Nyereség:
- Képes megkülönböztetni a kereslet-előrejelzési módszereket (mozgóátlag, exponenciális simítás, szezonalitás)
- Képes előrejelzési forgatókönyveket beállítani mesterséges intelligencia segítségével, és kiértékelni a pontosságot olyan mérőszámokkal, mint a MAPE/MAE
- Lehetőség az előrejelzési eredmények és az üzleti környezet és a promóciós/szezonális hatások összevetésére
A kereslet-előrejelzés az az alap, amelyen a termeléstervezés, a készletgazdálkodás és a teljes ellátási lánc alapul. A rossz előrejelzés mindkét irányban költséges: a túlbecslés készletköltséget és pazarlást okoz, az alulbecslés pedig eladások elvesztéséhez és a vevők elégedetlenségéhez vezet. A mesterséges intelligencia sok helyen segít az előrejelzési folyamatban, a módszer megválasztásától a történeti adatok értelmezéséig és a forgatókönyvek generálásáig; De a legnagyobb hiba az előrejelzést "varázskristálygömbnek" tekinteni. Ebben a fejezetben bemutatjuk a klasszikus előrejelzési módszereket, azok helyes felépítését mesterséges intelligencia segítségével, valamint a pontosság mérését.
Az előrejelzési módszerek rövid térképe
Nem minden követeléssor viselkedik ugyanúgy; Némelyik lapos, van, amelyik trendeket, néhány szezonális. A módszert a sorozatnak megfelelően kell kiválasztani.
módszer
Mikor megfelelő?
Figyelem
Naiv (utolsó érték)
Összehasonlításképpen (benchmark)
Nem követi a trendet/szezont
mozgóátlag
Statikus, zajos sorozat
Későn reagál a trendre
Exponenciális simítás (SES)
Állandó sorozatok, a közeli adatok hangsúlyozása
Jó, ha nincs trend
Holt (kettős exponenciális)
Trendi sorozat
Nem fogja fel a szezont
Holt-Winters
Trend + szezonalitás
Elegendő történelmi adatra van szükség
Regresszió/ML
Többváltozós, hatékony promóció
Túlméretezés veszélye
Tipp: Mindig "naiv" találgatással kezdje. Ha az Ön összetett modellje semmivel sem jobb, mint a naiv találgatás, akkor nem éri meg a bonyolultságot cipelni. A Naive egy ingyenes benchmark a pontosság mérésére.
Hogyan mérjük a pontosságot? (Mutatók)
Az előrejelzés pontossága nem javítható mérés nélkül. A leggyakoribb mérőszámok:
- MAE (Mean Absolute Error): A hibák abszolút értékének átlaga. A mértékegység megegyezik a kereslet mértékegységével.
- RMSE (Root Mean Square Error): A nagyobb hibákat jobban bünteti.
- MAPE (Mean Absolute Percent Error): százalékban; Jó a tételek összehasonlítására, de torz, ha a kereslet közel nulla.
- Elfogultság: Átlagos hiba; Azt jelzi, hogy folyamatosan túl-/alulbecsüli-e.
Egy kis mintaszámla. Legyen a tényleges kereslet [100, 120, 90], az előrejelzés pedig [110, 115, 100]:
Hibák (tényleges - előrejelzés): -10, +5, -10Abszolút hibák: 10, 5, 10 → MAE = 25/3 ≈ 8,33 Hibaszázalék: 10/100, 5/120, 10/90 = 10%, 4,17%, MAPE =7 (11% +11.1.). 11,11) / 3 ≈ 8,43%Bias = (-10 + 5 - 10) / 3 = -5 → átlag túlbecslés (előrejelzés > tényleges)
A negatív torzítás (valós mínusz becslés) azt jelzi, hogy a becslés következetesen túlbecsült; Ez készletinflációt jelent. Az ilyen irányhibák elrejthetők a MAPE-ben, így együtt nézik őket.
Az előrejelzési folyamat felépítése mesterséges intelligencia segítségével
A mesterséges intelligencia két helyen használható a leghatékonyabban: (1) az adatok megtekintésére és a megfelelő módszer és végrehajtandó intézkedések javaslatára, valamint (2) prediktív kód generálására. Módszer javaslathoz:
Munkakör: Ön ipari mérnök, aki jártas a kereslet előrejelzésében. Feladat: Vizsgálja meg az alábbi havi értékesítési sorozatokat, és javasolja a megfelelő előrejelzési módszert. Értékelje, van-e trend és szezonalitás, írja meg indoklását. Adatok (havi, elmúlt 24 hónap): {{ értékek>}}További információ: Decemberben akció van, a nyári hónapokban csökken a kereslet. A kívánt kimenet: 1. Megjegyzés a sorozat karakteréhez (stabil/trendező/szezonális).2. 2 ajánlott módszer és miért.3. Milyen pontossági mutatót kell követnem?4. Buktatók, amelyekre figyelnem kell (kiugró, promóciós hatás). Szabály: Ne ígérjen abszolút pontosságot az adatok megtekintése nélkül.
Gyenge felszólítás / Erős felszólítás
Gyenge felszólítás:
Mennyit fogok eladni a következő hónapban?
Ez nem tartalmaz sem adatokat, sem kontextust; Az AI vagy elutasítja, vagy egy teljesen kitalált számot ad vissza. Az ilyen kimenet veszélyes, mert megbízhatónak tűnik.
Erőteljes felszólítás:
Ezzel a 24 hónapos sorozattal a Holt-Winters logikával jósolja meg a következő 3 hónapot. Az évad hossza 12. Először írja le a módszer feltételezéseit, majd adja meg az előrejelzést, majd számítsa ki a MAPE-t az elmúlt 6 hónap utólagos tesztelésével. Jelölje meg külön a promóciós hónapokat. Adatok: {{ ... }}
A második prompt kéri mind az előrejelzést, mind azt, hogy mennyi bizalommal lehet megbízni az előrejelzésben (visszatesztelés). Ez átalakítja az előrejelzést egy „orákulumból” mérhető eszközzé.
Visszatesztelés: Az előrejelzésbe vetett bizalom mértéke
Az előrejelzés igazi próbája a múlt, nem a jövő. A rendelkezésedre álló adatokat két részre osztod: modellépítés (vonat) és tesztelés. Megépíted a modellt az első darabbal, megjósolod a következő időszakot, és összehasonlítod a valósággal. Ez a „kitartási” logika megmutatja, hogy egy modell valóban működik-e vagy sem.
Állítson össze egy egyszerű visszatesztelési tervet a következő sorozatokhoz: tegye félre az elmúlt 6 hónapot tesztelésnek, a fennmaradó adatokkal 3 különböző módszert (naiv, SES, Holt-Winters) gyakoroljon, mindegyikhez számítsa ki a MAPE-ot és a torzítást a tesztelési időszak alatt, és készítsen összehasonlító táblázatot. Írja le a nyerési módszert és az indoklást!
Vigyázat: a mesterséges intelligencia időnként képes "megjósolni" a visszateszt eredményeit, és kész diagramot mutat be; vagyis képes kitalálni ésszerűnek tűnő számokat anélkül, hogy ténylegesen kiszámolná azokat. Ügyeljen arra, hogy a numerikus eredményeket kóddal (Python/Excel) reprodukálja. Egy nyelvi modell nem hajt végre megbízhatóan a hosszú aritmetikát.
Mini tok: túl sok szezonális termék
Egy élelmiszer-forgalmazó cég panaszkodik amiatt, hogy télen minden évben túl sok készlettel rendelkezik szezonális termékből, például fagylaltból. Elif ipari mérnök 3 év havi adatot ad az AI-nak, és felkéri, hogy értékelje a sorozat karakterét. A mesterséges intelligencia erős szezonalitást (nyári csúcs) és enyhe éves növekedési trendet észlel, javasolja Holt-Winters. Elif állítja elő a jóslatot Pythonban, és utólag teszteli: a MAPE 14%, de a torzítás jelentősen negatív – a modell következetesen túljósolja. Amikor megvizsgálja, hogy miért, azt találja, hogy egy kampányidőszakot a történelmi adatokban "normálisnak" tévesztett, és túl magas alapra tanította a modellt. Ha eltávolítjuk a kampányhatást, és újraépítjük a modellt, az elfogultság csökken, és a téli készlet jelentősen csökken. Tanulság: A mesterséges intelligencia helyesen javasolta a módszert, de emberi munka volt az adatok tisztítása és a torzítás értelmezése.
Gyakori hibák
- Nem követi a mérőszámokat: a pontosság becslése és soha nem mérése. Az előrejelzés mérés nélkül nem javítható.
- Csak nézzük a MAPE-et: Az elfogultság figyelmen kívül hagyása. Az irányított (szisztematikus) hiba csendben felfújja a készletet.
- A mesterséges intelligencia által összeállított számok összetévesztése a számításokhoz: A visszateszt és a metrikus értékek kóddal való érvényesítése.
- A kiugró/promóció megtisztítása: Egy egyszeri kampány összetévesztése normál követeléssel és megtanítása a modellnek.
- Overfit: Amikor egy összetett modell tökéletesen illeszkedik a múltba, de gyengén teljesít a jövőben. Tartsa az egyszerű modellt viszonyítási alapként.
Összefoglalva
- Válassza ki az előrejelzési módszert a sorozat karakterének megfelelően (stacionárius, trendi, szezonális); Mindig kezdje azzal, hogy egy naivhoz hasonlítja magát.
- Mérje meg a pontosságot MAE/RMSE/MAPE-vel, de figyelje a torzítást is: az irányhiba a legdrágább.
- AI használata metódusajánláshoz és kódgeneráláshoz; Állítsa be az előrejelzést mérhető eszközként, ne "próféciaként".
- A visszatesztelés az igazi próbája annak, hogy mennyire lehet magabiztos egy modell; Ügyeljen arra, hogy a számszerű eredményeket kóddal ellenőrizze.
- Az ember feladata az adatok tisztítása (outlier, promóció) és az eredmény értelmezése; Az AI kihagyja ezeket a lépéseket.
Pályázati feladat
Legyen legalább 18–24 periódusos keresletsorozat (valós vagy valósághű fikció). Először is adja meg az MI-nek a sorozatot, és kérje meg, hogy értelmezze a karakterét (trend/szezonalitás), és javasoljon két módszert. Ezután használja a "backtest plan" hatékony promptot az utolsó 6 időszak lefoglalásához tesztként, és hasonlítson össze legalább két módszert. Kritikus lépés: Számolja újra az AI által visszaadott MAPE- és torzításértékeket Excel vagy Python segítségével, és hasonlítsa össze őket az AI-kimenettel. Ha talál egy számot, amely nem egyezik, írja le. Végül értelmezze az elfogultság jelét: az Ön modellje túl- vagy alulbecsüli, és ez mit tesz a készletével?