Keuntungan:
- Kemampuan untuk menghasilkan rancangan perkiraan permintaan berdasarkan SKU dengan dukungan kecerdasan buatan dengan menggabungkan data penjualan historis, efek musiman, dan faktor eksternal.
- Kemampuan untuk menafsirkan keakuratan perkiraan (MAPE, bias) dan membedakan konsekuensi bisnis dari perkiraan yang terlalu tinggi dan terlalu rendah
- Mampu menjaga bahwa perkiraan yang dihasilkan oleh kecerdasan buatan adalah prediksi dan keputusan pesanan akhir menjadi milik manajer bersama dengan biaya stok dan arus kas.
Ada dua kesalahan yang paling merugikan dalam bisnis ritel: menyimpan terlalu banyak stok dan membiarkan uangnya tertahan di rak, atau tidak menyimpan cukup stok dan meninggalkan pelanggan dengan tangan kosong. Keduanya mempunyai sumber yang sama: perkiraan permintaan yang buruk. Dalam unit ini Anda akan mempelajari cara menggunakan kecerdasan buatan sebagai asisten ampuh yang memprediksi masa depan dari penjualan masa lalu. Tapi katakanlah dari awal: prediksi bukanlah ramalan, melainkan prediksi probabilistik. AI memberi Anda nomor; Tugas Anda adalah menerjemahkan angka tersebut menjadi keputusan pemesanan.
Peramalan permintaan: Ini adalah tugas untuk memprediksi berapa banyak produk atau kategori yang akan terjual di masa depan dengan melihat data historis dan faktor-faktor yang mempengaruhinya.
SKU (Stock Keeping Unit): Merupakan kode stok unik yang disimpan untuk setiap varian produk yang berbeda. Misalnya, “sepatu kets merah ukuran 42” adalah SKU; nomor 43 model yang sama merupakan SKU tersendiri.
Tiga sumber informasi yang mendukung perkiraan tersebut
Ramalan yang baik menggabungkan tiga hal:
- Penjualan historis (baseline): Penjualan produk mingguan/bulanan selama 12-24 bulan terakhir. AI mengekstrak level "normal" dari seri ini.
- Efek musiman dan kalender: Liburan, masa sekolah, musim panas-musim dingin, akhir pekan, hari gajian. Misalnya, es krim bertambah banyak di musim panas dan kaus kaki bertambah banyak di musim dingin.
- Faktor eksternal: Kampanye, perubahan harga, cuaca, pergerakan pesaing, pembukaan/penutupan. Hal ini menaikkan atau menurunkan perkiraan.
Tip: Jangan hanya memberi tahu AI "kami menjual 100 bulan lalu". Katakan, "Kami menjual 100 bulan lalu, tapi ada diskon 20% dan itu adalah minggu liburan." Tanpa konteks, prediksi akan menyesatkan.
Pembuatan prediksi langkah demi langkah
- Siapkan data: Tabel bersih dan anonim: tanggal, SKU, jumlah terjual, harga, promosi/tidak ada promosi, ketersediaan. Tandai hari-hari kehabisan stok; Jika tidak, kecerdasan buatan akan menganggap hari itu sebagai "permintaan rendah".
- Berikan konteks: Tuliskan musim, acara mendatang, kampanye yang direncanakan.
- Minta perkiraan: Minta perkiraan dan interval kepercayaan (skenario terburuk/terbaik) untuk periode tertentu, berdasarkan SKU atau kategori.
- Ukur akurasi: Bandingkan prediksi Anda sebelumnya dengan kenyataan (MAPE di bawah).
- Ubah menjadi keputusan: Gabungkan perkiraan dengan stok pengaman dan anggaran, lalu buat keputusan pemesanan.
Akurasi pembacaan ramalan: MAPE dan bias
MAPE (Mean Absolute Percent Error): Menampilkan persentase rata-rata deviasi perkiraan dari penjualan aktual. Rumusnya sederhana: |aktual − perkiraan| untuk setiap periode / riil adalah rata-ratanya.
- MAPE 10% → perkiraan menyimpang rata-rata 10%, cukup bagus.
- MAPE 40% → perkiraan tidak dapat diandalkan, diperlukan lebih banyak buffer (stok pengaman) dalam pengambilan keputusan.
Arah (bias): Apakah ramalan Anda selalu berada di atas (risiko kelebihan stok) atau di bawah (risiko kehabisan stok) dengan kenyataan? Tonton ini juga; MAPE tidak menunjukkan arah.
Status
Artinya
hasil bisnis
Estimasi tinggi yang persisten
Anda melebih-lebihkan permintaan
Kelebihan stok, kehancuran, kehilangan margin
Meremehkan terus-menerus
Anda meremehkan permintaan
Kehabisan stok, penjualan terlewat, ketidakpuasan
MAPE tinggi, arah seimbang
Ketidakpastian tinggi
Tingkatkan stok pengaman, sering-seringlah meninjau
MAPE rendah
prediksi yang akurat
Stok lebih ramping, uang tunai lebih baik
kasus kecil
Kasus 1 — Musiman tidak ada: Sebuah toko kelontong memesan buku catatan sekolah berdasarkan penjualan bulan Juli tahun lalu (200 unit per bulan). Ketika kecerdasan buatan diberikan konteks "masa sekolah Agustus-September, penjualan meningkat empat kali lipat pada periode ini tahun lalu", prediksinya meningkat menjadi 780 unit, bukan 200. Berkat urutan yang benar, Anda tidak kehabisan stok selama tahun ajaran; Perkiraan omset 60,000 TL, yang lolos dari tahun sebelumnya, ditangkap tahun ini.
Kasus 2 — Tidak termasuk hari kehabisan stok: Sebuah toko kehabisan stok kopi populer selama 3 minggu. Melihat data mentah, kecerdasan buatan melihat minggu-minggu tersebut sebagai "5 penjualan per minggu" dan memberikan perkiraan yang rendah. Ketika analis menandai hari-hari tanpa stok dan mengatakan "minggu-minggu ini tidak mencerminkan permintaan", perkiraannya meningkat menjadi 45 per minggu. Permintaan nyata muncul.
Kasus 3 — Menggeneralisasikan efek kampanye: Sebuah jaringan tekstil menganggap penjualan minggu diskon 50% (600 unit) sebagai "normal" dan terus-menerus memesan 600 unit. Saat kecerdasan buatan diberi tahu "penjualan ini dilakukan dengan kampanye satu kali, minggu normal adalah 180", prediksi tersebut diperbaiki. Risiko kelebihan stok dan penurunan harga dapat dicegah.
Cakrawala prediksi: seberapa jauh Anda dapat melihat ke depan?
Cakrawala ramalan (forecast horizon): Seberapa jauh ramalan tersebut dibuat di masa depan. Aturannya sederhana: semakin panjang horizonnya, semakin besar ketidakpastiannya. Anda memperkirakan penjualan minggu depan dengan relatif akurat; enam bulan kemudian dengan jangkauan yang jauh lebih luas. Jadi pilihlah jangka waktu perkiraan sesuai dengan kebutuhan keputusan pemesanan: jangka waktu pendek dan sering diperbarui untuk produk segar yang cepat habis; Jangka waktu yang lebih panjang dan margin keamanan yang lebih luas untuk produk impor dengan waktu tunggu yang lama.
Perbedaan penting lainnya adalah peramalan produk baru. Tidak ada penjualan SKU baru sebelumnya; dalam hal ini, Anda memberikan AI sejarah produk serupa (analog), rata-rata kategori, dan rencana peluncuran. Mengatakan "Produk ini tidak memiliki riwayat; berikan perkiraan awal dengan melihat 8 minggu pertama produk serupa X dan Y" adalah cara yang masuk akal untuk mengisi kekosongan. Namun, perkiraan produk baru selalu lebih berisiko; Revisi perkiraan dengan cepat saat data aktual untuk minggu-minggu pertama tersedia.
Perhatian: Jangan menganggap perkiraan tersebut sebagai perlakuan "lakukan sekali dan lupakan saja". Perkiraan permintaan merupakan sebuah proses langsung; Setiap minggu penjualan baru adalah kesempatan untuk memperbarui perkiraan. Peramal terbaik adalah mereka yang menggunakan model yang paling sering diperbarui, bukan model yang paling cerdas.
Perintah lemah / Perintah kuat
Perintah yang lemah:
Beritahu saya berapa banyak produk ini akan terjual bulan depan.
Tidak ada konteks; AI membuat angka acak.
Perintah yang kuat:
Peran Anda: spesialis perencanaan permintaan. Data: Di bawah ini adalah kuantitas dan harga penjualan bulanan selama 18 bulan terakhir untuk SKU 4471 dan apakah ada kampanye pada bulan tersebut. Konteks: Produk ini adalah sandal musim panas; Permintaan mencapai puncaknya pada bulan Mei-Agustus. Bulan depan adalah bulan Juni. Tidak ada kampanye yang direncanakan. Harga tetap.Tugas: (1) kuantitas penjualan yang diharapkan untuk bulan Juni, (2) kisaran skenario terburuk dan terbaik, (3) 2 faktor utama yang mempengaruhi perkiraan.Aturan: Jangan menghitung bulan yang ditandai kehabisan stok sebagai permintaan rendah.Hanya berdasarkan data yang diberikan.Data: [tempel tabel]
Templat cepat yang dapat disalin
1) prediksi berbasis SKU
Peran Anda: spesialis perencanaan permintaan. Hasilkan perkiraan [periode] masa depan untuk [SKU] dari rangkaian penjualan bulanan anonim berikut. Keluaran: kuantitas yang diharapkan + kisaran terburuk/terbaik + 2 asumsi. Kecualikan periode yang ditandai kehabisan stok. Data: [tempel]
2) Penghapusan pola musiman
Temukan pola musiman berulang dalam rangkaian penjualan 24 bulan di bawah. Bulan mana yang teratas dan bulan apa yang terbawah? Nyatakan deviasi dari mean sebagai persentase. Sajikan dalam bentuk tabel. Data: [tempel]
3) Evaluasi akurasi prediksi
Di bawah ini adalah perkiraan historis dan penjualan aktual saya. (1) Hitung MAPE, (2) apakah perkiraan saya secara konsisten bergerak lebih tinggi atau lebih rendah, (3) apa pengaruhnya terhadap saham? Tampilkan langkah demi langkah.Data: [perkiraan, kolom aktual]
4) Ekstrak dampak kampanye
Minggu kampanye ditandai dalam rangkaian penjualan di bawah ini. Perkirakan permintaan normal (non-kampanye); Berikan efek kampanye sebagai persentase peningkatan terpisah. Jadi saya ingin melihat tingkat pesanan normal. Data: [tempel]
Kesalahan umum
- Tidak memberikan konteks: Jika kampanye, musim, perubahan harga tidak disebutkan, prediksi akan menyesatkan.
- Apakah akan menghitung hari kehabisan stok sebagai permintaan: Periode kehabisan stok menyembunyikan permintaan riil; tanda.
- Menerima penjualan promosi seperti biasa: Berpikir bahwa kenaikan satu kali bersifat permanen akan menyebabkan kelebihan stok.
- Mengandalkan satu angka: Tidak menginginkan rentang (skenario) dan mengandalkan satu titik menyembunyikan risikonya.
- Tidak mengukur akurasi sama sekali: Jika MAPE dan arah tidak dipantau, prediksi akan semakin buruk.
- Membuat pesanan langsung dengan perkiraan: Memesan tanpa uang tunai, gudang dan kontrol umur simpan.
Singkatnya
Peramalan yang baik menggabungkan penjualan masa lalu, musiman, dan faktor eksternal. Pastikan untuk memberikan konteks kepada AI (kampanye, musim, hari kehabisan stok). Pantau keakuratan perkiraan dengan MAPE dan arah bias; Meningkatkan safety stock di tengah ketidakpastian yang tinggi. Sebuah prediksi adalah sebuah prediksi; Keputusan pemesanan akhir ada di tangan Anda, beserta anggaran dan batasannya.
Tugas aplikasi
Dapatkan penjualan 5 SKU terlaris selama 12-18 bulan terakhir dalam tabel anonim dan tandai periode kehabisan stok dan kampanye. Hasilkan perkiraan masa depan dengan perintah "1) Perkiraan berbasis SKU", lalu ekstrak MAPE perkiraan Anda sebelumnya dengan "3) Evaluasi akurasi perkiraan". Bandingkan hasilnya dengan keputusan pemesanan Anda sendiri.
daftar periksa
- [ ] Saya menganonimkan dan membersihkan data penjualan saya.
- [ ] Saya menandai periode kehabisan stok dan periode kampanye.
- [ ] Saya memberikan konteks musim dan faktor eksternal kepada AI.
- [ ] Saya menginginkan rentang skenario, bukan satu angka.
- [ ] Saya memeriksa arah MAPE dan yaw.
- [ ] Saya membuat keputusan pemesanan berdasarkan anggaran dan kendala.