Keuntungan:
- Kemampuan untuk membedakan metode peramalan permintaan (rata-rata bergerak, pemulusan eksponensial, musiman)
- Kemampuan untuk mengatur skenario prediksi dengan AI dan mengevaluasi akurasi dengan metrik seperti MAPE/MAE
- Kemampuan untuk memeriksa silang keluaran perkiraan dengan konteks bisnis dan efek promosi/musiman
Peramalan permintaan adalah dasar yang mendasari perencanaan produksi, manajemen inventaris, dan seluruh rantai pasokan. Peramalan yang salah akan merugikan kedua belah pihak: perkiraan yang terlalu tinggi akan menimbulkan biaya persediaan dan pemborosan, sedangkan perkiraan yang terlalu rendah akan menyebabkan hilangnya penjualan dan ketidakpuasan pelanggan. Kecerdasan buatan membantu dalam banyak hal dalam proses peramalan, mulai dari memilih metode hingga menafsirkan data historis dan menghasilkan skenario; Namun melihat ramalan cuaca sebagai "bola kristal ajaib" adalah kesalahan terbesar. Dalam unit ini, kita akan membahas metode perkiraan klasik, cara membuatnya dengan benar menggunakan AI, dan cara mengukur akurasi.
Peta Singkat Metode Peramalan
Tidak setiap rangkaian tuntutan berperilaku sama; Ada yang datar, ada yang tren, ada pula yang musiman. Penting untuk memilih metode sesuai dengan serinya.
Metode
Kapan waktu yang tepat?
Perhatian
Naif (nilai terakhir)
Sebagai perbandingan (patokan)
Tidak mengikuti trend/musim
rata-rata bergerak
Seri statis dan berisik
Bereaksi terlambat terhadap tren
Pemulusan eksponensial (SES)
Seri stasioner, penekanan pada data terdekat
Bagus jika tidak ada tren
Holt (eksponensial ganda)
Seri trendi
Tidak mengikuti musim
Holt-Musim Dingin
Tren + musiman
Membutuhkan data historis yang memadai
Regresi/ML
Multi-variabel, promosi efektif
Risiko pakaian berlebihan
Tip: Selalu mulai dengan tebakan yang "naif". Jika model kompleks Anda tidak lebih baik dari tebakan naif, maka kerumitannya tidak ada gunanya. Naif adalah tolok ukur gratis untuk mengukur akurasi.
Bagaimana Kita Mengukur Akurasi? (Metrik)
Akurasi prediksi tidak dapat ditingkatkan tanpa mengukurnya. Metrik yang paling umum:
- MAE (Mean Absolute Error): Rata-rata nilai absolut kesalahan. Satuannya sama dengan satuan permintaan.
- RMSE (Root Mean Square Error): Menghukum kesalahan yang lebih besar.
- MAPE (Mean Absolute Percent Error): Dalam persen; Bagus untuk perbandingan antar item, tetapi terdistorsi ketika permintaan mendekati nol.
- Bias: Kesalahan rata-rata; Menunjukkan apakah Anda terus-menerus melebih-lebihkan/meremehkan.
Contoh akun kecil. Misalkan permintaan aktual adalah [100, 120, 90], perkiraannya adalah [110, 115, 100]:
Kesalahan (aktual - perkiraan): -10, +5, -10 Kesalahan absolut: 10, 5, 10 → MAE = 25/3 ≈ 8,33Persentase kesalahan: 10/100, 5/120, 10/90 = 10%, 4,17%, 11,11%MAPE = (10 + 4,17 + 11,11) / 3 ≈ 8.43%Bias = (-10 + 5 - 10) / 3 = -5 → perkiraan rata-rata yang berlebihan (prediksi > aktual)
Bias negatif (estimasi minus sebenarnya) menunjukkan bahwa estimasi tersebut secara konsisten dilebih-lebihkan; Ini berarti inflasi persediaan. Kesalahan arah seperti itu dapat disembunyikan di MAPE, sehingga kesalahan tersebut dilihat bersama-sama.
Membangun Proses Peramalan dengan AI
Anda dapat menggunakan AI dengan paling efisien di dua tempat: (1) untuk melihat data dan menyarankan metode serta tindakan yang tepat untuk diambil, dan (2) untuk menghasilkan kode prediktif. Untuk saran metode:
Peran: Anda adalah seorang insinyur industri yang berpengalaman dalam peramalan permintaan. Tugas: Periksa rangkaian penjualan bulanan di bawah ini dan rekomendasikan metode perkiraan yang sesuai. Evaluasi apakah ada tren dan musim, tulis alasan Anda. Data (bulanan, 24 bulan terakhir): {{ value }}Informasi tambahan: Ada promosi di bulan Desember, permintaan menurun di bulan-bulan musim panas. Output yang saya inginkan:1. Mengomentari karakter serial (stabil/tren/musiman).2. 2 metode yang direkomendasikan dan alasannya.3. Metrik akurasi apa yang harus saya lacak?4. Kesalahan yang harus saya waspadai (pencilan, efek promosi). Aturan: Jangan menjanjikan akurasi mutlak tanpa melihat datanya.
Prompt Lemah / Prompt Kuat
Perintah yang lemah:
Berapa banyak yang akan saya jual bulan depan?
Ini tidak berisi data maupun konteks; AI akan menolaknya atau mengembalikan nomor yang sepenuhnya dibuat-buat. Keluaran seperti itu berbahaya karena tampak dapat dipercaya.
Perintah yang kuat:
Prediksi 3 bulan ke depan menggunakan logika Holt-Winters dengan rangkaian 24 bulan ini. Durasi musim adalah 12. Pertama tulis asumsi metodenya, lalu berikan ramalannya, lalu hitung MAPE dengan melakukan backtesting 6 bulan terakhir. Tandai bulan promosi secara terpisah. Data: {{ ... }}
Perintah kedua menanyakan prediksi dan seberapa besar keyakinan untuk mempercayai prediksi tersebut (backtesting). Hal ini mengubah prediksi dari “oracle” menjadi alat yang dapat diukur.
Backtesting: Ukuran Keyakinan dalam Prediksi
Ujian sebenarnya dari prediksi adalah masa lalu, bukan masa depan. Anda membagi data yang Anda miliki menjadi dua: pembuatan model (pelatihan) dan pengujian. Anda membangun model dengan bagian pertama, memprediksi periode berikutnya, dan membandingkannya dengan kenyataan. Logika “tahan” ini mengungkapkan apakah suatu model benar-benar berfungsi atau tidak.
Siapkan rencana backtest sederhana untuk rangkaian berikut: sisihkan 6 bulan terakhir sebagai pengujian, latih 3 metode berbeda (naif, SES, Holt-Winters) dengan sisa data, hitung MAPE dan bias untuk masing-masing metode selama periode pengujian, dan buat tabel perbandingan. Tuliskan metode kemenangan dan alasannya.
Hati-hati: AI terkadang dapat "memprediksi" hasil backtest dan memberi Anda grafik yang sudah jadi; artinya, dia dapat membuat angka-angka yang kelihatannya masuk akal tanpa benar-benar menghitungnya. Pastikan untuk mereproduksi hasil numerik dengan kode (Python/Excel). Model bahasa tidak dapat melakukan aritmatika panjang dengan andal.
Kasus Mini: Terlalu Banyak Menimbun Produk Musiman
Sebuah perusahaan distribusi makanan mengeluh karena terlalu banyak stok produk musiman seperti es krim setiap tahun di musim dingin. Insinyur industri Elif memberikan data bulanan selama 3 tahun kepada AI dan memintanya untuk mengevaluasi karakter serial tersebut. AI mendeteksi musiman yang kuat (puncak musim panas) dan sedikit tren pertumbuhan tahunan, menurut Holt-Winters. Elif menghasilkan prediksi dengan Python dan mengujinya kembali: MAPE adalah 14%, tetapi biasnya sangat negatif - modelnya secara konsisten melakukan prediksi yang berlebihan. Ketika ia menyelidiki alasannya, ia mendapati bahwa ia salah mengira periode kampanye dalam data historis sebagai sesuatu yang "normal" dan mengajarkan model tersebut pada dasar yang terlalu tinggi. Saat kami menghilangkan efek kampanye dan membangun kembali model, biasnya berkurang dan stok musim dingin berkurang secara signifikan. Pelajaran: AI menyarankan metode ini dengan benar, tetapi manusialah yang membersihkan data dan menafsirkan bias.
Kesalahan Umum
- Tidak melacak metrik: Memperkirakan dan tidak pernah mengukur akurasi. Prediksi tanpa pengukuran tidak dapat diperbaiki.
- Hanya melihat MAPE: Mengabaikan bias. Kesalahan terarah (sistematis) secara diam-diam meningkatkan inventaris.
- Salah mengira angka yang dibuat oleh AI untuk penghitungan: Tidak memvalidasi nilai backtest dan metrik dengan kode.
- Tidak membersihkan outlier/promosi: Menganggap kampanye satu kali sebagai permintaan normal dan mengajarkannya kepada model.
- Overfit: Ketika model yang kompleks sangat cocok di masa lalu, tetapi performanya buruk di masa depan. Pertahankan model sederhana sebagai patokan.
Singkatnya
- Pilih metode perkiraan sesuai dengan karakter seri (stasioner, trending, musiman); Mulailah selalu dengan membandingkan diri Anda dengan orang yang naif.
- Ukur akurasi dengan MAE/RMSE/MAPE, tetapi juga pantau bias: kesalahan arah adalah yang paling mahal.
- Gunakan AI untuk rekomendasi metode dan pembuatan kode; Tetapkan ramalan sebagai alat yang dapat diukur, bukan "ramalan".
- Backtesting adalah ujian sebenarnya tentang seberapa besar kepercayaan diri suatu model; Pastikan untuk memverifikasi hasil numerik dengan kode.
- Tugas manusia adalah membersihkan data (outlier, promosi) dan menafsirkan hasilnya; AI melewatkan langkah-langkah ini.
Tugas aplikasi
Memiliki setidaknya serial permintaan periode 18-24 (fiksi nyata atau realistis). Pertama, berikan AI seri tersebut dan minta AI untuk menafsirkan karakternya (tren/musiman) dan menyarankan dua metode. Kemudian gunakan perintah kuat "rencana backtest" untuk mencadangkan 6 periode terakhir sebagai pengujian dan membandingkan setidaknya dua metode. Langkah penting: Hitung ulang nilai MAPE dan bias yang dikembalikan oleh AI dengan Excel atau Python dan bandingkan dengan keluaran AI. Jika Anda menemukan nomor yang tidak cocok, tulislah. Terakhir, tafsirkan tanda biasnya: apakah model Anda melebih-lebihkan atau meremehkan, dan apa pengaruhnya terhadap inventaris Anda?