Guadagni:
- Capacità di distinguere i metodi di previsione della domanda (media mobile, livellamento esponenziale, stagionalità)
- Capacità di impostare scenari di previsione con l'intelligenza artificiale e valutare l'accuratezza con metriche come MAPE/MAE
- Capacità di verificare i risultati delle previsioni con il contesto aziendale e gli effetti promozionali/stagionali
La previsione della domanda è la base su cui si fondano la pianificazione della produzione, la gestione delle scorte e l’intera catena di fornitura. Una previsione sbagliata è costosa in entrambi i sensi: sovrastima crea costi di inventario e sprechi, sottostima porta alla perdita di vendite e all’insoddisfazione dei clienti. L’intelligenza artificiale aiuta in molti aspetti del processo di previsione, dalla scelta di un metodo all’interpretazione dei dati storici e alla generazione di scenari; Ma vedere le previsioni come una “sfera di cristallo magica” è l’errore più grande. In questa unità tratteremo i metodi di previsione classici, come costruirli correttamente con l'intelligenza artificiale e come misurare l'accuratezza.
Breve mappa dei metodi di previsione
Non tutte le serie di richieste si comportano allo stesso modo; Alcuni sono piatti, altri hanno tendenze, altri sono stagionali. È necessario scegliere il metodo in base alla serie.
Metodo
Quando è opportuno?
Attenzione
Naive (ultimo valore)
Per confronto (benchmark)
Non segue la tendenza/stagione
media mobile
Serie statica e rumorosa
Reagisce tardi al trend
Livellamento esponenziale (SES)
Serie stazionarie, enfasi sui dati vicini
Bene se non c'è tendenza
Holt (doppio esponenziale)
Serie alla moda
Non cattura la stagione
Holt-Inverni
Tendenza + stagionalità
Richiede dati storici sufficienti
Regressione/ML
Multivariabile, promozione efficace
Rischio di overfit
Suggerimento: inizia sempre con un'ipotesi "ingenua". Se il tuo modello complesso non è migliore di un'ipotesi ingenua, non vale la pena sopportarne la complessità. Naive è un punto di riferimento gratuito per la misurazione della precisione.
Come misuriamo la precisione? (Metriche)
L’accuratezza della previsione non può essere migliorata senza misurarla. Le metriche più comuni:
- MAE (Mean Absolute Error): La media del valore assoluto degli errori. L'unità è la stessa dell'unità di domanda.
- RMSE (errore quadratico medio): penalizza maggiormente gli errori più grandi.
- MAPE (errore percentuale medio assoluto): in percentuale; Buono per il confronto tra articoli, ma distorto quando la domanda è prossima allo zero.
- Bias: errore medio; Indica se sopravvaluti/sottovaluti costantemente.
Un piccolo account di esempio. Sia la domanda effettiva [100, 120, 90] e la previsione [110, 115, 100]:
Errori (effettivi - previsti): -10, +5, -10Errori assoluti: 10, 5, 10 → MAE = 25 / 3 ≈ 8,33Errori percentuali: 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 → sovrastima in media (previsione > effettivo)
Un bias negativo (stima vero meno) indica che la stima è costantemente sovrastimata; Ciò significa inflazione delle scorte. Tali errori direzionali possono essere nascosti in MAPE, quindi vengono esaminati insieme.
Costruire il processo di previsione con l'intelligenza artificiale
Puoi utilizzare l'intelligenza artificiale in modo più efficiente in due luoghi: (1) per esaminare i dati e suggerire il metodo e le azioni appropriati da intraprendere e (2) per generare codice predittivo. Per suggerimenti sul metodo:
Ruolo: sei un ingegnere industriale esperto nella previsione della domanda. Compito: esaminare le serie di vendite mensili riportate di seguito e consigliare il metodo di previsione appropriato. Valuta se c'è una tendenza e una stagionalità, scrivi la tua giustificazione. Dati (mensili, ultimi 24 mesi): {{values }}Informazioni aggiuntive: c'è una promozione a dicembre, la domanda diminuisce nei mesi estivi. L'output che voglio:1. Commentare il carattere della serie (stabile/di tendenza/stagionale).2. 2 metodi consigliati e perché.3. Quale metrica di precisione dovrei monitorare?4. Insidie a cui dovrei prestare attenzione (anomalia, effetto promozionale). Regola: non promettere la precisione assoluta senza vedere i dati.
Prompt debole / Prompt forte
Suggerimento debole:
Quanto venderò il mese prossimo?
Questo non contiene né dati né contesto; L'IA lo rifiuta o restituisce un numero completamente inventato. Tale output è pericoloso perché sembra affidabile.
Suggerimento potente:
Prevedi i prossimi 3 mesi utilizzando la logica di Holt-Winters con questa serie di 24 mesi. La durata della stagione è 12. Prima scrivi le ipotesi del metodo, poi fornisci la previsione, quindi calcola il MAPE eseguendo il backtesting degli ultimi 6 mesi. Contrassegna i mesi della promozione separatamente. Dati: {{ ... }}
Il secondo prompt richiede sia la previsione sia il livello di confidenza con cui fidarsi di tale previsione (backtesting). Ciò trasforma la previsione da “oracolo” a strumento misurabile.
Backtesting: misura della fiducia nella previsione
Il vero test di previsione è nel passato, non nel futuro. Dividi i dati che hai in due: costruzione del modello (treno) e test. Costruisci il modello con il primo pezzo, prevedi il periodo successivo e lo confronti con la realtà. Questa logica di “resistenza” rivela se un modello funziona effettivamente o meno.
Imposta un semplice piano di backtest per le seguenti serie: metti da parte gli ultimi 6 mesi come test, addestra 3 metodi diversi (naive, SES, Holt-Winters) con i dati rimanenti, calcola MAPE e bias per ciascuno durante il periodo di test e crea una tabella di confronto. Scrivi il metodo e la motivazione vincenti.
Attenzione: l'intelligenza artificiale a volte può "prevedere" i risultati del backtest e presentarti un grafico già pronto; cioè può inventare numeri che sembrano ragionevoli senza effettivamente calcolarli. Assicurati di riprodurre i risultati numerici con il codice (Python/Excel). Un modello linguistico non esegue operazioni aritmetiche lunghe in modo affidabile.
Mini Case: eccedenza di prodotti stagionali
Un'azienda di distribuzione alimentare si lamenta di avere ogni anno in inverno scorte eccessive di un prodotto stagionale come il gelato. L'ingegnere industriale Elif fornisce 3 anni di dati mensili all'IA e le chiede di valutare il carattere della serie. L’intelligenza artificiale rileva una forte stagionalità (picco estivo) e un leggero trend di crescita annuale, suggerisce Holt-Winters. Elif genera la previsione in Python e la esegue il backtest: MAPE è del 14%, ma il bias è significativamente negativo: il modello prevede costantemente una previsione eccessiva. Quando indaga sul perché, scopre di aver scambiato un periodo di campagna nei dati storici come "normale" e di aver insegnato al modello una base troppo alta. Quando rimuoviamo l’effetto della campagna e ricostruiamo il modello, la distorsione diminuisce e le scorte invernali diminuiscono in modo significativo. Lezione: l’intelligenza artificiale ha suggerito il metodo correttamente, ma è stato lavoro umano pulire i dati e interpretare i bias.
Errori comuni
- Non tenere traccia delle metriche: stimare e mai misurare la precisione. La previsione senza misurazione non può essere migliorata.
- Basta guardare MAPE: ignorare i pregiudizi. L'errore direzionale (sistematico) gonfia silenziosamente l'inventario.
- Confondere i numeri composti dall'intelligenza artificiale per calcoli: non convalidare backtest e valori metrici con il codice.
- Non pulire l'anomalia/promozione: scambiare una campagna una tantum per una richiesta normale e insegnarla al modello.
- Overfit: quando un modello complesso si adatta perfettamente al passato ma ha prestazioni scarse nel futuro. Mantieni il modello semplice come punto di riferimento.
In sintesi
- Scegli il metodo di previsione in base al carattere della serie (stazionario, di tendenza, stagionale); Inizia sempre paragonandoti a un ingenuo.
- Misura la precisione con MAE/RMSE/MAPE, ma monitora anche il bias: l'errore direzionale è il più costoso.
- Utilizzare l'intelligenza artificiale per consigliare metodi e generare codice; Imposta la previsione come uno strumento misurabile, non come una "profezia".
- Il backtesting è il vero test di quanta fiducia può avere un modello; Assicurati di verificare i risultati numerici con il codice.
- È compito dell'essere umano pulire i dati (valori anomali, promozione) e interpretare il risultato; L'intelligenza artificiale salta questi passaggi.
Compito dell'applicazione
Avere una serie di domande di almeno 18-24 periodi (narrativa reale o realistica). Innanzitutto, consegna all’IA la serie e chiedile di interpretarne il carattere (tendenza/stagionalità) e suggerire due metodi. Quindi utilizzare il potente prompt "piano di backtest" per riservare gli ultimi 6 periodi come test e confrontare almeno due metodi. Passaggio critico: ricalcolare personalmente i valori MAPE e bias restituiti dall'intelligenza artificiale con Excel o Python e confrontarli con l'output dell'intelligenza artificiale. Se trovi un numero che non corrisponde, scrivilo. Infine, interpreta il segno del bias: il tuo modello sta sovrastimando o sottostimando e cosa comporta questo per il tuo inventario?