Nyereség:
- Képes kereslet-előrejelzés vázlat készítésére SKU-alapon mesterséges intelligencia támogatással a múltbeli értékesítési adatok, szezonális hatások és külső tényezők kombinálásával.
- Képes az előrejelzés pontosságának értelmezésére (MAPE, torzítás) és megkülönböztetni a túl- és alulbecslés üzleti következményeit
- Fenntartani azt, hogy a mesterséges intelligencia által készített előrejelzés előrejelzés, és a végső megrendelési döntés a vezetőt illeti meg a készletköltséggel és a cash flow-val együtt.
A kiskereskedelemben két legdrágább hiba van: túl sok raktárkészletet tartani és hagyni, hogy a pénz a polcon roskadozzon, vagy ha nem tartunk elegendő készletet, és üres kézzel hagyjuk a vásárlót. Mindkettőnek ugyanaz a forrása: rossz kereslet-előrejelzés. Ebben az egységben megtanulhatja, hogyan használhatja a mesterséges intelligenciát olyan hatékony asszisztensként, amely megjósolja a jövőt a múltbeli eladások alapján. De mondjuk az elejétől fogva: a jóslat nem jóslat, hanem valószínűségi jóslat. Az AI számot ad; Az Ön feladata, hogy ezt a számot rendelési döntéssé alakítsa.
Kereslet-előrejelzés: Feladata annak előrejelzése, hogy egy termékből vagy kategóriából mennyi fog eladni a jövőben a múltbeli adatok és a befolyásoló tényezők alapján.
SKU (Stock Keeping Unit): Az egyes termékváltozatokhoz tartozó egyedi készletkód. Például a „piros, 42-es méretű tornacipő” egy cikkszám; Ugyanennek a modellnek a 43-as száma egy külön cikkszám.
Három információforrás, amelyek táplálják az előrejelzést
Egy jó előrejelzés három dolgot egyesít:
- Történelmi eladások (alapérték): A termék heti/havi eladásai az elmúlt 12-24 hónapban. Az AI egy "normál" szintet von ki ebből a sorozatból.
- Szezonális és naptári hatások: Ünnepnapok, tanév, nyár-tél, hétvége, fizetésnap. Például nyáron nő a fagylalt, télen pedig a zokni.
- Külső tényezők: Kampány, árváltozás, időjárás, versenytársak mozgása, nyitás/zárás. Ezek felfelé vagy lefelé tolják a becslést.
Tipp: Ne csak azt mondja az AI-nak, hogy „100 darabot adtunk el a múlt hónapban”. Mondja: "A múlt hónapban 100 darabot adtunk el, de volt 20% kedvezmény, és ünnepnap volt." Kontextus nélkül az előrejelzés félrevezető.
Lépésről lépésre előrejelzés generálása
- Készítse elő az adatokat: Névtelen, tiszta táblázat: dátum, cikkszám, eladott mennyiség, ár, akció/nincs akció, elérhetőség. Jelölje meg a készlethiány napjait; Ellenkező esetben a mesterséges intelligencia azt fogja gondolni, hogy ez a nap "alacsony kereslet".
- Adjon kontextust: Írja le a szezont, a közelgő eseményeket, a tervezett kampányokat.
- Előrejelzés kérése: Kérjen előrejelzést és megbízhatósági intervallumot (legrosszabb/legjobb eset) egy adott időszakra, cikkszám vagy kategória szerint.
- Mérje meg a pontosságot: Hasonlítsa össze korábbi előrejelzéseit a valósággal (MAPE lent).
- Változtassa döntéssé: A becslést kombinálja a biztonsági készlettel és a költségvetéssel, és hozza meg a rendelési döntést.
Előrejelzési pontosság leolvasása: MAPE és torzítás
MAPE (Mean Absolute Percent Error): Az előrejelzések átlagos százalékos eltérését mutatja a tényleges eladásoktól. A képlet egyszerűen: |tényleges − előrejelzés| minden időszakra / real az átlaguk.
- MAPE 10% → a becslések átlagosan 10%-kal térnek el, elég jó.
- MAPE 40% → az előrejelzések megbízhatatlanok, több puffer (biztonsági készlet) szükséges a rendelési döntéshez.
Irány (elfogultság): Az előrejelzése következetesen a valóság felett van (a túlhalmozódás kockázata) vagy alatta (a készletfelhalmozás kockázata)? Ezt is nézd meg; A MAPE nem mutat irányt.
Állapot
Jelentése
üzleti eredmény
Tartósan magas becslés
Eltúlozod a keresletet
Felesleges készlet, összeomlás, árrésvesztés
Állandó alábecsülés
Ön alábecsüli a keresletet
Elfogyott, elmaradt értékesítés, elégedetlenség
Magas MAPE, kiegyensúlyozott irány
A bizonytalanság nagy
Növelje a biztonsági készletet, ellenőrizze gyakran
Alacsony MAPE
pontos előrejelzés
Karcsúbb részvény, jobb készpénz
mini tokok
1. eset – Hiányzó szezonalitás: Egy élelmiszerbolt a tavalyi júliusi eladások alapján rendel iskolai füzeteket (havi 200 darab). Ha a mesterséges intelligenciát az "augusztus-szeptember tanévben, tavaly ebben az időszakban megnégyszereződött az eladások" kontextusba helyezve az előrejelzés 200 helyett 780 egységre nő. A helyes sorrendnek köszönhetően nem fogy el a készlet a tanév során; Az előző évben megúszott 60.000 TL-re becsült forgalmat idén elkapják.
2. eset – A kifogyás napját nem számítva: Egy boltban 3 hétig kifogyott egy népszerű kávéból. A nyers adatokat tekintve a mesterséges intelligencia ezeket a heteket "heti 5 eladásnak" tekinti, és alacsony becslést ad. Amikor az elemző megjelöli a készlet nélküli napokat, és azt mondja, hogy "ezek a hetek nem tükrözik a keresletet", az előrejelzés heti 45-re nő. Valódi kereslet jelenik meg.
3. eset – A kampányhatás általánosítása: Egy textillánc az 50%-os akciós heti akciót (600 db) "normálisnak" tekinti, és folyamatosan 600-at rendel. Amikor a mesterséges intelligenciának azt mondják, hogy "ez az eladás egyszeri kampánnyal történt, a normál hét 180", a jóslat korrigálódik. Megakadályozzuk a túlkészletezés és az azt követő leértékelési veszteség kockázatát.
Jóslási horizont: meddig látsz előre?
Előrejelzési horizont: Milyen távoli jövőre készül az előrejelzés. A szabály egyszerű: minél hosszabb a horizont, annál nagyobb a bizonytalanság. Viszonylag pontosan megjósolja a jövő heti eladásokat; hat hónappal később sokkal szélesebb körrel. Tehát válassza ki az előrejelzési horizontot a rendelési döntés igénye szerint: rövid horizont és gyakori frissítés a gyorsan kifogyó friss termékekhez; Hosszabb horizont és szélesebb biztonsági határ az importált termékeknél hosszú átfutási idővel.
Egy másik fontos megkülönböztetés az új termékek előrejelzése. Nincs korábbi értékesítése új cikkszámnak; ebben az esetben megadja az AI-nak a hasonló termékek történetét (analóg), a kategóriaátlagot és a bevezetési tervet. Ha azt mondja, hogy "Ennek a terméknek nincs előzménye; adjon meg egy kezdeti becslést a hasonló X és Y termékek első 8 hetében" ésszerű módja az üres hely kitöltésének. Az új termékek előrejelzése azonban mindig kockázatosabb; Gyorsan felülvizsgálja az előrejelzést, amint elérhetővé válnak az első hetek tényleges adatai.
Figyelem: Ne kezelje a becslést „egyszer csináld, és felejtsd el” kezelésként. A kereslet előrejelzése élő folyamat; Minden új értékesítési hét alkalom az előrejelzés frissítésére. A legjobb előrejelzők azok, akik a leggyakrabban frissülő modellt használják, nem a legokosabb modellt.
Gyenge felszólítás / Erős felszólítás
Gyenge felszólítás:
Mondja meg, mennyiért fog eladni ez a termék a következő hónapban.
Nincs kontextus; Az AI véletlen számot alkot.
Erőteljes felszólítás:
Az Ön szerepköre: kereslettervező szakember. Adatok: Az alábbiakban látható a 4471 cikkszámú cikk havi értékesítési mennyisége és ára az elmúlt 18 hónapban, valamint hogy van-e kampány abban a hónapban. Kontextus: Ez a termék nyári szandál; A kereslet május-augusztusban tetőzik. A következő hónap június. Kampányt nem terveznek. Az ár fix.Feladat: (1) júniusra várható értékesítési mennyiség, (2) legrosszabb és legjobb forgatókönyv tartomány, (3) 2 fő előrejelzést befolyásoló tényező.Szabály: A készlethiánynak jelölt hónapokat ne számítsa alacsony keresletnek.Csak a megadott adatok alapján.Adatok: [táblázat beillesztése]
Másolható prompt sablonok
1) SKU alapú előrejelzés
Az Ön szerepköre: kereslettervező szakember. Jövőbeli [period] előrejelzés létrehozása [SKU] számára a következő névtelen havi értékesítési sorozatokból. Kimenet: várható mennyiség + legrosszabb/legjobb tartomány + 2 feltételezés. Az elfogyott időszakok kizárása. Adatok: [beillesztés]
2) Szezonális minták eltávolítása
Keresse meg az ismétlődő szezonális mintát az alábbi 24 hónapos értékesítési sorozatban. Melyik hónap a legfelső és melyik az alsó? Adja meg az átlagtól való eltérést százalékban! Mutassa be táblázat formájában. Adatok: [beillesztés]
3) Az előrejelzés pontosságának értékelése
Alább láthatók a korábbi becsléseim és a tényleges eladásaim. (1) Számítsa ki a MAPE-t, (2) az előrejelzésem folyamatosan feljebb vagy lejjebb sodródik, (3) mit jelent ez a részvényre nézve? Mutasd lépésről lépésre.Adatok: [becslés, tényleges oszlopok]
4) A kampány hatásának kivonata
Az alábbi értékesítési sorozatban a kampányheteket jelöljük. Normál (nem kampány) kereslet becslése; Adja meg a kampány hatását külön növekedési százalékként. Szóval szeretném látni a normál rendelési szintet. Adatok: [beillesztés]
Gyakori hibák
- Kontextus hiánya: Ha a kampány, szezon, árváltozás nincs megadva, az előrejelzés félrevezető lesz.
- A készlethiányos napokat keresletként kell-e számolni: A készlethiány időszaka valódi keresletet rejt; Mark.
- A promóciós értékesítések szokásos elfogadása: Ha azt gondolja, hogy az egyszeri emelés tartós, az készlettöbblethez vezet.
- Egyetlen számra hagyatkozás: Ha nem akarunk egy tartományt (forgatókönyvet), és egyetlen pontra hagyatkozunk, az elrejti a kockázatot.
- Egyáltalán nem méri a pontosságot: Ha a MAPE-t és az irányt nem figyelik, az előrejelzés egyre rosszabb lesz.
- Közvetlen rendelések készítése becslésekkel: Készpénz nélküli rendelés, raktári és eltarthatósági ellenőrzés.
Összefoglalva
A jó előrejelzés egyesíti a múltbeli eladásokat, a szezonalitást és a külső tényezőket. Feltétlenül adja meg a mesterséges intelligencia kontextusát (kampány, szezon, készlethiányos napok). Az előrejelzés pontosságának monitorozása a MAPE-vel és a torzítás irányával; Növelje a biztonsági készletet nagy bizonytalanság esetén. A jóslat jóslat; A végső rendelési döntés az Öné, a költségvetéssel és a korlátokkal együtt.
Pályázati feladat
Nézze meg az elmúlt 12-18 hónap 5 legkelendőbb termékváltozatának eladásait egy névtelen táblázatban, és jelölje meg a készlethiány és a kampányidőszakokat. Hozzon létre jövőbeli előrejelzést az „1) SKU-alapú előrejelzés” prompt segítségével, majd a „3) Előrejelzés pontosságának értékelése” segítségével bontsa ki a múltbeli előrejelzések MAPE-jét. Hasonlítsa össze az eredményt saját rendelési döntésével.
ellenőrző lista
- [ ] Anonimizáltam és megtisztítottam értékesítési adataimat.
- [ ] Megjelöltem a készlethiány és a kampány időszakát.
- [ ] Az évszakot és a külső tényezők kontextusát megadtam az AI-nak.
- [ ] Egy forgatókönyv-tartományt akartam, nem egyetlen számot.
- [ ] Ellenőriztem a MAPE-et és a lengési irányt.
- [ ] A rendelési döntést a költségvetés és a korlátok alapján hoztam meg.