Dobici:
- Sposobnost razumijevanja koncepata vremenske serije, trenda, sezonalnosti i utjecaja kampanje te korištenje umjetne inteligencije za predviđanje potražnje s pravim pitanjima i čistim podacima.
- Sposobnost tumačenja točnosti prognoze (MAPE, odstupanje) i nesigurnosti (interval pouzdanosti, scenariji) i temelj planiranja na rasponu, a ne na jednom broju
- Biti u stanju razlikovati da se predviđanje umjetne inteligencije temelji na povijesnim podacima i da stručna prosudba dolazi do izražaja u slučajevima prekida kao što su novi proizvodi, promocije ili krize opskrbe.
Svaka odluka u opskrbnom lancu temelji se na jednom pitanju: kolika će biti potražnja? Što točnije odgovorite na ovo pitanje, manje dionica imate, manje dionica ostajete po strani i manje novca vežete. Predviđanje potražnje motor je opskrbnog lanca; Odavde se unose planovi zaliha, nabave, proizvodnje i transporta. Umjetna inteligencija je na ovom polju iznimno moćna jer puno brže od čovjeka skenira povijest tisuća proizvoda i izvlači uzorke. Ali izvor njezine moći također je i njezina granica: umjetna inteligencija uči iz prošlosti; Ako budućnost ne sliči prošlosti, pogrešna je. U ovoj jedinici naučit ćemo jezik predviđanja, točnost mjerenja, upravljanje neizvjesnošću i gdje vam se AI treba predati.
Jezik predviđanja: vremenske serije, trend, sezonalnost
Podaci o potražnji obično su vremenske serije — niz brojeva poredanih po vremenu, kao što je prodaja proizvoda za svaki dan. Dijeljenje ovog niza u tri dijela osnova je predviđanja:
Trend, dugoročni smjer: raste li ili pada prodaja iz godine u godinu? Sezonalnost, redovita fluktuacija: sladoled se prodaje ljeti, grijač zimi; Tržnica je prometna u petak i subotu. Šum, neobjašnjivo nasumično sviranje. Dobra prognoza bilježi trend i sezonalnost i ne može se zavarati bukom. Povrh toga, gomilaju se događaji: kampanja, promocija, državni praznik, vrijeme, potez natjecatelja. Kada natjerate umjetnu inteligenciju da predvidi, morate joj reći te događaje; Ako mu ne kažete, mislit će da je skakanje na dan kampanje "normalno" i pogriješit će o budućnosti.
Savjet: kada dajete neobrađene podatke o prodaji AI-ju, označite kampanje, praznike i dane kada nema zaliha. Dan bez zaliha je važan: taj dan se čini da je prodaja slaba, ali je stvarna potražnja bila velika, jednostavno nije bilo dostupne robe. Ako to ne navedete, AI će podcijeniti stvarnu potražnju.
Točnost mjerenja: MAPE i bias
"Je li prognoza dobra?" Odgovor na pitanje proizlazi iz mjerenja, a ne osjećaja. Najčešći pokazatelj je MAPE (Mean Absolute Percent Error — koliko postotaka u prosjeku predviđanja odstupaju od stvarnosti). Ako je MAPE 10%, to znači da vaša predviđanja promašuju stvarnu vrijednost za prosječno 10%; niži MAPE je bolji. Drugi važan koncept je pristranost: je li vaša prognoza dosljedno iznad (stvarajući višak zaliha) ili premala (ostavljajući nedovoljne zalihe) realnosti? Čak i ako prognoza ima nizak MAPE, ako uvijek odstupa u istom smjeru, postoji sustavni problem.
AI-ju možete dati dio povijesti kao "trening", a dio kao "testiranje" i usporediti njegova predviđanja sa stvarnošću. Ovo je pošten način za izgradnju povjerenja: testiranje modela na podacima koje on nije vidio. Predviđanje vrijedi primijeniti na budućnost samo ako se pokazalo dosljednim u prošlosti.
Oprez: Nijedno predviđanje nije 100% točno; Ne očekuje se da će se to dogoditi. Cilj nije proizvesti savršeni pojedinačni broj, već upravljiv raspon, uz poznavanje odstupanja. Binarna ideja "predviđanje se ostvarilo/nije uspjelo" je pogrešna; Točno pitanje je "koliko je odstupio i koliko sam međuspremnika zadržao u skladu s tim?"
Upravljanje nesigurnošću: raspon, a ne jedan broj
Najopasnija navika planera je tretirati prognozu kao jednu čvrstu brojku. U stvarnosti, svaka prognoza ima interval pouzdanosti - poput "potražnja sljedeći mjesec najvjerojatnije je između 900 i 1100." Što je ovaj raspon širi, veća je nesigurnost. Poznavanje raspona izravno utječe na vašu odluku o zalihama: uzak raspon zahtijeva manje sigurnosnih zaliha, širok raspon zahtijeva više međuspremnika.
Stoga uvijek pitajte AI za scenarije: pesimističan (ako se potražnja pokaže niskom), očekivani i optimistični (ako potražnja postane visoka). S obzirom na tri scenarija, plan se ne temelji na jednoj pretpostavci, već na nizu mogućih mogućnosti. Ovo je najpraktičniji način da se izvučete iz zamke "zaključan u jednom broju".
Korak po korak: Studija predviđanja potražnje s umjetnom inteligencijom
- Obriši podatke. Označite nedostajuće dane, dane bez zaliha, otvorite pogrešne zapise; Radite s anonimnim kodom proizvoda.
- Označite događaje. Podacima dodajte dane kampanje, praznike i promocije.
- Oduzmite uzorak. Zatražite od umjetne inteligencije da sažme trendove, sezonska kretanja i značajne događaje.
- Testirajte ga. Pohranite posljednji dio povijesti, pustite AI da predvidi, usporedi sa stvarnošću (MAPE i bias direction).
- Napravite scenarij. Zatražite tri predviđanja, pesimistično/očekivano/optimistično, i interval pouzdanosti za svako.
- Stručni filter. AI ne zna za poznate nadolazeće poremećaje (novi proizvod, kriza opskrbe, zakonodavstvo); dodajte ih ručno. Konačni plan je vaš.
tri mini kućišta
Slučaj 1 — Hvatanje sezonalnosti. Distributer pića žalio se da mu tijekom ljetnih mjeseci stalno nema zaliha, a zimi ostaje bez robe. Planer je dao 3 godine anonimne dnevne prodaje YZ-u i uklonio je sezonalnost: potražnja za lipanj-kolovoz bila je 2,4 puta veća od zimskog prosjeka, a skok je započinjao sredinom svibnja svake godine. Prema ovom obrascu, postavio je svoju ljetnu zalihu 3 tjedna unaprijed; ljetna mrtva zaliha smanjena je za 70%, zimska mrtva zaliha je pala. AI je pokazao uzorak; Planer je donio odluku o zalihama.
Slučaj 2 — Prepuštanje novom proizvodu. Tvrtka je namjeravala lansirati potpuno novi proizvod; Nije bilo povijesnih podataka o prodaji. Planer je pitao AI: "Kolika će biti potražnja za prva 3 mjeseca?" upita on. AI je proizvela broj koji se činio razumnim - ali planer je znao da je neutemeljen: nije bilo podataka. Umjesto toga, AI pita "Koji je bio prvi 3-mjesečni obrazac proizvoda objavljenih u sličnim segmentima u prošlosti?" analizu i postaviti ga kao raspon predviđanja, s opreznom početnom zalihom. Stručna procjena nadjačala je AI-jevo fiktivno povjerenje.
Slučaj 3 — Bez zaliha je zamka dana. Analitičar je zaključio da je potražnja za proizvodom pala i preporučio smanjenje zaliha. Njegov stariji kolega primijetio je da su dani niske prodaje u podacima zapravo dani kada nema zaliha: potražnja nije pala, nije bilo robe. Kada su podaci ispravljeni s ovom bilješkom i ponovno predani AI-u, vidjelo se da je stvarna potražnja porasla. Neispravno očišćeni podaci proizvode netočna predviđanja.
Četiri predloška za kopiranje
1) Izdvajanje uzorka:
Vaša uloga: pomoćni analitičar planiranja potražnje. Ispod su mjesečni podaci o prodaji proizvoda (anonimni kod: PRODUCT-X) za zadnjih 36 mjeseci. Mjeseci kampanje [popis mjeseci], mjeseci bez zaliha [popis mjeseci]. Zadatak: Sažmi (1) trend, (2) sezonski obrazac, (3) značajne događaje. Uzmite u obzir da mjeseci bez zaliha kriju pravu potražnju. Mjesec za koji nisam naveo podatke je izmišljen.
2) Test točnosti:
Predvidite zadnjih 6 mjeseci koristeći prvih 30 od 36 mjeseci u nastavku. Zatim usporedi moje predviđanje sa stvarnim zadnjih 6 mjeseci; Izračunajte odstupanje i ukupni MAPE za svaki mjesec. Recite mi je li vaša procjena dosljedno pristrana. Prikaži formulu.
3) Prognoza scenarija:
Procijenite mjesečnu potražnju za ovim proizvodom za sljedeće tromjesečje u 3 scenarija: pesimističan / očekivan / optimističan. Navedite interval pouzdanosti za svaki scenarij i zapišite na kojoj se pretpostavci temelji. Imajte na umu da ovo nije konačno već interval za planiranje.
4) Kontrola loma:
Navedite kako bi predviđanje temeljeno na povijesnim podacima koje sam vam dao moglo biti poništeno sljedećim nadolazećim događajima: [novi proizvod / promocija / kriza ponude / promjena propisa]. Predložite kako bih trebao ručno prilagoditi prognozu za svaki.
Slab upit / Jak upit
Slab upit:
Koliko ću prodati sljedeći mjesec?
Nema podataka, nema proizvoda, nema konteksta. AI ili odbija ili nadoknađuje; niti jedan rezultat ne radi.
Snažan upit:
Vaša uloga: pomoćnik u planiranju potražnje. Ispod je prodaja PRODUCT-X u posljednja 24 mjeseca; Označeni su mjeseci kampanje i mjeseci bez zaliha. Dajte pesimističnu/očekivanu/optimističnu prognozu za sljedeća 3 mjeseca, svakom dodajte interval pouzdanosti, pokažite MAPE u odnosu na prošli test. Pretvarajte se da imam konačnu odluku o dionicama.
pristup
udariti
upravljanje nesigurnošću
Rizik
oslanjati se na jedan broj
zavaravajuće
Nijedan
Visoko — plan se ruši
Scenarij + raspon
realan
dobar
nizak
samo intuicija
Varijabilna
slabi
srednje-visoka
Slijepo slušajući AI
Varijabilna
Nijedan
visoka
Uobičajene greške
- Miješajući dan kada nema zaliha sa stvarno malom potražnjom. Kada roba nije dostupna, prodaja se čini slabom; To ne znači da je potražnja pala.
- Zaključavanje jednog broja. Gledati na predviđanje kao na apsolutnu istinu znači ignorirati neizvjesnost; Uvijek pitajte za raspon i scenarij.
- Nema označavanja kampanje. Model koji misli da je promotivno odbijanje "normalno" iskrivljuje budućnost.
- Predviđanje novog proizvoda bez povijesti. Naizgled siguran broj AI za proizvod bez podataka je neutemeljen.
- Prepuštajući razbijanje AI-ju. AI ne poznaje strukturalne lomove kao što su epidemije, krize opskrbe i zakonodavstvo; Potrebna je stručna intervencija.
Oprez: koliko god dobro predviđanje izgledalo, ne može biti bolje od kvalitete podataka na kojima se temelji. "Smeće unutra, smeće van." Provedite većinu svog vremena čisteći podatke; Dio modela čini ostalo.
Ukratko
Predviđanje potražnje motor je opskrbnog lanca, a AI je moćan pomoćnik koji ubrzava ovaj motor. Ali umjetna inteligencija uči iz prošlosti; griješi kada budućnost ne sliči prošlosti. Hvatajte trendove i sezonske promjene, označavajte događaje, mjerite točnost pomoću MAPE i smjera kretanja, postavite prognozu kao scenarij i raspon, a ne kao pojedinačni broj. Stručna prosudba je na prvom mjestu kod novih proizvoda i strukturnih lomova. Čišćenje podataka je temelj svega; Konačni plan je vaš.
Zadatak aplikacije
Dobijte podatke o prodaji za zadnjih 12-24 mjeseca jednog od svojih proizvoda (ili hipotetskog proizvoda), označite kampanju i mjesece kada nema na zalihama. Zamolite AI za tri scenarija s predloškom "predviđanje scenarija". Zatim pohranite dio povijesti s predloškom "Test točnosti" i usporedite predviđanje sa stvarnošću. Zapišite MAPE koji ste pronašli i scenarij koji ste odabrali, zajedno s njegovim razlogom, u 5 stavki; Također navedite koji ćete sigurnosni međuspremnik dodati.
popis za provjeru
- [ ] Jesam li izbrisao podatke, označio dane rasprodaje i kampanje?
- [ ] Jesam li potvrdio predviđanje pomoću MAPE i smjera pristranosti kroz testiranje unatrag?
- [ ] Jesam li tražio scenarij i interval pouzdanosti umjesto jednog broja?
- [ ] Ako postoji novi proizvod/kvar, jesam li dao prednost stručnoj procjeni?
- [ ] Jesam li konačni plan zaliha podvrgao vlastitom odobrenju?