利益:
- 過去の販売データ、季節の影響、外部要因を組み合わせて、人工知能のサポートにより SKU ベースで需要予測の草案を作成する機能。
- 予測精度 (MAPE、バイアス) を解釈し、過大評価と過小評価によるビジネスへの影響を区別する能力
- 人工知能によって作成された予測は予測であり、最終的な注文の決定は在庫コストやキャッシュ フローとともに経営者に属することを維持できること。
小売業では最も高価な間違いが 2 つあります。1 つは在庫を過剰に保持して棚にお金を眠らせておくこと、もう 1 つは十分な在庫を保持せずに顧客を手ぶらにしてしまうことです。どちらも原因は同じで、不適切な需要予測です。この単元では、過去の売上から将来を予測する強力なアシスタントとして人工知能を使用する方法を学びます。ただし、最初から言っておきますが、予測は預言ではなく、確率的な予測です。 AI が数字を教えてくれます。その数値を注文決定に反映するのはあなたの仕事です。
需要予測: 過去のデータと影響要因を調べて、製品またはカテゴリが将来どのくらい販売されるかを予測するタスクです。
SKU (在庫管理単位): さまざまな製品バリエーションごとに保持される一意の在庫コードです。たとえば、「赤、サイズ 42 スニーカー」は SKU です。同じモデルの番号 43 は別の SKU です。
予測を支える 3 つの情報源
優れた予測とは、次の 3 つの要素を組み合わせたものです。
- 過去の売上 (ベースライン): 過去 12 ～ 24 か月にわたる製品の週次/月次の売上。このシリーズからAIが「普通」レベルを抽出。
- 季節とカレンダーの影響: 休日、学校の学期、夏から冬、週末、給料日。例えば、夏にはアイスクリームが増え、冬には靴下が増えます。
- 外部要因: キャンペーン、価格変動、天候、競合他社の動き、開店/閉店。これらにより、推定値が上下します。
ヒント: AI に「先月 100 個販売しました」とだけ言わないでください。 「先月は 100 個販売しましたが、20% 割引があり、休日の週でした。」とします。文脈がなければ、予測は誤解を招きます。
段階的な予測の生成
- データの準備: 匿名のクリーンなテーブル: 日付、SKU、販売数量、価格、プロモーションの有無、在庫状況。在庫切れの日をマークします。そうしないと、人工知能はその日は「需要が少ない」と判断してしまいます。
- 背景を与える: 季節、今後のイベント、計画されているキャンペーンを書き留めます。
- 予測のリクエスト: SKU またはカテゴリごとに、特定の期間の予測と信頼区間 (最悪/最良のシナリオ) をリクエストします。
- 精度を測定する: 過去の予測を現実と比較します (下記の MAPE)。
- それを意思決定に変える: 見積もりと安全在庫および予算を組み合わせて、発注の意思決定を行います。
予測精度の読み取り: MAPE とバイアス
MAPE (平均絶対パーセント誤差): 実際の売上からの予測の平均偏差をパーセントで示します。式は単純です: |実績 − 予測|各期間の / 実質は平均です。
- MAPE 10% → 推定値は平均して 10% 乖離しており、かなり良好です。
- MAPE 40% → 予測は信頼性が低く、発注決定にはより多くのバッファー (安全在庫) が必要です。
方向性 (バイアス): あなたの予測は常に現実を上回っていますか (過剰在庫のリスク)、または下回っています (在庫切れのリスク)。こちらもご覧ください。 MAPEは方向性を示さない。
ステータス
意味
業績
持続的な高い見積もり
あなたは要求を誇張しています
過剰在庫、メルトダウン、マージンの損失
執拗な過小評価
需要を過小評価している
在庫切れ、売り逃し、不満
高いMAPE、バランスの取れた方向性
不確実性が高い
安全在庫を増やし、頻繁に見直します
低MAPE
正確な予測
在庫が減り、現金が増える
ミニケース
ケース 1 — 季節性の欠落: 食料品店は、昨年 7 月の売上 (月あたり 200 部) に基づいて学校ノートを注文します。人工知能に「8 月から 9 月の学期、昨年のこの期間の売上は 4 倍になった」というコンテキストが与えられると、予測は 200 ユニットではなく 780 ユニットに増加します。正しい順序のおかげで、学年度中に在庫がなくなることはありません。前年は逃した推定売上高60,000TLが今年は捕らえられている。
ケース 2 — 在庫切れの日は考慮しない: ある店舗では、人気のあるコーヒーが 3 週間にわたって在庫切れでした。生データを見ると、人工知能はそれらの週を「週あたり 5 件の売上」と見なし、低く見積もります。アナリストが在庫のない日をマークし、「この週は需要を反映していない」と言うと、予測は週あたり 45 日に増加します。実需が生まれる。
ケース 3 — キャンペーン効果の一般化: 繊維チェーンは、50% 割引の週セール (600 個) を「通常」とみなし、常に 600 個を注文します。人工知能に「このセールは 1 回限りのキャンペーンで行われたため、通常の週は 180 個です」と言われると、予測は修正されます。過剰在庫とその後の値下げ損失のリスクが防止されます。
予測の地平線: どこまで先が見えますか?
予測の範囲: 予測が行われるのはどのくらい先の将来までですか。ルールは単純です。期間が長いほど、不確実性は大きくなります。来週の売上を比較的正確に予測します。 6 か月後、範囲はさらに広がりました。したがって、注文決定の必要性に応じて予測期間を選択します。期間が短く、すぐになくなってしまう新鮮な製品については頻繁に更新されます。リードタイムが長い輸入製品の場合、より長い期間とより広い安全域が確保されます。
もう 1 つの重要な特徴は、新製品の予測です。過去に新しい SKU が販売されたことはありません。この場合、類似製品（アナログ）の履歴、カテゴリの平均、発売計画を AI に与えます。 「この製品には履歴がありません。類似製品 X と Y の最初の 8 週間を調べて初期見積もりを出します」と言うのは、空白を埋める合理的な方法です。ただし、新製品の予測には常にリスクが伴います。最初の数週間の実際のデータが入手可能になると、予測を迅速に修正します。
注意: 見積もりを「一度実行したら忘れる」という扱いとして扱わないでください。需要予測はライブプロセスです。新しい販売週ごとに、予測を更新する機会が得られます。最も優れた予測者は、最も賢いモデルではなく、最も頻繁に更新するモデルを使用する人です。
弱いプロンプト / 強いプロンプト
弱いプロンプト:
この商品は来月いくらで売れるか教えてください。
文脈はありません。 AIが乱数を作ります。
強力なプロンプト:
あなたの役割: 需要計画スペシャリスト。データ: 以下は、SKU 4471 の過去 18 か月の月ごとの販売数量と価格、およびその月にキャンペーンがあるかどうかです。内容: この商品は夏用サンダルです。需要のピークは5月から8月です。来月は6月です。キャンペーンの予定はございません。価格は固定です。タスク: (1) 6 月の予想販売数量、(2) 最悪のシナリオと最良のシナリオの範囲、(3) 予測に影響を与える 2 つの主な要因。ルール: 在庫切れとしてマークされた月を低需要としてカウントしません。指定されたデータのみに基づいています。データ: [表を貼り付け]
コピー可能なプロンプトテンプレート
1) SKU ベースの予測
あなたの役割: 需要計画スペシャリスト。次の匿名の月次売上シリーズから、[SKU] の将来の [期間] 予測を生成します。出力: 予想数量 + 最悪/最良の範囲 + 2 つの仮定。在庫切れとマークされた期間を除きます。データ: [貼り付け]
2) 季節パターンの除去
以下の 24 か月の売上シリーズで繰り返される季節パターンを見つけてください。どの月が一番上でどの月が一番下でしょうか?平均からの偏差をパーセンテージで与えます。表形式で提示します。データ: [貼り付け]
3) 予測精度評価
以下は私の過去の予想と実際の売上です。 (1) MAPE を計算します。(2) 私の予測は常に上昇または下降していますか。(3) これは株価にとって何を意味しますか?ステップごとに表示します。データ: [推定値、実際の列]
4) キャンペーンの効果を抽出する
キャンペーン週は、以下のセール シリーズでマークされています。通常の (キャンペーン以外の) 需要を推定します。キャンペーン効果を個別の上昇率として与えます。そこで、通常の注文レベルを確認したいと思います。データ: [貼り付け]
よくある間違い
- コンテキストを提供しない: キャンペーン、季節、価格の変更が指定されていない場合、予測は誤解を招くことになります。
- 在庫切れの日を需要としてカウントするかどうか: 在庫切れの期間は実際の需要を隠します。マーク。
- プロモーション セールを通常どおり受け入れる: 1 回限りの増加が永続的であると考えると、過剰在庫につながります。
- 単一の数値に依存する: 範囲 (シナリオ) を望まず、単一の点に依存すると、リスクが隠蔽されます。
- 精度をまったく測定していない: MAPE と方向が監視されていない場合、予測はますます悪くなります。
- 見積りによる直接注文: 現金、倉庫、賞味期限管理を必要としない注文。
要約すれば
適切な予測には、過去の売上、季節性、外部要因が組み合わされています。必ず AI にコンテキスト (キャンペーン、季節、在庫切れ日) を与えてください。 MAPE とバイアス方向による予測精度を監視します。不確実性が高い場合は安全在庫を増やします。予測は予測です。注文の最終決定は、予算と制約とともにお客様が決定します。
アプリケーションタスク
過去 12 ～ 18 か月間の売れ筋 SKU 上位 5 件の売上を匿名テーブルで取得し、在庫切れ期間とキャンペーン期間をマークします。 「1) SKU ベースの予測」プロンプトで将来の予測を生成し、「3) 予測精度評価」で過去の予測の MAPE を抽出します。結果をあなた自身の注文決定と比較してください。
チェックリスト
- [ ] 販売データを匿名化し、クリーンアップしました。
- [ ] 在庫切れやキャンペーン期間を記載しました。
- [ ] AI に季節と外部要因のコンテキストを与えました。
- [ ] 単一の数値ではなく、シナリオの範囲が必要でした。
- [ ] MAPEとヨー方向を確認しました。
- [ ] 予算と制約に基づいて発注を決定しました。