חיזוי ביקוש: ניהול סדרות זמן, עונתיות ואי ודאות

רווחים:

• יכולת להבין את המושגים של סדרות זמן, מגמה, עונתיות והשפעת קמפיין ולהשתמש בבינה מלאכותית לחיזוי ביקוש עם השאלות הנכונות ונתונים נקיים.
• יכולת לפרש דיוק תחזית (MAPE, סטייה) ואי ודאות (רווח סמך, תרחישים) ולבסס תכנון על טווח ולא על מספר בודד
• היכולת להבחין כי חיזוי בינה מלאכותית מבוססת על נתונים היסטוריים וכי שיקול דעת של מומחים בא לידי ביטוי במקרים של הפסקות כגון מוצרים חדשים, מבצעים או משברי אספקה.

כל החלטה בשרשרת האספקה ​​מבוססת על שאלה אחת: כמה ביקוש יהיה? ככל שתענו על השאלה הזו בצורה מדויקת יותר, ככל שתחזיקו פחות מלאי, כך תצטרכו פחות מלאי וקושרו פחות כסף. חיזוי ביקוש הוא המנוע של שרשרת האספקה; תוכניות מלאי, רכש, ייצור ותחבורה מוזנות מכאן. בינה מלאכותית היא חזקה ביותר בתחום זה מכיוון שהיא סורקת את ההיסטוריה של אלפי מוצרים הרבה יותר מהר מאדם ומחלצת דפוסים. אבל מקור כוחו הוא גם הגבול שלו: בינה מלאכותית לומדת מהעבר; אם העתיד אינו דומה לעבר, הוא שגוי. ביחידה זו נלמד את שפת החיזוי, מדידת הדיוק, ניהול אי הוודאות והיכן בינה מלאכותית צריכה להיכנע לך.

שפת החיזוי: סדרות זמן, מגמה, עונתיות

נתוני הביקוש הם בדרך כלל סדרת זמן - סדרה של מספרים מסודרים לפי זמן, כגון מכירות כל יום של מוצר. חלוקת הרצף הזה לשלושה חלקים היא הבסיס לחיזוי:

מגמה, כיוון לטווח ארוך: האם המכירות גדלות או יורדות משנה לשנה? עונתיות, תנודות שחוזרות על עצמן באופן קבוע: גלידה נמכרת בקיץ, המחמם נמכר בחורף; השוק עמוס בימי שישי ושבת. רעש, משחק אקראי בלתי מוסבר. תחזית טובה לוכדת מגמות ועונתיות ואינה מתעתעת ברעש. נוסף על אלו, נערמים אירועים: קמפיין, קידום, חג, מזג אוויר, מהלך מתחרה. כאשר אתה גורם לחזות AI, אתה צריך לספר לו את האירועים האלה; אם לא תספר לו, הוא יחשוב שהקפיצה ביום הקמפיין היא "נורמלית" ויעשה טעות לגבי העתיד.

טיפ: בעת מתן נתוני מכירות גולמיים ל-AI, סמן קמפיינים, חגים וימי מלאי אזל. היום ללא מלאי חשוב: המכירות נראות נמוכות באותו יום, אבל הביקוש האמיתי היה גבוה, פשוט לא היו סחורות זמינות. אם לא תציין זאת, ה-AI יזלזל בביקוש בפועל.

דיוק מדידה: MAPE והטיה

"האם התחזית טובה?" התשובה לשאלה מגיעה ממדידה, לא מתחושה. המדד הנפוץ ביותר הוא MAPE (Mean Absolute Percent Error - כמה אחוזים בממוצע חורגות התחזיות מהמציאות). אם MAPE הוא 10%, זה אומר שהתחזיות שלך מחמיצות את הערך האמיתי בממוצע של 10%; MAPE תחתון עדיף. התפיסה החשובה השנייה היא הטיה: האם התחזית שלך היא בעקביות מעל (ייצור מלאי יתר) או תת-מלאי (עזיבת מלאי) המציאות? גם אם לתחזית יש MAPE נמוך, אם היא תמיד סוטה לאותו כיוון, יש בעיה שיטתית.

אתה יכול לתת AI חלק מההיסטוריה כ"אימון" וחלק ממנה כ"בדיקה" ולהשוות את התחזית שלה למציאות. זו הדרך הכנה לבנות אמון: בדיקת המודל על נתונים שהוא לא ראה. תחזית שווה להחיל על העתיד רק אם היא הוכחה עקבית בעבר.

זהירות: אין תחזית מדויקת ב-100%; זה לא צפוי לקרות. המטרה היא לא לייצר מספר בודד מושלם אלא טווח שניתן לניהול, לדעת את הסטייה. הרעיון הבינארי של "התחזית התממשה/זה לא עבד" שגוי; השאלה הנכונה היא "כמה זה חרג וכמה חיץ שמרתי בהתאם?"

ניהול אי ודאות: טווח, לא מספר בודד

ההרגל המסוכן ביותר של המתכנן הוא להתייחס לתחזית כמספר קשה בודד. במציאות, לכל תחזית יש רווח סמך - כמו "הביקוש בחודש הבא הוא ככל הנראה בין 900 ל-1,100". ככל שטווח זה רחב יותר, כך אי הוודאות גבוהה יותר. הכרת הטווח משפיעה ישירות על החלטת המלאי שלך: טווח צר דורש פחות מלאי בטיחות, טווח רחב דורש יותר חיץ.

אז תמיד בקש מה-AI תרחישים: פסימי (אם הביקוש יתברר נמוך), צפוי ואופטימי (אם הביקוש יתברר גבוה). בהתחשב בשלושה תרחישים, התוכנית מבוססת לא על הנחה אחת אלא על מגוון אפשרויות אפשריות. זוהי הדרך המעשית ביותר לצאת ממלכודת "מספר בודד נעול".

שלב אחר שלב: מחקר חיזוי ביקוש עם AI

1. נקה נתונים. סמן ימים חסרים, ימים שאזלו מהמלאי, פתיחת רשומות שגויות; עבודה עם קוד מוצר אנונימי.
2. תייגו אירועים. הוסף לנתונים ימי קמפיין, חגים וקידום.
3. הורידו את התבנית. בקש מה-AI לסכם מגמות, עונתיות ואירועים בולטים.
4. בדוק את זה. אחסן את החלק האחרון של ההיסטוריה, תן ל-AI לחזות, להשוות עם המציאות (MAPE וכיוון הטיה).
5. צור תרחיש. בקש שלוש תחזיות, פסימיות/צפויות/אופטימיות, ואת רווח הסמך לכל אחת מהן.
6. מסנן מומחה. בינה מלאכותית אינה יודעת על שיבושים קרובים ידועים (מוצר חדש, משבר אספקה, חקיקה); להוסיף אותם באופן ידני. התוכנית הסופית היא שלך.

שלושה מיני תיקים

מקרה 1 - לכידת עונתיות. מפיץ משקאות התלונן שהוא כל הזמן אזל מהמלאי במהלך חודשי הקיץ ונשאר עם סחורה בחורף. המתכנן נתן 3 שנים של מכירות יומיות אנונימיות ל-YZ והסיר את העונתיות: הביקוש ביוני-אוגוסט היה פי 2.4 מהממוצע בחורף, והקפיצה החלה באמצע מאי בכל שנה. לפי דפוס זה, הוא הקים את מלאי הקיץ שלו 3 שבועות מראש; מלאי מתים בקיץ ירד ב-70%, מלאי מת בחורף ירד. AI הראה את הדפוס; המתכנן קיבל את החלטת המניה.

מקרה 2 - כניעה למוצר החדש. חברה עמדה להשיק מוצר חדש לגמרי; לא היו נתוני מכירות היסטוריים. המתכנן שאל את ה-AI, "מה יהיה הביקוש ב-3 החודשים הראשונים?" הוא שאל. ה-AI יצר מספר שנראה הגיוני - אבל המתכנן ידע שהוא מופרך: אין נתונים. במקום זאת, בינה מלאכותית שואלת "מה היה הדפוס הראשון של 3 חודשים של מוצרים שפורסמו במקטעים דומים בעבר?" ניתוח והגדר אותו כטווח תחזית, עם מלאי התחלתי זהיר. שיקול הדעת של המומחה הכריע את האמון הפיקטיבי של הבינה המלאכותית.

מקרה 3 - חסר מלאי הוא מלכודת היום. אנליסט הגיע למסקנה שהביקוש למוצר ירד והמליץ ​​להפחית את המלאי. עמיתו הבכיר שם לב שימי המכירה הנמוכים בנתונים היו למעשה ימי אזל מהמלאי: הביקוש לא ירד, לא הייתה סחורה. כאשר הנתונים תוקנו עם הערה זו ונמסרו מחדש ל-AI, ניתן היה לראות שהביקוש האמיתי גדל. נתונים שנוקים בצורה לא נכונה מייצרים תחזיות שגויות.

ארבע תבניות הניתנות להעתקה

1) מיצוי דפוס:

תפקידך: עוזר מנתח תכנון ביקוש. להלן נתוני המכירות החודשיים של מוצר (קוד אנונימי: PRODUCT-X) עבור 36 החודשים האחרונים. חודשי מסע פרסום [רשימת חודשים], חודשים ללא מלאי [רשימת חודשים]. משימה: סכם (1) את המגמה, (2) את הדפוס העונתי, (3) את האירועים הבולטים. קחו בחשבון שחודשים ללא מלאי מסתירים ביקוש אמיתי. החודש שעליו לא סיפקתי נתונים הוא בדוי.

2) בדיקת דיוק:

חזה את 6 החודשים האחרונים באמצעות 30 החודשים הראשונים מתוך 36 החודשים הבאים. לאחר מכן השווה את התחזית שלי ל-6 החודשים האחרונים בפועל; חשב את הסטייה ואת סך MAPE עבור כל חודש. תגיד לי אם ההערכה שלך מוטה באופן עקבי. הצג נוסחה.

3) תחזית תרחיש:

הערך את הביקוש החודשי ברבעון הבא למוצר זה ב-3 תרחישים: פסימי / צפוי / אופטימי. תן רווח סמך לכל תרחיש ורשום על איזו הנחה הוא מבוסס. שימו לב שזה לא סופי אלא מרווח לתכנון.

4) בקרת שבירה:

רשום כיצד התחזית המבוססת על נתונים היסטוריים שנתתי לך עלולה להיפסל על ידי האירועים הבאים: [מוצר חדש / קידום מכירות / משבר אספקה / שינוי רגולטורי]. הצע כיצד עלי להתאים באופן ידני את התחזית עבור כל אחד מהם.

הנחיה חלשה / הנחיה חזקה

הנחיה חלשה:

כמה אמכור בחודש הבא?

אין נתונים, אין מוצר, אין הקשר. AI דוחה או מפצה; אף אחת מהתוצאות לא עובדת.

הנחיה עוצמתית:

תפקידך: עוזר תכנון דרישה. להלן המכירות של PRODUCT-X במהלך 24 החודשים האחרונים; חודשי קמפיין וחודשים ללא מלאי מסומנים. תן תחזית פסימית/צפויה/אופטימית ל-3 החודשים הבאים, הוסף רווח סמך לכל אחד מהם, הראה MAPE על פני מבחן עבר. תעמיד פנים שיש לי את החלטת המניה הסופית.

גישה

להכות

ניהול אי ודאות

סיכון

להסתמך על מספר בודד

מטעה

אין

גבוה - התוכנית קורסת

תרחיש + טווח

מציאותי

טוב

נמוך

רק אינטואיציה

משתנה

חלש

בינוני-גבוה

ציות עיוור לבינה מלאכותית

משתנה

אין

גבוה

טעויות נפוצות

• טועה ביום יציאת המלאי בביקוש נמוך אמיתי. כאשר סחורה אינה זמינה, המכירות נראות נמוכות; זה לא אומר שהביקוש ירד.
• נעילת מספר בודד. לראות בתחזית אמת מוחלטת זה להתעלם מאי הוודאות; בקש תמיד טווח ותרחיש.
• לא מתייג את הקמפיין. המודל שחושב שהקפצת קידום מכירות היא "נורמלית" מעוות את העתיד.
• חיזוי למוצר חדש ללא היסטוריה. המספר הבטוח לכאורה של AI למוצר ללא נתונים אינו מבוסס.
• משאירים את השבירה ל-AI. בינה מלאכותית אינה מכירה הפסקות מבניות כגון מגיפות, משברי אספקה ​​וחקיקה; יש לעשות התערבות מומחים.

זהירות: לא משנה כמה תחזית נראית טובה, היא לא יכולה להיות טובה יותר מאיכות הנתונים שעליהם היא מבוססת. "זבל פנימה, זבל החוצה." השקיעו את רוב זמנכם בניקוי נתונים; חלק הדגם עושה את השאר.

לסיכום

חיזוי ביקוש הוא המנוע של שרשרת האספקה, ובינה מלאכותית היא עוזר חזק שמאיץ את המנוע הזה. אבל בינה מלאכותית לומדת מהעבר; טועה כאשר העתיד אינו דומה לעבר. צלם מגמה ועונתיות, תייג אירועים, מדידת דיוק עם MAPE וכיוון סחיפה, הגדר תחזית כתרחיש וטווח, לא מספר בודד. שיקול דעת מומחים מגיע ראשון במוצרים חדשים ובשברים מבניים. ניקוי נתונים הוא הבסיס לכל דבר; התוכנית הסופית היא שלך.

משימת יישום

קבל נתוני מכירות עבור 12-24 החודשים האחרונים של אחד מהמוצרים שלך (או מוצר היפותטי), סמן את הקמפיין וחודשי אזל המלאי. בקש מה-AI שלושה תרחישים עם תבנית "חיזוי תרחיש". לאחר מכן אחסן חלק מההיסטוריה עם תבנית "בדיקת דיוק" והשווה את התחזית למציאות. רשום את MAPE שמצאת ואת התרחיש שבחרת, יחד עם הסיבה שלו, ב-5 פריטים; ציין גם איזה מאגר אבטחה תוסיף.

רשימת בדיקה

• [ ] האם ניקיתי את הנתונים, סימנתי אזל מהמלאי וימי מסע הפרסום?
• [ ] האם אימתתי את החיזוי עם MAPE וכיוון הטיה באמצעות בדיקה לאחור?
• [ ] האם ביקשתי תרחיש ורווח סמך במקום מספר בודד?
• [ ] אם יש מוצר חדש/שבר, האם נתתי עדיפות לשיקול דעת מומחה?
• [ ] האם הכפיתי את תוכנית המלאי הסופית לאישור שלי?