Dobici:
- Sposobnost izrade nacrta prognoze potražnje na temelju SKU-a uz podršku umjetne inteligencije kombiniranjem povijesnih podataka o prodaji, sezonskih učinaka i vanjskih čimbenika.
- Sposobnost tumačenja točnosti predviđanja (MAPE, pristranost) i razlikovanja poslovnih posljedica precjenjivanja i podcjenjivanja
- Biti u mogućnosti održati da je prognoza koju proizvodi umjetna inteligencija predviđanje, a konačna odluka o narudžbi pripada upravitelju zajedno s troškom zaliha i novčanim tokom.
Dvije su najskuplje pogreške u maloprodaji: držati previše zaliha i pustiti novac da čami na polici ili ne držati dovoljno zaliha i ostaviti kupca praznih ruku. Oba imaju isti izvor: loše predviđanje potražnje. U ovoj ćete jedinici naučiti kako koristiti umjetnu inteligenciju kao moćnog pomoćnika koji predviđa budućnost na temelju prošlih prodaja. Ali recimo od početka: predviđanje nije proročanstvo, već vjerojatnosno predviđanje. AI vam daje broj; Vaš je posao pretvoriti taj broj u odluku o naručivanju.
Predviđanje potražnje: Zadatak je predviđanja koliko će se proizvoda ili kategorije prodati u budućnosti gledajući povijesne podatke i čimbenike utjecaja.
SKU (jedinica za čuvanje zaliha): To je jedinstveni kod zaliha koji se čuva za svaku različitu varijantu proizvoda. Na primjer, "crvene tenisice broj 42" je SKU; broj 43 istog modela je zasebni SKU.
Tri izvora informacija koji daju prognozu
Dobra prognoza kombinira tri stvari:
- Povijesna prodaja (osnovna vrijednost): Tjedna/mjesečna prodaja proizvoda u zadnjih 12-24 mjeseca. AI izvlači "normalnu" razinu iz ove serije.
- Sezonski i kalendarski učinci: praznici, školski rok, ljeto-zima, vikend, isplata. Na primjer, sladoled se povećava ljeti, a čarape zimi.
- Vanjski čimbenici: Kampanja, promjena cijena, vrijeme, kretanje konkurenata, otvaranje/zatvaranje. Oni guraju procjenu gore ili dolje.
Savjet: nemojte samo reći umjetnoj inteligenciji "prodali smo 100 prošli mjesec." Recite: "Prošli smo mjesec prodali 100, ali je bio popust od 20% i bio je blagdanski tjedan." Bez konteksta, predviđanje je pogrešno.
Generiranje predviđanja korak po korak
- Pripremite podatke: Anonimna, čista tablica: datum, SKU, prodana količina, cijena, promocija/bez promocije, dostupnost. Označite dane rasprodanih proizvoda; Inače će umjetna inteligencija taj dan smatrati "niskom potražnjom".
- Dajte kontekst: Zapišite sezonu, nadolazeće događaje, planirane kampanje.
- Zatražite prognozu: Zatražite prognozu i interval pouzdanosti (najgori/najbolji scenarij) za određeno razdoblje, prema SKU-u ili kategoriji.
- Izmjerite točnost: usporedite svoja prošla predviđanja sa stvarnošću (MAPE u nastavku).
- Pretvorite to u odluku: Kombinirajte procjenu sa sigurnosnim zalihama i proračunom i donesite odluku o naručivanju.
Točnost prognoze očitavanja: MAPE i pristranost
MAPE (Mean Absolute Percent Error): Prikazuje prosječni postotak odstupanja predviđanja od stvarne prodaje. Formula je jednostavna: |stvarno − prognoza| za svako razdoblje / real je njihov prosjek.
- MAPE 10% → procjene odstupaju za 10% u prosjeku, prilično dobro.
- MAPE 40% → prognoze su nepouzdane, potreban je veći međuspremnik (sigurnosna zaliha) za odluku o narudžbi.
Smjer (pristranost): Je li vaša prognoza dosljedno iznad (rizik od prevelikih zaliha) ili ispod (rizik od zaliha) realnosti? Pogledajte i ovo; MAPE ne pokazuje smjer.
Status
Značenje
poslovni rezultat
Stalno visoka procjena
Preuveličavate potražnju
Višak zaliha, krah, gubitak marže
Stalno podcjenjivanje
Podcjenjujete potražnju
Nema zaliha, propuštena prodaja, nezadovoljstvo
Visok MAPE, uravnotežen smjer
Neizvjesnost je velika
Povećajte sigurnosnu zalihu, često pregledavajte
Nizak MAPE
točno predviđanje
Siromašnije dionice, bolja gotovina
mini kućišta
Slučaj 1 — Nedostaje sezonalnost: Trgovina mješovitom robom naručuje školske bilježnice na temelju prošlogodišnje srpanjske prodaje (200 jedinica mjesečno). Kada se umjetnoj inteligenciji da kontekst "školskog roka od kolovoza do rujna, prodaja se učetverostručila u ovom razdoblju prošle godine", predviđanje se povećava na 780 jedinica umjesto 200. Zahvaljujući ispravnom redoslijedu, ne ostajete bez zaliha tijekom školske godine; Procijenjeni promet od 60.000 TL, koji je pobjegao prethodne godine, hvata se ove godine.
Slučaj 2 — Ne računajući dan kada nije bilo na zalihama: U trgovini nije bilo zaliha popularne kave 3 tjedna. Gledajući sirove podatke, umjetna inteligencija vidi te tjedne kao "5 prodaja tjedno" i daje nisku procjenu. Kada analitičar označi dane bez zaliha i kaže "ovi tjedni ne odražavaju potražnju", prognoza se povećava na 45 tjedno. Pojavljuje se prava potražnja.
Slučaj 3 — Generaliziranje učinka kampanje: tekstilni lanac tjedno rasprodaju s popustom od 50% (600 jedinica) smatra "normalnom" i stalno naručuje 600. Kada se umjetnoj inteligenciji kaže "ova je rasprodaja napravljena jednokratnom kampanjom, normalan tjedan je 180", predviđanje se ispravlja. Rizik prevelikih zaliha i kasnijeg gubitka smanjene cijene je spriječen.
Horizont predviđanja: koliko daleko možete vidjeti?
Horizont prognoze: Koliko daleko u budućnost je napravljena prognoza. Pravilo je jednostavno: što je duži horizont, veća je neizvjesnost. Predviđate prodaju sljedećeg tjedna relativno točno; šest mjeseci kasnije s puno širim rasponom. Stoga odaberite horizont prognoze prema potrebi odluke o narudžbi: kratak horizont i često ažuriranje za svježi proizvod koji se brzo potroši; Duži horizont i šira granica sigurnosti za uvezene proizvode s dugim rokovima isporuke.
Još jedna važna razlika je predviđanje novih proizvoda. Ne postoji prošla prodaja novog SKU-a; u ovom slučaju dajete AI-u povijest sličnih proizvoda (analognih), prosjek kategorije i plan lansiranja. Reći "Ovaj proizvod nema povijest; dajte početnu procjenu gledajući prvih 8 tjedana sličnih proizvoda X i Y" razuman je način da se popuni praznina. Međutim, predviđanje novih proizvoda uvijek je riskantnije; Brzo revidirajte prognozu kada stvarni podaci za prve tjedne postanu dostupni.
Oprez: nemojte tretirati procjenu kao "napravi to jednom i zaboravi". Predviđanje potražnje je živ proces; Svaki novi prodajni tjedan prilika je za ažuriranje prognoze. Najbolji prognozeri su oni koji koriste onaj koji se najčešće ažurira, a ne najpametniji model.
Slab upit / Jak upit
Slab upit:
Recite mi koliko će se ovaj proizvod prodati sljedeći mjesec.
Nema konteksta; AI čini nasumični broj.
Snažan upit:
Vaša uloga: stručnjak za planiranje potražnje. Podaci: Ispod su mjesečna prodajna količina i cijena za zadnjih 18 mjeseci za SKU 4471 i postoji li kampanja taj mjesec. Kontekst: Ovaj proizvod su ljetne sandale; Vrhunac potražnje je u svibnju i kolovozu. Sljedeći mjesec je lipanj. Nema planirane kampanje. Cijena je fiksna. Zadatak: (1) očekivana količina prodaje za lipanj, (2) raspon najgoreg i najboljeg scenarija, (3) 2 glavna čimbenika koji utječu na prognozu. Pravilo: Ne računajte mjesece označene kao nedostupni kao nisku potražnju. Samo na temelju danih podataka. Podaci: [zalijepite tablicu]
Predlošci upita koji se mogu kopirati
1) Predviđanje na temelju SKU-a
Vaša uloga: stručnjak za planiranje potražnje. Generirajte buduću prognozu za [razdoblje] za [SKU] iz sljedećeg anonimnog niza mjesečne prodaje. Izlaz: očekivana količina + najgori/najbolji raspon + 2 pretpostavke. Isključite razdoblja označena kao da nema na zalihama. Podaci: [zalijepi]
2) Uklanjanje sezonskog uzorka
Pronađite sezonski obrazac koji se ponavlja u 24-mjesečnoj seriji rasprodaja u nastavku. Koji su mjeseci na vrhu, a koji na dnu? Navedite odstupanje od srednje vrijednosti kao postotak. Predstavite ga u obliku tablice. Podaci: [zalijepi]
3) Procjena točnosti predviđanja
Ispod su moje povijesne procjene i stvarna prodaja. (1) Izračunajte MAPE, (2) kreće li se moja prognoza stalno više ili niže, (3) što to znači za dionicu? Prikaži korak po korak. Podaci: [procjena, stvarni stupci]
4) Izdvojite učinak kampanje
Tjedni kampanje označeni su u prodajnoj seriji ispod. Procijenite normalnu potražnju (bez kampanje); Navedite učinak kampanje kao zasebni postotak povećanja. Stoga želim vidjeti normalnu razinu narudžbe. Podaci: [zalijepi]
Uobičajene greške
- Bez navođenja konteksta: Ako kampanja, sezona, promjena cijene nisu navedeni, predviđanje će biti pogrešno.
- Treba li računati dane kada nema zaliha kao potražnju: Razdoblje kada nema zaliha skriva stvarnu potražnju; ocjena.
- Prihvaćanje promotivne prodaje kao normalno: Mišljenje da je jednokratno povećanje trajno dovest će do viška zaliha.
- Oslanjanje na jedan broj: Ne željeti raspon (scenarij) i oslanjanje na jednu točku krije rizik.
- Uopće se ne mjeri točnost: Ako se MAPE i smjer ne prate, predviđanje postaje sve gore i gore.
- Izrada izravnih narudžbi s predračunom: Naručivanje bez gotovine, kontrole skladišta i roka trajanja.
Ukratko
Dobro predviđanje kombinira prošle prodaje, sezonalnost i vanjske čimbenike. Obavezno dajte AI-ju kontekst (kampanja, sezona, dani kada nema zaliha). Pratite točnost prognoze s MAPE i bias smjerom; Povećajte sigurnosnu zalihu u visokoj neizvjesnosti. Predviđanje je predviđanje; Konačna odluka o naručivanju je vaša, zajedno s proračunom i ograničenjima.
Zadatak aplikacije
Dobijte podatke o prodaji svojih 5 najprodavanijih SKU-ova u zadnjih 12-18 mjeseci u anonimnoj tablici i označite razdoblja rasprodaje i kampanje. Generirajte buduću prognozu s upitom "1) Prognoza temeljena na SKU-u", zatim izdvojite MAPE vaših prošlih prognoza s "3) Procjenom točnosti prognoze". Usporedite rezultat s vlastitom odlukom o naručivanju.
popis za provjeru
- [ ] Anonimizirao sam i očistio svoje podatke o prodaji.
- [ ] Označio sam razdoblja rasprodaje i kampanje.
- [ ] AI-ju sam dao kontekst sezone i vanjskih faktora.
- [ ] Htio sam raspon scenarija, a ne jedan broj.
- [ ] Provjerio sam MAPE i smjer skretanja.
- [ ] Donio sam odluku o naručivanju na temelju proračuna i ograničenja.