Nyereség:
- Képes az idősorok, a trendek, a szezonalitás és a kampányhatás fogalmainak megértésére, valamint a mesterséges intelligencia felhasználására a kereslet előrejelzésére a megfelelő kérdésekkel és tiszta adatokkal.
- Képes értelmezni az előrejelzés pontosságát (MAPE, eltérés) és a bizonytalanságot (konfidenciaintervallum, forgatókönyvek), és a tervezést egy tartományra alapozni, nem pedig egyetlen számra
- Megkülönböztetni, hogy a mesterséges intelligencia előrejelzése történelmi adatokon alapul, és a szakértői megítélés előtérbe kerül olyan esetekben, mint az új termékek, promóciók vagy ellátási válságok.
Az ellátási láncban minden döntés egy kérdésen alapul: mekkora lesz a kereslet? Minél pontosabban válaszol erre a kérdésre, annál kevesebb részvényt tart, annál kevesebb részvényt marad ki, és annál kevesebb pénzt köt le. A kereslet előrejelzése az ellátási lánc motorja; A raktárkészlet, a beszerzés, a termelés és a szállítási tervek mind innen táplálkoznak. A mesterséges intelligencia rendkívül erős ezen a területen, mert több ezer termék történetét vizsgálja át sokkal gyorsabban, mint egy ember, és mintákat bont ki. De erejének forrása egyben határa is: az AI tanul a múltból; Ha a jövő nem hasonlít a múltra, az rossz. Ebben az egységben megtanuljuk az előrejelzés nyelvét, a pontosság mérését, a bizonytalanság kezelését, és azt, hogy hol kell megadnia magát az AI-nak.
Az előrejelzés nyelve: idősor, trend, szezonalitás
A keresleti adatok általában idősorok – idő szerint rendezett számok sorozata, például egy termék minden napi értékesítése. Ennek a sorozatnak a három részre osztása az előrejelzés alapja:
Trend, hosszú távú irány: évről évre nő vagy csökken az eladások? Szezonális, rendszeresen visszatérő ingadozás: nyáron a fagylalt, télen a melegítő; Pénteken és szombaton forgalmas a piac. Zaj, megmagyarázhatatlan véletlenszerű lejátszás. A jó előrejelzés rögzíti a trendeket és a szezonalitást, és nem téveszti meg a zaj. Ezekre felhalmozódnak az események: kampány, promóció, munkaszüneti nap, időjárás, versenytárs költözés. Amikor a mesterséges intelligencia előrejelzését készíti, el kell mondania neki ezeket az eseményeket; Ha nem mondod el neki, akkor azt fogja gondolni, hogy a kampánynapon ugrálás "normális", és hibát követ el a jövőt illetően.
Tipp: Amikor nyers értékesítési adatokat ad meg az AI-nak, jelölje meg a kampányokat, az ünnepeket és a kifogyási napokat. A készlet nélküli nap fontos: az eladások alacsonynak tűnnek aznap, de a valós kereslet nagy volt, egyszerűen nem volt elérhető áru. Ha ezt nem adja meg, az AI alábecsüli a tényleges keresletet.
Mérési pontosság: MAPE és torzítás
– Jó az előrejelzés? A kérdésre a válasz a mérésből adódik, nem az érzésből. A leggyakoribb mutató a MAPE (Mean Absolute Percent Error – átlagosan hány százalékponttal térnek el az előrejelzések a valóságtól). Ha a MAPE értéke 10%, az azt jelenti, hogy előrejelzései átlagosan 10%-kal eltévesztik a valós értéket; az alacsonyabb MAPE jobb. A második fontos fogalom az elfogultság: az előrejelzésed következetesen a valóság felett van (túlkészletet termel) vagy alulkészletet (alulkészletet hagy el)? Még ha egy előrejelzésnek alacsony a MAPE értéke is, ha mindig ugyanabba az irányba tér el, akkor is szisztematikus probléma áll fenn.
A mesterséges intelligencia történetének egy részét „képzésként”, egy részét „tesztelésként” adhatja, és összehasonlíthatja előrejelzését a valósággal. Ez a bizalomépítés őszinte módja: a modell tesztelése olyan adatokon, amelyeket még nem látott. Egy jóslatot csak akkor érdemes a jövőre alkalmazni, ha a múltban konzisztensnek bizonyult.
Figyelem: Egy előrejelzés sem 100%-ban pontos; Ez várhatóan nem fog megtörténni. A cél nem az, hogy egy tökéletes számot állítsunk elő, hanem egy kezelhető tartományt, az eltérés ismeretében. A „jóslat bevált/nem működött” bináris elképzelés téves; A helyes kérdés: "mennyit tért el és mennyi puffert tartottam meg ennek megfelelően?"
A bizonytalanság kezelése: tartomány, nem egyetlen szám
A tervező legveszélyesebb szokása, hogy az előrejelzést egyetlen kemény számként kezeli. Valójában minden előrejelzésnek van egy konfidenciaintervalluma – például „a következő hónapban a kereslet nagy valószínűséggel 900 és 1100 között lesz”. Minél szélesebb ez a tartomány, annál nagyobb a bizonytalanság. A tartomány ismerete közvetlenül befolyásolja a készletről szóló döntését: a szűk tartomány kevesebb biztonsági készletet, a széles tartomány több puffert igényel.
Ezért mindig kérdezze meg a mesterséges intelligencia forgatókönyveit: pesszimista (ha alacsony a kereslet), várható és optimista (ha magas a kereslet). Három forgatókönyvet látva a terv nem egyetlen feltevésen, hanem egy sor lehetséges lehetőségen alapul. Ez a legpraktikusabb módja annak, hogy kikerüljünk az „egy számba zárt” csapdából.
Lépésről lépésre: Kereslet-előrejelzési tanulmány AI-val
- Adatok törlése. Hiányzó napok, elfogyott napok megjelölése, hibás rekordok megnyitása; Dolgozzon névtelen termékkóddal.
- Tag eseményeket. Adja hozzá a kampány-, ünnep- és promóciós napokat az adatokhoz.
- Vonja ki a mintát. Kérje meg az AI-t, hogy foglalja össze a trendeket, a szezonalitást és a figyelemre méltó eseményeket.
- Teszteld. Tárolja az előzmények utolsó részét, hagyja, hogy az AI előre jelezze, hasonlítsa össze a valósággal (MAPE és torzítási irány).
- Hozzon létre egy forgatókönyvet. Kérjen három előrejelzést, pesszimista/várható/optimistát, és mindegyikhez a konfidencia intervallumot.
- Szakértői szűrő. A mesterséges intelligencia nem tud az ismert közelgő zavarokról (új termék, ellátási válság, jogszabályok); manuálisan adja hozzá őket. A végső terv a tiéd.
három mini tok
1. eset – A szezonalitás megragadása. Egy italforgalmazó arra panaszkodott, hogy a nyári hónapokban folyamatosan kifogyott a készletéből, télen pedig áruval maradt. A tervező 3 év névtelen napi értékesítést adott az YZ-nek, és megszüntette a szezonalitást: a június-augusztusi kereslet a téli átlag 2,4-szerese volt, az ugrás pedig minden év május közepén kezdődött. E minta szerint 3 héttel előre felállította nyári készletét; a nyári holtállomány 70%-kal csökkent, a téli holtállomány csökkent. Az AI megmutatta a mintát; A tervező meghozta az állománydöntést.
2. eset – Adás az új terméknek. Egy cég vadonatúj terméket készült piacra dobni; Nem voltak korábbi értékesítési adatok. A tervező megkérdezte az MI-t: "Mi lesz az igény az első 3 hónapban?" – kérdezte. Az AI olyan számot produkált, amely ésszerűnek tűnt – de a tervező tudta, hogy ez alaptalan: nincs adat. Ehelyett az AI azt kérdezi: "Mi volt a múltban a hasonló szegmensekben megjelent termékek első 3 hónapos mintája?" elemzést, és állítsa be előrejelzési tartományként, óvatos induló készlettel. A szakértői ítélet felülbírálta az AI fiktív bizalmát.
3. eset — Stockless a nap csapdája. Egy elemző arra a következtetésre jutott, hogy egy termék iránti kereslet csökkent, és a készlet csökkentését javasolta. Idősebb kollégája észrevette, hogy az adatokban szereplő alacsony értékesítési napok valójában készlethiányos napok: nem csökkent a kereslet, nincs áru. Amikor az adatokat ezzel a megjegyzéssel kijavították és újra átadták az MI-nek, látható volt, hogy a valós kereslet megnőtt. A nem megfelelően tisztított adatok hibás előrejelzéseket eredményeznek.
Négy másolható sablon
1) Minta kivonás:
Az Ön szerepe: kereslettervező elemző asszisztens. Az alábbiakban egy termék (anonim kód: PRODUCT-X) havi értékesítési adatai láthatók az elmúlt 36 hónapra vonatkozóan. Kampány hónapok [hónaplista], készletmentes hónapok [hónaplista]. Feladat: Foglalja össze (1) a trendet, (2) a szezonális mintát, (3) a figyelemre méltó eseményeket. Vegye figyelembe, hogy a készlet nélküli hónapok a valódi keresletet rejtik. Az a hónap, amelyre nem adtam meg adatokat, kitalált.
2) Pontossági teszt:
Az alábbi 36 hónapból az első 30 alapján jósolja meg az elmúlt 6 hónapot. Ezután hasonlítsa össze előrejelzésemet a tényleges elmúlt 6 hónaphoz; Számítsa ki az eltérést és a teljes MAPE értéket minden hónapra. Mondja el, ha becslése következetesen elfogult. Képlet megjelenítése.
3) Forgatókönyv előrejelzés:
Becsülje meg a termék iránti következő negyedév havi keresletét 3 forgatókönyv szerint: pesszimista / várható / optimista. Adjon meg egy konfidenciaintervallumot minden forgatókönyvhöz, és írja le, hogy melyik feltevésen alapul. Ne feledje, hogy ez nem végleges, hanem egy időköz a tervezéshez.
4) Törésszabályozás:
Sorolja fel, hogy az általam megadott korábbi adatokon alapuló előrejelzést hogyan érvényteleníthetik a következő közelgő események: [új termék / promóció / ellátási válság / szabályozási változás]. Javasolja, hogyan állíthatnám manuálisan az előrejelzést mindegyikhez.
Gyenge felszólítás / Erős felszólítás
Gyenge felszólítás:
Mennyit fogok eladni a következő hónapban?
Nincs adat, nincs termék, nincs kontextus. Az AI vagy elutasítja, vagy pótolja; egyik eredmény sem működik.
Erőteljes felszólítás:
Az Ön szerepköre: igénytervezési asszisztens. Alább láthatók a PRODUCT-X eladásai az elmúlt 24 hónapban; A kampány hónapjai és a készletmentes hónapok meg vannak jelölve. Adjon meg pesszimista/várható/optimista előrejelzést a következő 3 hónapra, mindegyikhez adjon konfidencia intervallumot, mutassa meg a MAPE értékét az elmúlt teszthez képest. Tegyük fel, hogy megvan a végső döntés a részvényekről.
Megközelítés
ütni
bizonytalanságkezelés
Kockázat
egyetlen számra hagyatkozni
félrevezető
Egyik sem
Magas – a terv összeomlik
Forgatókönyv + tartomány
reális
jó
alacsony
csak az intuíció
Változó
gyenge
középmagas
Vakon engedelmeskedik az AI-nak
Változó
Egyik sem
magas
Gyakori hibák
- Összetéveszti a készletkibocsátási napot az alacsony kereslettel. Ha az áruk nem állnak rendelkezésre, az eladások alacsonynak tűnnek; Ez nem jelenti azt, hogy csökkent a kereslet.
- Egyetlen számba zárás. Abszolút igazságnak tekinteni a jóslatot annyi, mint figyelmen kívül hagyni a bizonytalanságot; Mindig kérjen hatótávolságot és forgatókönyvet.
- Nem címkézi a kampányt. Az a modell, amely a promóciós visszapattanást "normálisnak" gondolja, eltorzítja a jövőt.
- Új termék előrejelzése előzmények nélkül. Az adatok nélküli termék mesterséges intelligencia biztonságosnak tűnő száma megalapozatlan.
- A feltörést az AI-ra hagyjuk. A mesterséges intelligencia nem ismeri az olyan szerkezeti töréseket, mint a járványok, ellátási válságok és jogszabályok; Szakértői beavatkozást kell végezni.
Figyelem: Bármilyen jól is néz ki egy előrejelzés, nem lehet jobb, mint az alapul szolgáló adatok minősége. – Szemet be, szemét ki. Töltsd ideje nagy részét az adatok tisztításával; A többit a modell rész elvégzi.
Összefoglalva
A kereslet előrejelzése az ellátási lánc motorja, az AI pedig egy hatékony asszisztens, amely felgyorsítja ezt a motort. De a mesterséges intelligencia tanul a múltból; téved, ha a jövő nem hasonlít a múltra. Rögzítse a trendeket és a szezonalitást, címkézze meg az eseményeket, mérje meg a pontosságot a MAPE segítségével és a sodródási irányt, állítsa be az előrejelzést forgatókönyvként és tartományként, ne egyetlen számként. Új termékek és szerkezeti törések esetén a szakértői vélemény az első. Az adattisztítás mindennek az alapja; A végső terv a tiéd.
Pályázati feladat
Szerezze meg valamelyik saját termékének (vagy egy feltételezett termékének) az elmúlt 12-24 hónap értékesítési adatait, jelölje meg a kampányt és a kifogyott hónapokat. Kérjen három forgatókönyvet az AI-tól a „forgatókönyv előrejelzése” sablonnal. Ezután tároljon néhány előzményt a „Pontossági teszt” sablon segítségével, és hasonlítsa össze az előrejelzést a valósággal. Írja le a talált MAPE-t és a választott forgatókönyvet, annak indokával együtt, 5 tételben; Adja meg azt is, hogy melyik biztonsági puffert kívánja hozzáadni.
ellenőrző lista
- [ ] Töröltem az adatokat, megjelöltem a készlethiány és a kampánynapokat?
- [ ] Érvényesítettem az előrejelzést a MAPE-vel és a torzítás irányával utólagos teszteléssel?
- [ ] Egyetlen szám helyett forgatókönyvet és konfidenciaintervallumot kértem?
- [ ] Ha új termék / törés van, előnyben részesítettem a szakértői véleményt?
- [ ] Saját jóváhagyásomnak vetettem alá a végleges készlettervet?