Guadagni:
- Capacità di comprendere i concetti di serie temporali, tendenza, stagionalità e impatto della campagna e di utilizzare l'intelligenza artificiale per la previsione della domanda con le domande giuste e dati puliti.
- Capacità di interpretare l'accuratezza delle previsioni (MAPE, deviazione) e l'incertezza (intervallo di confidenza, scenari) e di basare la pianificazione su un intervallo anziché su un singolo numero
- Essere in grado di distinguere che la previsione dell'intelligenza artificiale si basa su dati storici e che il giudizio degli esperti viene alla ribalta in caso di interruzioni come nuovi prodotti, promozioni o crisi di fornitura.
Ogni decisione nella catena di fornitura si basa su una domanda: quanta domanda ci sarà? Quanto più accuratamente rispondi a questa domanda, meno azioni detieni, meno azioni rimani fuori e meno soldi impegni. La previsione della domanda è il motore della catena di fornitura; Da qui vengono alimentati i piani di stock, acquisto, produzione e trasporto. L’intelligenza artificiale è estremamente potente in questo campo perché scansiona la storia di migliaia di prodotti molto più velocemente di un essere umano ed estrae modelli. Ma la fonte del suo potere è anche il suo limite: l’intelligenza artificiale impara dal passato; Se il futuro non assomiglia al passato, è sbagliato. In questa unità impareremo il linguaggio della previsione, della misurazione dell'accuratezza, della gestione dell'incertezza e dei punti in cui l'intelligenza artificiale dovrebbe arrendersi.
Linguaggi di previsione: serie storiche, trend, stagionalità
I dati sulla domanda sono solitamente una serie temporale, ovvero una serie di numeri ordinati in base al tempo, ad esempio le vendite giornaliere di un prodotto. Dividere questa sequenza in tre parti è la base della previsione:
Tendenza, direzione a lungo termine: le vendite aumentano o diminuiscono di anno in anno? Stagionalità, fluttuazione ricorrente e regolare: il gelato si vende d'estate, il riscaldatore si vende d'inverno; Il mercato è occupato il venerdì e il sabato. Rumore, riproduzione casuale inspiegabile. Una buona previsione coglie trend e stagionalità e non si lascia ingannare dal rumore. Oltre a questi si accumulano gli eventi: campagna, promozione, giorno festivo, meteo, mossa della concorrenza. Quando fai una previsione all'IA, devi raccontarle questi eventi; Se non glielo dici, penserà che saltare il giorno della campagna elettorale sia "normale" e commetterà un errore riguardo al futuro.
Suggerimento: quando fornisci dati grezzi sulle vendite all'intelligenza artificiale, contrassegna le campagne, le festività e i giorni di esaurimento delle scorte. Il giorno senza scorte è importante: le vendite sembrano basse quel giorno, ma la domanda reale era alta, semplicemente non c'erano merci disponibili. Se non lo specifichi, l'intelligenza artificiale sottostimerà la domanda effettiva.
Precisione di misura: MAPE e bias
“Le previsioni sono buone?” La risposta alla domanda viene dalla misurazione, non dal sentimento. L’indicatore più comune è MAPE (errore percentuale medio assoluto: quanti punti percentuali in media le previsioni si discostano dalla realtà). Se MAPE è pari al 10%, significa che le tue previsioni non corrispondono al valore reale in media del 10%; un MAPE inferiore è migliore. Il secondo concetto importante è il bias: la tua previsione è costantemente al di sopra (producendo scorte in eccesso) o in difetto (lasciando scorte in eccesso) alla realtà? Anche se una previsione ha un MAPE basso, se devia sempre nella stessa direzione, c’è un problema sistematico.
Puoi fornire all'IA parte della storia come "addestramento" e parte come "test" e confrontare la sua previsione con la realtà. Questo è il modo onesto per creare fiducia: testare il modello su dati che non ha visto. Vale la pena applicare una previsione al futuro solo se si è dimostrata coerente in passato.
Attenzione: nessuna previsione è accurata al 100%; Non è previsto che accada. L'obiettivo non è produrre un singolo numero perfetto ma un intervallo gestibile, conoscendo la deviazione. L’idea binaria “la previsione si è avverata/non ha funzionato” è sbagliata; La domanda corretta è "quanto ha deviato e quanto buffer ho mantenuto di conseguenza?"
Gestire l'incertezza: intervallo, non singolo numero
L'abitudine più pericolosa del pianificatore è quella di trattare le previsioni come un unico numero fisso. In realtà, ogni previsione ha un intervallo di confidenza, ad esempio “la domanda del prossimo mese sarà molto probabilmente compresa tra 900 e 1.100”. Più ampio è questo intervallo, maggiore è l’incertezza. Conoscere l'intervallo influisce direttamente sulla decisione sulle scorte: un intervallo ristretto richiede meno scorte di sicurezza, un intervallo ampio richiede più buffer.
Quindi chiedi sempre all’IA degli scenari: pessimistico (se la domanda risulta bassa), atteso e ottimista (se la domanda risulta alta). Considerando tre scenari, il piano non si basa su un unico presupposto ma su una serie di possibili possibilità. Questo è il modo più pratico per uscire dalla trappola del “blocco nel numero unico”.
Passo dopo passo: studio sulla previsione della domanda con l'intelligenza artificiale
- Cancella dati. Contrassegnare i giorni mancanti, i giorni di esaurimento scorte, aprire record errati; Funziona con codice prodotto anonimo.
- Taggare gli eventi. Aggiungi giorni di campagna, festività e promozioni ai dati.
- Sottrai il motivo. Chiedi all'intelligenza artificiale di riassumere tendenze, stagionalità ed eventi importanti.
- Provalo. Memorizza l'ultima parte della storia, lascia che l'intelligenza artificiale la preveda, la confronti con la realtà (MAPE e direzione del bias).
- Crea uno scenario. Chiedi tre previsioni, pessimistica/attesa/ottimista, e l'intervallo di confidenza per ciascuna.
- Filtro esperto. L’intelligenza artificiale non è a conoscenza delle imminenti interruzioni note (nuovo prodotto, crisi dell’offerta, legislazione); aggiungerli manualmente. Il piano finale è tuo.
tre mini custodie
Caso 1: Catturare la stagionalità. Un distributore di bevande si lamentava di essere costantemente esaurito durante i mesi estivi e di rimanere con la merce in inverno. Il pianificatore ha concesso 3 anni di vendite giornaliere anonime a YZ e ha rimosso la stagionalità: la domanda di giugno-agosto era 2,4 volte la media invernale e il balzo è iniziato a metà maggio di ogni anno. Secondo questo schema, ha predisposto le sue scorte estive con 3 settimane di anticipo; le scorte morte estive sono diminuite del 70%, le scorte morte invernali sono diminuite. L'intelligenza artificiale ha mostrato lo schema; Il pianificatore ha preso la decisione azionaria.
Caso 2 — Cedere al nuovo prodotto. Un'azienda stava per lanciare un prodotto nuovo di zecca; Non c'erano dati storici sulle vendite. Il pianificatore ha chiesto all'IA: "Quale sarà la domanda per i primi 3 mesi?" chiese. L’intelligenza artificiale ha prodotto un numero che sembrava ragionevole, ma il pianificatore sapeva che era infondato: non c’erano dati. Invece, l'intelligenza artificiale chiede "Qual è stato il primo modello di 3 mesi di prodotti rilasciati in segmenti simili in passato?" analisi e impostarlo come intervallo di previsione, con stock iniziali prudenti. Il giudizio degli esperti ha prevalso sulla fiducia fittizia dell'IA.
Caso 3: Stockless è la trappola del giorno. Un analista ha concluso che la domanda di un prodotto era diminuita e ha raccomandato di ridurre le scorte. Il suo collega più anziano ha notato che i giorni con vendite basse nei dati erano in realtà giorni in cui le scorte erano esaurite: la domanda non era diminuita, non c'erano merci. Quando i dati furono corretti con questa nota e restituiti all'AI, si vide che la domanda reale aumentava. I dati puliti in modo improprio producono previsioni errate.
Quattro modelli copiabili
1) Estrazione del modello:
Il tuo ruolo: assistente analista di pianificazione della domanda. Di seguito sono riportati i dati di vendita mensili di un prodotto (codice anonimo: PRODOTTO-X) negli ultimi 36 mesi. Mesi della campagna [elenco dei mesi], mesi senza stock [elenco dei mesi]. Compito: Riassumere (1) la tendenza, (2) l'andamento stagionale, (3) gli eventi degni di nota. Tieni presente che i mesi senza scorte nascondono la vera domanda. Il mese per il quale non ho fornito dati è inventato.
2) Prova di precisione:
Prevedi gli ultimi 6 mesi utilizzando i primi 30 dei 36 mesi seguenti. Quindi confronta la mia previsione con gli ultimi 6 mesi effettivi; Calcolare la deviazione e il MAPE totale per ciascun mese. Dimmi se la tua stima è costantemente distorta. Mostra formula.
3) Previsione dello scenario:
Stimare la domanda mensile di questo prodotto per il prossimo trimestre in 3 scenari: pessimistico/previsto/ottimista. Fornisci un intervallo di confidenza per ogni scenario e scrivi su quale ipotesi si basa. Si noti che questo non è definitivo ma un intervallo per la pianificazione.
4) Controllo della rottura:
Elenca come la previsione basata sui dati storici che ti ho fornito potrebbe essere invalidata dai seguenti eventi imminenti: [nuovo prodotto/promozione/crisi di fornitura/modifica normativa]. Suggerisci come dovrei modificare manualmente la previsione per ciascuno.
Prompt debole / Prompt forte
Suggerimento debole:
Quanto venderò il mese prossimo?
Nessun dato, nessun prodotto, nessun contesto. L’intelligenza artificiale o rifiuta o rimedia; nessuno dei due risultati funziona.
Suggerimento potente:
Il tuo ruolo: assistente alla pianificazione della domanda. Di seguito sono riportate le vendite di PRODUCT-X negli ultimi 24 mesi; I mesi della campagna e i mesi senza stock sono contrassegnati. Fornire previsioni pessimistiche/attese/ottimistiche per i prossimi 3 mesi, aggiungere un intervallo di confidenza a ciascuno, mostrare MAPE sui test precedenti. Fai finta che io abbia la decisione finale sulle azioni.
Avvicinamento
colpire
gestione dell’incertezza
Rischio
fare affidamento su un unico numero
fuorviante
Nessuno
Alto: il piano crolla
Scenario + gamma
realistico
bene
basso
solo intuizione
Variabile
debole
medio-alto
Obbedendo ciecamente all'IA
Variabile
Nessuno
alto
Errori comuni
- Confondere una giornata di stock-out per una domanda davvero bassa. Quando le merci non sono disponibili, le vendite appaiono basse; Ciò non significa che la domanda sia diminuita.
- Blocco in un unico numero. Considerare la previsione come una verità assoluta significa ignorare l’incertezza; Chiedi sempre portata e scenario.
- Non taggare la campagna. Il modello che considera “normale” il rimbalzo promozionale distorce il futuro.
- Previsione di un nuovo prodotto senza cronologia. Il numero apparentemente sicuro di intelligenza artificiale per prodotti senza dati è infondato.
- Lasciando la rottura all'IA. L’intelligenza artificiale non conosce rotture strutturali come epidemie, crisi di approvvigionamento e legislazione; È necessario l'intervento di esperti.
Attenzione: non importa quanto buona sia la previsione, non può essere migliore della qualità dei dati su cui si basa. "Immondizia dentro, spazzatura fuori." Trascorri la maggior parte del tuo tempo a pulire i dati; La parte del modello fa il resto.
In sintesi
La previsione della domanda è il motore della catena di fornitura e l’intelligenza artificiale è un potente assistente che accelera questo motore. Ma l’intelligenza artificiale impara dal passato; si sbaglia quando il futuro non assomiglia al passato. Cattura trend e stagionalità, tagga eventi, misura la precisione con MAPE e la direzione della deriva, imposta le previsioni come scenario e intervallo, non come singolo numero. Il giudizio degli esperti viene prima di tutto nei nuovi prodotti e nelle rotture strutturali. La pulizia dei dati è alla base di tutto; Il piano finale è tuo.
Compito dell'applicazione
Ottieni i dati di vendita degli ultimi 12-24 mesi di un tuo prodotto (o di un ipotetico prodotto), segna la campagna e i mesi di esaurimento scorte. Chiedi all’IA tre scenari con il modello “previsione dello scenario”. Quindi memorizza parte della cronologia con il modello "Test di precisione" e confronta la previsione con la realtà. Scrivi il MAPE che hai trovato e lo scenario che hai scelto, insieme al relativo motivo, in 5 punti; Specifica anche quale buffer di sicurezza aggiungerai.
lista di controllo
- [ ] Ho cancellato i dati, contrassegnato i giorni di esaurimento scorte e di campagna?
- [ ] Ho convalidato la previsione con MAPE e la direzione del bias attraverso il backtesting?
- [ ] Ho chiesto uno scenario e un intervallo di confidenza invece di un singolo numero?
- [ ] Se si verifica un nuovo prodotto/rottura, ho dato priorità al giudizio degli esperti?
- [ ] Ho sottoposto il piano azionario definitivo alla mia approvazione?