मांग का पूर्वानुमान: समय श्रृंखला, मौसमी और अनिश्चितता का प्रबंधन

लाभ:

• समय श्रृंखला, प्रवृत्ति, मौसमी और अभियान प्रभाव की अवधारणाओं को समझने और सही प्रश्नों और स्वच्छ डेटा के साथ मांग के पूर्वानुमान के लिए कृत्रिम बुद्धिमत्ता का उपयोग करने की क्षमता।
• पूर्वानुमान सटीकता (एमएपीई, विचलन) और अनिश्चितता (विश्वास अंतराल, परिदृश्य) की व्याख्या करने की क्षमता और एकल संख्या के बजाय एक सीमा पर आधार योजना बनाना
• यह भेद करने में सक्षम होना कि कृत्रिम बुद्धिमत्ता की भविष्यवाणी ऐतिहासिक डेटा पर आधारित है और विशेषज्ञ का निर्णय नए उत्पादों, प्रचार या आपूर्ति संकट जैसे ब्रेक के मामलों में सामने आता है।

आपूर्ति श्रृंखला में प्रत्येक निर्णय एक प्रश्न पर आधारित होता है: कितनी मांग होगी? आप इस प्रश्न का जितना अधिक सटीक उत्तर देंगे, आपके पास उतना ही कम स्टॉक होगा, आप उतने ही कम स्टॉक से बाहर रहेंगे, और आप उतना ही कम पैसा बाँधेंगे। मांग का पूर्वानुमान आपूर्ति श्रृंखला का इंजन है; स्टॉक, खरीदारी, उत्पादन और परिवहन योजनाएँ सभी यहीं से फीड की जाती हैं। इस क्षेत्र में आर्टिफिशियल इंटेलिजेंस बेहद शक्तिशाली है क्योंकि यह हजारों उत्पादों के इतिहास को मानव की तुलना में बहुत तेजी से स्कैन करता है और पैटर्न निकालता है। लेकिन इसकी शक्ति का स्रोत इसकी सीमा भी है: एआई अतीत से सीखता है; यदि भविष्य अतीत जैसा नहीं है तो यह ग़लत है। इस इकाई में, हम भविष्यवाणी की भाषा सीखेंगे, सटीकता को मापेंगे, अनिश्चितता का प्रबंधन करेंगे और एआई को आपके सामने कहां समर्पण करना चाहिए।

पूर्वानुमान की भाषा: समय श्रृंखला, प्रवृत्ति, मौसमी

मांग डेटा आम तौर पर एक समय श्रृंखला होती है - समय के अनुसार क्रमबद्ध संख्याओं की एक श्रृंखला, जैसे किसी उत्पाद की प्रत्येक दिन की बिक्री। इस क्रम को तीन भागों में विभाजित करना भविष्यवाणी का आधार है:

प्रवृत्ति, दीर्घकालिक दिशा: क्या बिक्री साल-दर-साल बढ़ रही है या घट रही है? मौसमी, नियमित रूप से आवर्ती उतार-चढ़ाव: आइसक्रीम गर्मियों में बिकती है, हीटर सर्दियों में बिकता है; शुक्रवार और शनिवार को बाजार व्यस्त रहता है। शोर, अस्पष्टीकृत यादृच्छिक खेल। एक अच्छा पूर्वानुमान प्रवृत्ति और मौसमी को पकड़ लेता है और शोर से मूर्ख नहीं बनता है। इनके शीर्ष पर, घटनाएँ ढेर हो जाती हैं: अभियान, प्रचार, सार्वजनिक अवकाश, मौसम, प्रतिस्पर्धी चाल। जब आप एआई से भविष्यवाणी करते हैं, तो आपको उसे ये घटनाएं बतानी होंगी; यदि आप उसे नहीं बताते हैं, तो वह सोचेगा कि अभियान के दिन कूदना "सामान्य" है और भविष्य के बारे में गलती करेगा।

युक्ति: एआई को कच्चा बिक्री डेटा देते समय, अभियानों, छुट्टियों और स्टॉक से बाहर के दिनों को चिह्नित करें। बिना स्टॉक वाला दिन महत्वपूर्ण है: उस दिन बिक्री कम दिखाई देती है, लेकिन वास्तविक मांग अधिक थी, कोई सामान उपलब्ध नहीं था। यदि आप इसे निर्दिष्ट नहीं करते हैं, तो एआई वास्तविक मांग को कम आंकेगा।

मापने की सटीकता: एमएपीई और पूर्वाग्रह

"क्या पूर्वानुमान अच्छा है?" प्रश्न का उत्तर महसूस करने से नहीं, मापने से आता है। सबसे आम संकेतक एमएपीई (मीन एब्सोल्यूट परसेंट एरर - औसतन कितने प्रतिशत अंक पूर्वानुमान वास्तविकता से विचलित होते हैं) है। यदि एमएपीई 10% है, तो इसका मतलब है कि आपकी भविष्यवाणियां वास्तविक मूल्य से औसतन 10% चूक जाती हैं; निचला MAPE बेहतर है. दूसरी महत्वपूर्ण अवधारणा पूर्वाग्रह है: क्या आपका पूर्वानुमान लगातार ऊपर (ओवरस्टॉक का उत्पादन) या अंडरस्टॉकिंग (कम स्टॉक छोड़ना) वास्तविकता है? भले ही किसी पूर्वानुमान का एमएपीई कम हो, अगर वह हमेशा एक ही दिशा में भटकता है, तो एक व्यवस्थित समस्या है।

आप एआई के इतिहास के एक हिस्से को "प्रशिक्षण" के रूप में और कुछ हिस्से को "परीक्षण" के रूप में दे सकते हैं और इसकी भविष्यवाणी की वास्तविकता से तुलना कर सकते हैं। विश्वास कायम करने का यह ईमानदार तरीका है: उस मॉडल का उस डेटा पर परीक्षण करना जिसे उसने नहीं देखा है। एक भविष्यवाणी केवल तभी भविष्य में लागू करने लायक है यदि वह अतीत में सुसंगत साबित हुई हो।

सावधानी: कोई भी भविष्यवाणी 100% सटीक नहीं होती; ऐसा होने की उम्मीद नहीं है. लक्ष्य एक पूर्ण एकल संख्या उत्पन्न करना नहीं है, बल्कि विचलन को जानते हुए एक प्रबंधनीय सीमा उत्पन्न करना है। "भविष्यवाणी सच हुई/यह काम नहीं की" का द्विआधारी विचार गलत है; सही सवाल यह है कि "इसमें कितना विचलन हुआ और मैंने तदनुसार कितना बफर रखा?"

अनिश्चितता का प्रबंधन: सीमा, एकल संख्या नहीं

योजनाकार की सबसे खतरनाक आदत पूर्वानुमान को एक कठिन संख्या के रूप में मानना है। वास्तव में, प्रत्येक पूर्वानुमान में एक आत्मविश्वास अंतराल होता है - जैसे "अगले महीने की मांग 900 और 1,100 के बीच होने की संभावना है।" यह दायरा जितना व्यापक होगा, अनिश्चितता उतनी ही अधिक होगी। रेंज जानने का सीधा असर आपके स्टॉक निर्णय पर पड़ता है: संकीर्ण रेंज के लिए कम सुरक्षा स्टॉक की आवश्यकता होती है, विस्तृत रेंज के लिए अधिक बफर की आवश्यकता होती है।

इसलिए हमेशा एआई से परिदृश्य पूछें: निराशावादी (यदि मांग कम हो जाती है), अपेक्षित और आशावादी (यदि मांग अधिक हो जाती है)। तीन परिदृश्यों को देखते हुए, योजना किसी एक धारणा पर नहीं बल्कि संभावित संभावनाओं की एक श्रृंखला पर आधारित है। यह "एकल संख्या में बंद" जाल से बाहर निकलने का सबसे व्यावहारिक तरीका है।

चरण दर चरण: एआई के साथ मांग पूर्वानुमान अध्ययन

1. स्पष्ट डेटा। गुम दिनों, स्टॉक से बाहर के दिनों को चिह्नित करें, ग़लत रिकॉर्ड खोलें; अनाम उत्पाद कोड के साथ कार्य करें.
2. इवेंट टैग करें. डेटा में अभियान, अवकाश और प्रचार दिन जोड़ें।
3. पैटर्न घटाएँ. एआई से रुझानों, मौसमी और उल्लेखनीय घटनाओं को सारांशित करने के लिए कहें।
4. इसका परीक्षण करें. इतिहास के अंतिम भाग को संग्रहीत करें, AI को भविष्यवाणी करने दें, वास्तविकता से तुलना करें (MAPE और पूर्वाग्रह दिशा)।
5. एक परिदृश्य बनाएं. तीन भविष्यवाणियाँ पूछें, निराशावादी/अपेक्षित/आशावादी, और प्रत्येक के लिए आत्मविश्वास अंतराल।
6. विशेषज्ञ फ़िल्टर. एआई को ज्ञात आगामी व्यवधानों (नए उत्पाद, आपूर्ति संकट, कानून) के बारे में पता नहीं है; उन्हें मैन्युअल रूप से जोड़ें. अंतिम योजना आपकी है.

तीन मिनी मामले

केस 1 - मौसमी को पकड़ना। एक पेय वितरक शिकायत कर रहा था कि गर्मी के महीनों के दौरान उसका स्टॉक लगातार ख़त्म हो रहा था और सर्दियों में उसके पास माल बचा हुआ था। योजनाकार ने YZ को 3 साल की गुमनाम दैनिक बिक्री दी और मौसमी हटा दी: जून-अगस्त की मांग सर्दियों के औसत से 2.4 गुना थी, और उछाल हर साल मई के मध्य में शुरू हुआ। इस पैटर्न के अनुसार, उन्होंने अपना ग्रीष्मकालीन स्टॉक 3 सप्ताह पहले ही तैयार कर लिया; ग्रीष्मकालीन डेड स्टॉक में 70% की कमी आई, शीतकालीन डेड स्टॉक में गिरावट आई। एआई ने दिखाया पैटर्न; योजनाकार ने स्टॉक का निर्णय लिया।

केस 2 - नए उत्पाद को अपनाना। एक कंपनी बिल्कुल नया उत्पाद लॉन्च करने जा रही थी; कोई ऐतिहासिक बिक्री डेटा नहीं था. योजनाकार ने एआई से पूछा, "पहले 3 महीनों के लिए मांग क्या होगी?" उसने पूछा. एआई ने एक संख्या तैयार की जो उचित लग रही थी - लेकिन योजनाकार को पता था कि यह निराधार था: कोई डेटा नहीं था। इसके बजाय, एआई पूछता है "अतीत में समान सेगमेंट में जारी किए गए उत्पादों का पहला 3 महीने का पैटर्न क्या था?" विश्लेषण करें और इसे सतर्क शुरुआती स्टॉक के साथ पूर्वानुमान सीमा के रूप में सेट करें। विशेषज्ञ निर्णय ने एआई के काल्पनिक विश्वास को खारिज कर दिया।

केस 3 - स्टॉकलेस आज का जाल है। एक विश्लेषक ने निष्कर्ष निकाला कि उत्पाद की मांग गिर गई है और उसने इन्वेंट्री कम करने की सिफारिश की है। उनके वरिष्ठ सहयोगी ने देखा कि डेटा में कम बिक्री वाले दिन वास्तव में स्टॉक से बाहर के दिन थे: मांग में गिरावट नहीं हुई थी, कोई सामान नहीं था। जब इस नोट के साथ डेटा को सही किया गया और एआई को दोबारा दिया गया तो देखा गया कि वास्तविक मांग में वृद्धि हुई है। गलत तरीके से साफ़ किया गया डेटा गलत भविष्यवाणियाँ उत्पन्न करता है।

चार प्रतिलिपि योग्य टेम्पलेट

1) पैटर्न निष्कर्षण:

आपकी भूमिका: सहायक मांग योजना विश्लेषक। नीचे पिछले 36 महीनों के लिए एक उत्पाद का मासिक बिक्री डेटा (अनाम कोड: PRODUCT-X) दिया गया है। अभियान महीने [माह सूची], स्टॉक-मुक्त महीने [माह सूची]। कार्य: (1) प्रवृत्ति, (2) मौसमी पैटर्न, (3) उल्लेखनीय घटनाओं का सारांश प्रस्तुत करें। इस बात को ध्यान में रखें कि बिना स्टॉक वाले महीने सच्ची मांग को छिपा देते हैं। जिस महीने का मैंने डेटा उपलब्ध नहीं कराया वह मनगढ़ंत है।

2) सटीकता परीक्षण:

नीचे दिए गए 36 महीनों में से पहले 30 का उपयोग करके पिछले 6 महीनों की भविष्यवाणी करें। फिर मेरी भविष्यवाणी की तुलना वास्तविक पिछले 6 महीनों से करें; प्रत्येक माह के लिए विचलन और कुल एमएपीई की गणना करें। मुझे बताएं कि क्या आपका अनुमान लगातार पक्षपातपूर्ण है। सूत्र दिखाएँ.

3) परिदृश्य पूर्वानुमान:

इस उत्पाद की अगली तिमाही की मासिक मांग का अनुमान तीन परिदृश्यों में लगाएं: निराशावादी/अपेक्षित/आशावादी। प्रत्येक परिदृश्य के लिए एक विश्वास अंतराल दें और लिखें कि यह किस धारणा पर आधारित है। ध्यान दें कि यह निश्चित नहीं बल्कि नियोजन के लिए एक अंतराल है।

4) टूटफूट नियंत्रण:

सूचीबद्ध करें कि मेरे द्वारा आपको दिए गए ऐतिहासिक डेटा पर आधारित पूर्वानुमान निम्नलिखित आगामी घटनाओं द्वारा कैसे अमान्य हो सकता है: [नया उत्पाद / प्रचार / आपूर्ति संकट / नियामक परिवर्तन]। सुझाव दें कि मुझे प्रत्येक के लिए पूर्वानुमान को मैन्युअल रूप से कैसे समायोजित करना चाहिए।

कमजोर संकेत/मजबूत संकेत

कमजोर संकेत:

मैं अगले महीने कितना बेचूंगा?

कोई डेटा नहीं, कोई उत्पाद नहीं, कोई संदर्भ नहीं। एआई या तो अस्वीकार करता है या बना देता है; न तो परिणाम काम करता है.

शक्तिशाली संकेत:

आपकी भूमिका: मांग योजना सहायक। पिछले 24 महीनों में उत्पाद-एक्स की बिक्री नीचे दी गई है; अभियान माह और स्टॉक-मुक्त माह चिह्नित हैं। अगले 3 महीनों के लिए निराशावादी/अपेक्षित/आशावादी पूर्वानुमान दें, प्रत्येक में आत्मविश्वास अंतराल जोड़ें, पिछले परीक्षण पर एमएपीई दिखाएं। ऐसा दिखाओ कि स्टॉक पर अंतिम निर्णय मेरे पास है।

दृष्टिकोण

मारो

अनिश्चितता प्रबंधन

जोखिम

एकल संख्या पर भरोसा करें

भ्रामक

कोई नहीं

उच्च - योजना ध्वस्त हो जाती है

परिदृश्य + रेंज

यथार्थवादी

अच्छा

कम

बस अंतर्ज्ञान

परिवर्तनीय

कमजोर

मध्यम-उच्च

एआई का आंख मूंदकर पालन करना

परिवर्तनीय

कोई नहीं

उच्च

सामान्य गलतियाँ

• स्टॉक ख़त्म होने के दिन को वास्तविक कम मांग समझ लेना। जब सामान उपलब्ध नहीं होता, तो बिक्री कम दिखाई देती है; इसका मतलब यह नहीं है कि मांग गिर गयी है.
• एक ही नंबर में लॉक करना. भविष्यवाणी को पूर्ण सत्य के रूप में देखना अनिश्चितता को नजरअंदाज करना है; हमेशा रेंज और परिदृश्य के बारे में पूछें।
• अभियान को टैग नहीं किया जा रहा है. जो मॉडल सोचता है कि प्रमोशनल उछाल "सामान्य" है, वह भविष्य को विकृत करता है।
• इतिहास के बिना नए उत्पाद की भविष्यवाणी। डेटा के बिना उत्पाद के लिए एआई की प्रतीत होने वाली सुरक्षित संख्या निराधार है।
• ब्रेकिंग को एआई पर छोड़ रहा हूं। एआई को महामारी, आपूर्ति संकट और कानून जैसे संरचनात्मक व्यवधानों का पता नहीं है; विशेषज्ञ का हस्तक्षेप होना चाहिए.

सावधानी: कोई भी भविष्यवाणी कितनी भी अच्छी क्यों न लगे, वह उस डेटा की गुणवत्ता से बेहतर नहीं हो सकती जिस पर वह आधारित है। "कचरा आया कचरा गया।" अपना अधिकांश समय डेटा साफ़ करने में व्यतीत करें; मॉडल भाग बाकी काम करता है।

सारांश

मांग का पूर्वानुमान आपूर्ति श्रृंखला का इंजन है, और एआई एक शक्तिशाली सहायक है जो इस इंजन को गति देता है। लेकिन एआई अतीत से सीखता है; गलती तब होती है जब भविष्य अतीत जैसा नहीं होता। प्रवृत्ति और मौसमी को कैप्चर करें, घटनाओं को टैग करें, एमएपीई और बहाव दिशा के साथ सटीकता को मापें, पूर्वानुमान को परिदृश्य और सीमा के रूप में सेट करें, एकल संख्या के रूप में नहीं। नए उत्पादों और संरचनात्मक बदलावों में विशेषज्ञ का निर्णय सबसे पहले आता है। डेटा सफ़ाई हर चीज़ का आधार है; अंतिम योजना आपकी है.

आवेदन कार्य

अपने किसी उत्पाद (या किसी काल्पनिक उत्पाद) के पिछले 12-24 महीनों का बिक्री डेटा प्राप्त करें, अभियान और स्टॉक से बाहर के महीनों को चिह्नित करें। "परिदृश्य भविष्यवाणी" टेम्पलेट के साथ तीन परिदृश्यों के लिए एआई से पूछें। फिर कुछ इतिहास को "सटीकता परीक्षण" टेम्पलेट के साथ संग्रहीत करें और भविष्यवाणी की वास्तविकता से तुलना करें। आपको मिले MAPE और आपके द्वारा चुने गए परिदृश्य को, उसके कारण सहित, 5 आइटमों में लिखें; यह भी निर्दिष्ट करें कि आप कौन सा सुरक्षा बफ़र जोड़ेंगे।

चेकलिस्ट

• [ ] क्या मैंने डेटा साफ़ कर दिया है, स्टॉक से बाहर और अभियान के दिनों को चिह्नित कर लिया है?
• [ ] क्या मैंने बैकटेस्टिंग के माध्यम से एमएपीई और पूर्वाग्रह दिशा के साथ भविष्यवाणी को मान्य किया है?
• [ ] क्या मैंने एकल संख्या के बजाय परिदृश्य और विश्वास अंतराल के बारे में पूछा?
• [ ] यदि कोई नया उत्पाद/टूट-फूट है, तो क्या मैंने विशेषज्ञ के निर्णय को प्राथमिकता दी है?
• [ ] क्या मैंने अंतिम स्टॉक योजना को अपनी मंजूरी के अधीन रखा है?