Keuntungan:
- Kemampuan untuk memahami konsep deret waktu, tren, musiman, dan dampak kampanye serta menggunakan kecerdasan buatan untuk memperkirakan permintaan dengan pertanyaan yang tepat dan data yang bersih.
- Kemampuan untuk menafsirkan keakuratan perkiraan (MAPE, deviasi) dan ketidakpastian (interval kepercayaan, skenario) dan mendasarkan perencanaan pada suatu rentang, bukan pada satu angka
- Mampu membedakan bahwa prediksi kecerdasan buatan didasarkan pada data historis dan penilaian ahli akan muncul jika terjadi jeda seperti produk baru, promosi, atau krisis pasokan.
Setiap keputusan dalam rantai pasok didasarkan pada satu pertanyaan: berapa banyak permintaan yang akan ada? Semakin akurat Anda menjawab pertanyaan ini, semakin sedikit stok yang Anda miliki, semakin sedikit stok yang Anda habiskan, dan semakin sedikit uang yang Anda simpan. Perkiraan permintaan adalah mesin rantai pasokan; Rencana stok, pembelian, produksi, dan transportasi semuanya disalurkan dari sini. Kecerdasan buatan sangat berguna dalam bidang ini karena ia memindai sejarah ribuan produk jauh lebih cepat daripada manusia dan mengekstrak polanya. Namun sumber kekuatannya juga merupakan batasnya: AI belajar dari masa lalu; Jika masa depan tidak menyerupai masa lalu, maka itu salah. Di unit ini, kita akan mempelajari bahasa prediksi, mengukur akurasi, mengelola ketidakpastian, dan di mana AI harus menyerah kepada Anda.
Bahasa peramalan: deret waktu, tren, musiman
Data permintaan biasanya berupa deret waktu — serangkaian angka yang diurutkan berdasarkan waktu, seperti penjualan suatu produk setiap hari. Membagi urutan ini menjadi tiga bagian adalah dasar prediksi:
Tren, arah jangka panjang: apakah penjualan meningkat atau menurun dari tahun ke tahun? Musiman, fluktuasi yang berulang secara teratur: es krim dijual di musim panas, pemanas dijual di musim dingin; Pasar sibuk pada hari Jumat dan Sabtu. Kebisingan, pemutaran acak yang tidak dapat dijelaskan. Ramalan cuaca yang baik mampu menangkap tren dan musim serta tidak tertipu oleh kebisingan. Selain itu, banyak acara yang menumpuk: kampanye, promosi, hari libur nasional, cuaca, perpindahan pesaing. Saat Anda membuat prediksi AI, Anda harus menceritakan peristiwa-peristiwa ini; Jika Anda tidak memberitahunya, dia akan berpikir bahwa melompat pada hari kampanye adalah hal yang "normal" dan akan membuat kesalahan tentang masa depan.
Tip: Saat memberikan data penjualan mentah ke AI, tandai kampanye, hari libur, dan hari kehabisan stok. Hari tanpa stok adalah hari yang penting: penjualan tampak rendah pada hari itu, namun permintaan riil tinggi, tidak ada barang yang tersedia. Jika Anda tidak menentukannya, AI akan meremehkan permintaan sebenarnya.
Akurasi pengukuran: MAPE dan bias
“Apakah ramalan cuacanya bagus?” Jawaban atas pertanyaan tersebut berasal dari pengukuran, bukan perasaan. Indikator yang paling umum adalah MAPE (Mean Absolute Percent Error — berapa poin persentase rata-rata prediksi yang menyimpang dari kenyataan). Jika MAPE 10%, berarti prediksi Anda meleset dari nilai sebenarnya rata-rata 10%; MAPE yang lebih rendah lebih baik. Konsep penting kedua adalah bias: apakah perkiraan Anda secara konsisten berada di atas kenyataan (yang menghasilkan kelebihan stok) atau understocking (meninggalkan kekurangan stok)? Sekalipun suatu ramalan memiliki MAPE yang rendah, jika ramalan tersebut selalu menyimpang ke arah yang sama, terdapat masalah sistematis.
Anda dapat memberikan sebagian sejarah kepada AI sebagai "pelatihan" dan sebagian lagi sebagai "pengujian" dan membandingkan prediksinya dengan kenyataan. Ini adalah cara jujur untuk membangun kepercayaan: menguji model pada data yang belum dilihatnya. Sebuah prediksi hanya layak diterapkan pada masa depan jika terbukti konsisten di masa lalu.
Perhatian: Tidak ada prediksi yang 100% akurat; Hal ini diperkirakan tidak akan terjadi. Tujuannya bukan untuk menghasilkan angka tunggal yang sempurna tetapi rentang yang dapat dikelola, dengan mengetahui penyimpangannya. Gagasan biner tentang "prediksi menjadi kenyataan/tidak berhasil" adalah salah; Pertanyaan yang benar adalah "seberapa banyak penyimpangannya dan berapa banyak buffer yang saya simpan?"
Mengelola ketidakpastian: rentang, bukan angka tunggal
Kebiasaan paling berbahaya dari seorang perencana adalah memperlakukan ramalan sebagai satu angka pasti. Pada kenyataannya, setiap perkiraan memiliki interval kepercayaan — seperti “permintaan bulan depan kemungkinan besar antara 900 dan 1.100.” Semakin luas rentangnya, semakin tinggi ketidakpastiannya. Mengetahui kisaran tersebut secara langsung mempengaruhi keputusan stok Anda: kisaran yang sempit memerlukan lebih sedikit persediaan pengaman, kisaran yang luas memerlukan lebih banyak buffer.
Jadi selalu tanyakan kepada AI skenario: pesimistis (jika permintaan rendah), diharapkan, dan optimis (jika permintaan tinggi). Melihat tiga skenario, rencana tersebut tidak didasarkan pada asumsi tunggal tetapi pada serangkaian kemungkinan yang mungkin terjadi. Ini adalah cara paling praktis untuk keluar dari jebakan “terkunci dalam satu nomor”.
Langkah demi langkah: Studi perkiraan permintaan dengan AI
- Hapus data. Tandai hari-hari yang hilang, hari-hari kehabisan stok, buka catatan yang salah; Bekerja dengan kode produk anonim.
- Tandai acara. Tambahkan hari kampanye, hari libur, dan promosi ke data.
- Kurangi polanya. Minta AI untuk merangkum tren, musim, dan peristiwa penting.
- Ujilah. Simpan bagian terakhir dari sejarah, biarkan AI memprediksi, bandingkan dengan kenyataan (MAPE dan arah bias).
- Buat skenario. Mintalah tiga prediksi, pesimis/ekspektasi/optimis, dan interval kepercayaan untuk masing-masing prediksi.
- Filter ahli. AI tidak mengetahui adanya gangguan yang akan terjadi (produk baru, krisis pasokan, undang-undang); menambahkannya secara manual. Rencana terakhir ada di tangan Anda.
tiga kasus mini
Kasus 1 — Menangkap musiman. Seorang distributor minuman mengeluh bahwa dia terus-menerus kehabisan stok selama bulan-bulan musim panas dan hanya punya barang di musim dingin. Perencana memberikan penjualan harian anonim selama 3 tahun kepada YZ dan menghapus pola musiman: permintaan pada bulan Juni-Agustus adalah 2,4 kali lipat rata-rata musim dingin, dan lonjakan dimulai pada pertengahan Mei setiap tahun. Menurut pola ini, dia menyiapkan persediaan musim panasnya 3 minggu sebelumnya; stok mati musim panas berkurang 70%, stok mati musim dingin turun. AI menunjukkan polanya; Perencana membuat keputusan stok.
Kasus 2 — Menyerah pada produk baru. Sebuah perusahaan akan meluncurkan produk baru; Tidak ada data penjualan historis. Perencana bertanya kepada AI, "Berapa permintaan untuk 3 bulan pertama?" dia bertanya. AI menghasilkan angka yang tampaknya masuk akal — tetapi perencana tahu bahwa itu tidak berdasar: tidak ada data. Sebaliknya, AI bertanya, "Apa pola 3 bulan pertama produk yang dirilis di segmen serupa di masa lalu?" analisis dan atur sebagai kisaran perkiraan, dengan stok awal yang hati-hati. Penilaian ahli mengesampingkan kepercayaan fiktif AI.
Kasus 3 — Ketiadaan stok adalah jebakan hari ini. Seorang analis menyimpulkan bahwa permintaan suatu produk telah turun dan merekomendasikan pengurangan inventaris. Rekan seniornya memperhatikan bahwa hari-hari penjualan yang rendah dalam data sebenarnya adalah hari-hari kehabisan stok: permintaan tidak turun, tidak ada barang. Ketika data dikoreksi dengan catatan ini dan diberikan kembali kepada AI, terlihat bahwa permintaan riil meningkat. Data yang tidak dibersihkan dengan benar menghasilkan prediksi yang salah.
Empat templat yang dapat disalin
1) Ekstraksi pola:
Peran Anda: asisten analis perencanaan permintaan. Di bawah ini adalah data penjualan bulanan suatu produk (kode anonim: PRODUCT-X) selama 36 bulan terakhir. Bulan kampanye [daftar bulan], bulan bebas stok [daftar bulan]. Tugas: Meringkas (1) tren, (2) pola musiman, (3) peristiwa penting. Ingatlah bahwa bulan-bulan tanpa stok menyembunyikan permintaan sebenarnya. Bulan dimana saya tidak memberikan datanya adalah palsu.
2) Uji akurasi:
Prediksikan 6 bulan terakhir menggunakan 30 pertama dari 36 bulan di bawah ini. Lalu bandingkan prediksi saya dengan 6 bulan terakhir yang sebenarnya; Hitung deviasi dan total MAPE setiap bulannya. Beri tahu saya jika perkiraan Anda selalu bias. Tampilkan rumus.
3) Perkiraan skenario:
Perkirakan permintaan bulanan produk ini pada kuartal berikutnya dalam 3 skenario: pesimistis / perkiraan / optimis. Berikan interval kepercayaan untuk setiap skenario dan tuliskan asumsi yang mendasarinya. Perlu dicatat bahwa ini bukan merupakan hal yang definitif tetapi merupakan suatu interval untuk perencanaan.
4) Kontrol kerusakan:
Cantumkan bagaimana perkiraan berdasarkan data historis yang saya berikan kepada Anda dapat menjadi tidak valid karena kejadian mendatang berikut: [produk baru / promosi / krisis pasokan / perubahan peraturan]. Sarankan bagaimana saya harus menyesuaikan perkiraan secara manual untuk masing-masing perkiraan.
Perintah lemah / Perintah kuat
Perintah yang lemah:
Berapa banyak yang akan saya jual bulan depan?
Tidak ada data, tidak ada produk, tidak ada konteks. AI menolak atau menebusnya; tidak ada hasil yang berhasil.
Perintah yang kuat:
Peran Anda: asisten perencanaan permintaan. Berikut adalah penjualan PRODUK-X selama 24 bulan terakhir; Bulan kampanye dan bulan bebas stok ditandai. Berikan prakiraan pesimistis/ekspektasi/optimis untuk 3 bulan ke depan, tambahkan interval kepercayaan pada masing-masing bulan, tunjukkan MAPE pada pengujian sebelumnya. Anggaplah saya memiliki keputusan saham akhir.
Pendekatan
memukul
manajemen ketidakpastian
Resiko
mengandalkan nomor tunggal
menyesatkan
Tidak ada
Tinggi — rencana gagal
Skenario + rentang
realistis
bagus
rendah
hanya intuisi
Variabel
lemah
sedang-tinggi
Mematuhi AI secara membabi buta
Variabel
Tidak ada
tinggi
Kesalahan umum
- Salah mengira hari kehabisan stok adalah permintaan yang sangat rendah. Ketika barang tidak tersedia, penjualan tampak rendah; Hal ini tidak berarti permintaan menurun.
- Mengunci dalam satu nomor. Melihat prediksi sebagai kebenaran mutlak berarti mengabaikan ketidakpastian; Selalu tanyakan jangkauan dan skenario.
- Tidak menandai kampanye. Model yang menganggap pantulan promosi adalah hal yang "normal" mendistorsi masa depan.
- Prediksi produk baru tanpa riwayat. Jumlah AI yang tampaknya aman untuk produk tanpa data tidaklah berdasar.
- Menyerahkan pemecahannya kepada AI. AI tidak mengetahui hambatan struktural seperti epidemi, krisis pasokan, dan peraturan perundang-undangan; Intervensi ahli harus dilakukan.
Perhatian: Betapapun bagusnya sebuah prediksi, tidak bisa lebih baik dari kualitas data yang mendasarinya. "Sampah masuk, sampah keluar." Habiskan sebagian besar waktu Anda untuk membersihkan data; Bagian model melakukan sisanya.
Singkatnya
Perkiraan permintaan adalah mesin rantai pasokan, dan AI adalah asisten kuat yang mempercepat mesin ini. Namun AI belajar dari masa lalu; keliru ketika masa depan tidak menyerupai masa lalu. Tangkap tren dan musiman, tandai peristiwa, ukur akurasi dengan MAPE dan arah penyimpangan, atur perkiraan sebagai skenario dan rentang, bukan angka tunggal. Penilaian ahli menjadi prioritas utama dalam produk baru dan perubahan struktural. Pembersihan data adalah dasar dari segalanya; Rencana terakhir ada di tangan Anda.
Tugas aplikasi
Dapatkan data penjualan selama 12-24 bulan terakhir dari salah satu produk Anda sendiri (atau produk hipotetis), tandai kampanye dan bulan-bulan kehabisan stok. Mintalah AI untuk tiga skenario dengan template “prediksi skenario”. Kemudian simpan sebagian riwayat dengan template "Uji Akurasi" dan bandingkan prediksi dengan kenyataan. Tuliskan MAPE yang Anda temukan dan skenario yang Anda pilih, beserta alasannya, dalam 5 item; Tentukan juga buffer keamanan mana yang akan Anda tambahkan.
daftar periksa
- [ ] Apakah saya sudah menghapus data, menandai kehabisan stok, dan hari kampanye?
- [ ] Sudahkah saya memvalidasi prediksi dengan MAPE dan arah bias melalui backtesting?
- [ ] Apakah saya meminta skenario dan interval kepercayaan, bukan satu angka?
- [ ] Jika ada produk baru/rusak, apakah saya sudah mengutamakan penilaian ahli?
- [ ] Apakah saya sudah meminta persetujuan saya sendiri terhadap rencana stok akhir?