: כמה רחוק אתה יכול לראות?

אופק תחזית: כמה רחוק לעתיד מתבצעת התחזית. הכלל פשוט: ככל שהאופק ארוך יותר, כך גדלה אי הוודאות. אתה חוזה את המכירות בשבוע הבא בצורה מדויקת יחסית; שישה חודשים לאחר מכן עם מגוון רחב בהרבה. אז בחרו את אופק התחזית לפי הצורך בהחלטת ההזמנה: אופק קצר ועדכון תכוף למוצר טרי שנגמר מהר; אופק ארוך יותר ומרווח בטיחות רחב יותר למוצר מיובא עם זמני אספקה ​​ארוכים.

הבחנה חשובה נוספת היא חיזוי מוצרים חדשים. אין מכירה בעבר של מק"ט חדש; במקרה זה, אתה נותן ל-AI את ההיסטוריה של מוצרים דומים (אנלוגי), את ממוצע הקטגוריות ואת תוכנית ההשקה. אמירה "למוצר זה אין היסטוריה; תן הערכה ראשונית על ידי הסתכלות על 8 השבועות הראשונים של מוצרים דומים X ו-Y" היא דרך סבירה למלא את החסר. עם זאת, חיזוי מוצרים חדשים תמיד מסוכנים יותר; שנה את התחזית במהירות כאשר הנתונים בפועל עבור השבועות הראשונים הופכים זמינים.

זהירות: אל תתייחס לאומדן כאל טיפול של "עשה זאת פעם אחת ושכח מזה". חיזוי ביקוש הוא תהליך חי; כל שבוע מכירות חדש הוא הזדמנות לעדכן את התחזית. החזאים הטובים ביותר הם אלה שמשתמשים בזה שמתעדכן בתדירות הגבוהה ביותר, לא במודל החכם ביותר.

הנחיה חלשה / הנחיה חזקה

הנחיה חלשה:

ספר לי כמה המוצר הזה ימכור בחודש הבא.

אין הקשר; AI מרכיב מספר אקראי.

הנחיה עוצמתית:

התפקיד שלך: מומחה לתכנון דרישה. נתונים: להלן כמות המכירה החודשית והמחיר של 18 החודשים האחרונים עבור מק"ט 4471 והאם יש קמפיין באותו חודש. הקשר: מוצר זה הוא סנדלי קיץ; הביקוש מגיע לשיא בחודשים מאי-אוגוסט. החודש הבא הוא יוני. אין קמפיין מתוכנן. המחיר קבוע. משימה: (1) כמות מכירה צפויה לחודש יוני, (2) טווח התרחיש הגרוע והטוב ביותר, (3) 2 גורמים עיקריים המשפיעים על התחזית. כלל: אין לספור חודשים המסומנים כאזלו במלאי כביקוש נמוך. מבוסס רק על הנתונים הנתונים. נתונים: [הדבק טבלה]

תבניות הנחיות הניתנות להעתקה

1) חיזוי מבוסס מק"ט

התפקיד שלך: מומחה לתכנון דרישה. הפק תחזית [תקופה] עתידית עבור [SKU] מסדרת המכירות החודשית האנונימית הבאה. פלט: כמות צפויה + הטווח הגרוע/טוב ביותר + 2 הנחות. אל תכלול תקופות שסומנו אזלו מהמלאי. נתונים: [הדבק]

2) הסרת דפוסים עונתיים

מצא את הדפוס העונתי החוזר בסדרת המכירות של 24 חודשים למטה. אילו חודשים הם העליונים ואילו חודשים הם התחתונים? תן את הסטייה מהממוצע באחוזים. הצג אותו בצורת טבלה. נתונים: [הדבק]

3) הערכת דיוק חיזוי

להלן ההערכות ההיסטוריות שלי והמכירות בפועל. (1) חשב MAPE, (2) האם התחזית שלי נסחפת באופן עקבי גבוה יותר או נמוך יותר, (3) מה זה אומר על המניה? הצג צעד אחר צעד. נתונים: [הערכה, עמודות בפועל]

4) חילוץ השפעת הקמפיין

שבועות המבצע מסומנים בסדרת המכירות למטה. הערך ביקוש רגיל (שאיננו מסע פרסום); תן את אפקט הקמפיין כאחוז עלייה נפרד. אז אני רוצה לראות את רמת הסדר הרגילה. נתונים: [הדבק]

טעויות נפוצות

• אי מתן הקשר: אם הקמפיין, העונה, שינוי המחיר לא צוין, התחזית תהיה מטעה.
• האם לספור ימים שאזלו מהמלאי כביקוש: תקופת שאזל במלאי מסתירה ביקוש אמיתי; סִימָן.
• קבלת מכירות קידום מכירות כרגיל: מחשבה שהעלאה חד פעמית היא קבועה תוביל לעודף מלאי.
• הסתמכות על מספר בודד: אי רצון בטווח (תרחיש) והסתמכות על נקודה בודדת מסתיר את הסיכון.
• לא מודדים דיוק בכלל: אם MAPE והכיוון אינם מנוטרים, התחזית הולכת ומחמירה.
• ביצוע הזמנות ישירות עם הערכות: הזמנה ללא מזומן, בקרת מחסן וחיי מדף.

לסיכום

תחזית טובה משלבת מכירות עבר, עונתיות וגורמים חיצוניים. הקפד לתת ל-AI את ההקשר (קמפיין, עונה, ימים שאזלו מהמלאי). מעקב אחר דיוק התחזית באמצעות MAPE וכיוון הטיה; הגדל את מלאי הבטיחות באי ודאות גבוהה. תחזית היא תחזית; החלטת ההזמנה הסופית היא שלך, יחד עם התקציב והאילוצים.

משימת יישום

קבל את המכירות של חמשת ה-SKUs הנמכרים ביותר שלך במהלך 12-18 החודשים האחרונים בטבלה אנונימית וסמן את תקופות אזל המלאי ואת תקופות הקמפיין. צור תחזית עתידית עם ההנחיה "1) תחזית מבוססת מק"ט", ולאחר מכן חלץ את ה-MAPE של תחזיות העבר שלך עם "3) הערכת דיוק תחזית". השווה את התוצאה להחלטת ההזמנה שלך.

רשימת בדיקה

• [ ] עשיתי אנונימי וניקיתי את נתוני המכירות שלי.
• [ ] סימנתי את תקופות אזל המלאי ואת תקופות הקמפיין.
• [ ] נתתי את ההקשר של העונה והגורם החיצוני ל-AI.
• [ ] רציתי טווח תרחיש, לא מספר אחד.
• [ ] בדקתי את MAPE ואת כיוון הפיה.
• [ ] קיבלתי את החלטת ההזמנה בהתבסס על תקציב ומגבלות.