Guadagni:
- Capacità di produrre una bozza di previsione della domanda in base allo SKU con il supporto dell'intelligenza artificiale combinando dati storici sulle vendite, effetti stagionali e fattori esterni.
- Capacità di interpretare l'accuratezza delle previsioni (MAPE, bias) e di distinguere le conseguenze aziendali della sovrastima e della sottostima
- Essere in grado di sostenere che la previsione prodotta dall'intelligenza artificiale è una previsione e che la decisione finale sull'ordine appartiene al manager insieme al costo delle scorte e al flusso di cassa.
Ci sono due errori più costosi nella vendita al dettaglio: tenere troppe scorte e lasciare che i soldi languiscano sullo scaffale, oppure non tenere abbastanza scorte e lasciare il cliente a mani vuote. Entrambi hanno la stessa fonte: una cattiva previsione della domanda. In questa unità imparerai come utilizzare l'intelligenza artificiale come un potente assistente che prevede il futuro dalle vendite passate. Ma diciamolo fin dall'inizio: una previsione non è una profezia, ma una previsione probabilistica. L'intelligenza artificiale ti dà un numero; È tuo compito tradurre quel numero in una decisione sull'ordine.
Previsione della domanda: è il compito di prevedere la quantità di un prodotto o di una categoria che verrà venduta in futuro esaminando i dati storici e i fattori che influenzano.
SKU (Stock Keeping Unit): è il codice stock univoco conservato per ogni diversa variante di prodotto. Ad esempio, "scarpe da ginnastica rosse, taglia 42" è uno SKU; il numero 43 dello stesso modello è uno SKU separato.
Tre fonti di informazione che alimentano le previsioni
Una buona previsione combina tre cose:
- Vendite storiche (base): vendite settimanali/mensili del prodotto negli ultimi 12-24 mesi. L'IA estrae un livello "normale" da questa serie.
- Effetti stagionali e di calendario: vacanze, periodo scolastico, estate-inverno, fine settimana, giorno di paga. Ad esempio, il gelato aumenta in estate e le calze aumentano in inverno.
- Fattori esterni: campagna, variazione dei prezzi, condizioni meteorologiche, movimento della concorrenza, apertura/chiusura. Questi spingono la stima verso l’alto o verso il basso.
Suggerimento: non dire semplicemente all'IA "ne abbiamo venduti 100 il mese scorso". Diciamo: "Ne abbiamo venduti 100 il mese scorso, ma c'era uno sconto del 20% ed era una settimana di vacanza". Senza contesto, la previsione è fuorviante.
Generazione di previsioni passo passo
- Preparare i dati: una tabella anonima e pulita: data, SKU, quantità venduta, prezzo, promozione/non promozione, disponibilità. Segna i giorni di esaurimento scorte; Altrimenti, l’intelligenza artificiale penserà che quel giorno sia “a bassa domanda”.
- Fornisci il contesto: scrivi la stagione, i prossimi eventi, le campagne pianificate.
- Richiedi una previsione: richiedi una previsione e un intervallo di confidenza (scenario peggiore/migliore) per un periodo specifico, per SKU o categoria.
- Misura l'accuratezza: confronta le tue previsioni passate con la realtà (MAPE sotto).
- Trasformalo in una decisione: combina il preventivo con le scorte di sicurezza e il budget e prendi la decisione dell'ordine.
Precisione della lettura delle previsioni: MAPE e bias
MAPE (Errore Percentuale Medio Assoluto): Mostra la deviazione percentuale media delle previsioni rispetto alle vendite effettive. La formula è semplicemente: |effettivo − previsione| per ogni periodo/reale è la loro media.
- MAPE 10% → le stime si discostano in media del 10%, abbastanza buono.
- MAPE 40% → le previsioni non sono attendibili, è necessario più buffer (stock di sicurezza) per decidere sugli ordini.
Direzione (bias): le vostre previsioni sono costantemente al di sopra (rischio di stock eccessivo) o al di sotto (rischio di esaurimento) della realtà? Guarda anche questo; MAPE non mostra la direzione.
Stato
Significato
risultato aziendale
Stima alta persistente
Stai esagerando la domanda
Scorte in eccesso, crollo, perdita di margine
Sottostima persistente
Sottovaluti la domanda
Esaurito, vendite mancate, insoddisfazione
MAPE elevato, direzione equilibrata
L’incertezza è alta
Aumentare le scorte di sicurezza e rivederle frequentemente
MAPE basso
previsione accurata
Azioni più snelle, liquidità migliore
mini custodie
Caso 1 – Mancanza di stagionalità: un negozio di alimentari ordina quaderni scolastici in base alle vendite di luglio dell'anno scorso (200 unità al mese). Considerando l'intelligenza artificiale nel contesto del "termine scolastico agosto-settembre, le vendite sono quadruplicate in questo periodo l'anno scorso", la previsione aumenta a 780 unità invece di 200. Grazie all'ordine corretto, non si esauriscono le scorte durante l'anno scolastico; Quest'anno verrà raggiunto il fatturato stimato di 60.000 TL, sfuggito l'anno precedente.
Caso 2 – Senza contare il giorno di esaurimento scorte: un negozio ha esaurito le scorte di un caffè popolare per 3 settimane. Guardando i dati grezzi, l’intelligenza artificiale vede quelle settimane come “5 vendite a settimana” e fornisce una stima bassa. Quando l'analista segna i giorni senza stock e dice "queste settimane non riflettono la domanda", la previsione aumenta a 45 a settimana. Emerge la domanda reale.
Caso 3 — Generalizzare l'effetto della campagna: Una catena tessile considera "normale" una vendita settimanale con uno sconto del 50% (600 unità) e ne ordina costantemente 600. Quando all'intelligenza artificiale viene detto "questa vendita è stata effettuata con una campagna una tantum, la settimana normale è 180", la previsione viene corretta. Si previene il rischio di scorte in eccesso e di conseguente perdita di ribasso.
Orizzonte di previsione: quanto lontano puoi vedere?
Orizzonte di previsione: quanto lontano nel futuro viene effettuata la previsione. La regola è semplice: più lungo è l’orizzonte, maggiore è l’incertezza. Prevedi le vendite della prossima settimana in modo relativamente accurato; sei mesi dopo con una gamma molto più ampia. Scegli quindi l'orizzonte previsionale in base alle necessità di decisione dell'ordine: orizzonte breve e aggiornamento frequente per il prodotto fresco che si esaurisce rapidamente; Orizzonte più lungo e margine di sicurezza più ampio per i prodotti importati con tempi di consegna lunghi.
Un'altra distinzione importante è la previsione di nuovi prodotti. Non esiste alcuna vendita passata di un nuovo SKU; in questo caso fornisci all'IA la cronologia dei prodotti simili (analogici), la media della categoria e il piano di lancio. Dire "Questo prodotto non ha storia; fornire una stima iniziale esaminando le prime 8 settimane di prodotti simili X e Y" è un modo ragionevole per riempire il vuoto. Tuttavia, la previsione di nuovi prodotti è sempre più rischiosa; Rivedi rapidamente la previsione non appena diventano disponibili i dati effettivi per le prime settimane.
Attenzione: non considerare il preventivo come un trattamento "fallo una volta e poi dimenticalo". La previsione della domanda è un processo in tempo reale; Ogni nuova settimana di vendita è un'opportunità per aggiornare le previsioni. I migliori meteorologi sono quelli che utilizzano quello che si aggiorna più frequentemente, non il modello più intelligente.
Prompt debole / Prompt forte
Suggerimento debole:
Dimmi quanto venderà questo prodotto il mese prossimo.
Non c'è contesto; L'intelligenza artificiale costituisce un numero casuale.
Suggerimento potente:
Il tuo ruolo: specialista della pianificazione della domanda. Dati: di seguito sono riportati la quantità e il prezzo delle vendite mensili per gli ultimi 18 mesi per lo SKU 4471 e se è presente una campagna in quel mese. Contesto: questo prodotto è sandali estivi; Il picco della domanda è maggio-agosto. Il prossimo mese è giugno. Non è prevista alcuna campagna. Il prezzo è fisso. Compito: (1) quantità di vendita prevista per giugno, (2) intervallo dello scenario migliore e peggiore, (3) 2 fattori principali che influenzano la previsione. Regola: non contare i mesi contrassegnati come esauriti come bassa domanda. Basato solo sui dati forniti. Dati: [incolla tabella]
Modelli di prompt copiabili
1) Previsione basata sullo SKU
Il tuo ruolo: specialista della pianificazione della domanda. Genera previsioni future di [periodo] per [SKU] dalle seguenti serie di vendite mensili anonime. Output: quantità prevista + intervallo peggiore/migliore + 2 ipotesi. Escludere i periodi contrassegnati come esauriti. Dati: [incolla]
2) Rimozione dello schema stagionale
Trova lo schema stagionale ricorrente nelle serie di vendite di 24 mesi riportate di seguito. Quali mesi sono i migliori e quali i mesi più bassi? Indica la deviazione dalla media in percentuale. Presentatelo sotto forma di tabella. Dati: [incolla]
3) Valutazione dell'accuratezza della previsione
Di seguito sono riportate le mie stime storiche e le vendite effettive. (1) Calcola MAPE, (2) la mia previsione si sposta costantemente verso l'alto o verso il basso, (3) cosa significa questo per il titolo? Mostra passo dopo passo. Dati: [stima, colonne effettive]
4) Estrarre l'impatto della campagna
Le settimane della campagna sono contrassegnate nelle serie di vendite riportate di seguito. Stima della domanda normale (non legata alla campagna); Assegna l'effetto della campagna come percentuale di incremento separata. Quindi voglio vedere il livello di ordine normale. Dati: [incolla]
Errori comuni
- Non contestualizzare: Se non viene specificata la campagna, la stagione, la variazione di prezzo, la previsione sarà fuorviante.
- Se contare i giorni di esaurimento delle scorte come domanda: un periodo di esaurimento delle scorte nasconde la domanda reale; segno.
- Accettare le vendite promozionali come di consueto: pensare che un aumento una tantum sia permanente porterà a un eccesso di scorte.
- Affidarsi a un unico numero: non volere un intervallo (scenario) e affidarsi a un unico punto nasconde il rischio.
- Non misurare affatto la precisione: se MAPE e direzione non vengono monitorati, la previsione peggiora sempre di più.
- Effettuare ordini diretti con preventivi: ordinare senza controllo di contanti, magazzino e durata di conservazione.
In sintesi
Una buona previsione combina vendite passate, stagionalità e fattori esterni. Assicurati di fornire all'IA il contesto (campagna, stagione, giorni di esaurimento scorte). Monitorare l'accuratezza delle previsioni con MAPE e la direzione del bias; Aumentare le scorte di sicurezza in condizioni di elevata incertezza. Una previsione è una previsione; La decisione finale sull'ordine spetta a te, insieme al budget e ai vincoli.
Compito dell'applicazione
Ottieni le vendite dei tuoi 5 SKU più venduti negli ultimi 12-18 mesi in una tabella anonima e contrassegna i periodi di esaurimento scorte e di campagna. Genera una previsione futura con il prompt "1) Previsione basata su SKU", quindi estrai il MAPE delle tue previsioni passate con "3) Valutazione dell'accuratezza della previsione". Confronta il risultato con la tua decisione sull'ordinazione.
lista di controllo
- [ ] Ho reso anonimi e ripuliti i miei dati di vendita.
- [ ] Ho segnato i periodi di esaurimento scorte e di campagna.
- [] Ho fornito all'intelligenza artificiale il contesto della stagione e dei fattori esterni.
- [ ] Volevo un intervallo di scenari, non un singolo numero.
- [ ] Ho controllato il MAPE e la direzione dell'imbardata.
- [ ] Ho preso la decisione di ordinare in base al budget e ai vincoli.