ಬೇಡಿಕೆಯ ಮುನ್ಸೂಚನೆ

ಲಾಭಗಳು:

• ಬೇಡಿಕೆಯ ಮುನ್ಸೂಚನೆ ವಿಧಾನಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸುವ ಸಾಮರ್ಥ್ಯ (ಚಲಿಸುವ ಸರಾಸರಿ, ಘಾತೀಯ ಮೃದುಗೊಳಿಸುವಿಕೆ, ಋತುಮಾನ)
• AI ಯೊಂದಿಗೆ ಮುನ್ಸೂಚನೆಯ ಸನ್ನಿವೇಶಗಳನ್ನು ಹೊಂದಿಸುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು MAPE/MAE ನಂತಹ ಮೆಟ್ರಿಕ್‌ಗಳೊಂದಿಗೆ ನಿಖರತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವ ಸಾಮರ್ಥ್ಯ
• ವ್ಯಾಪಾರ ಸಂದರ್ಭ ಮತ್ತು ಪ್ರಚಾರ/ಕಾಲೋಚಿತ ಪರಿಣಾಮಗಳೊಂದಿಗೆ ಮುನ್ಸೂಚನೆಯ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಅಡ್ಡ-ಪರಿಶೀಲಿಸುವ ಸಾಮರ್ಥ್ಯ

ಬೇಡಿಕೆಯ ಮುನ್ಸೂಚನೆಯು ಉತ್ಪಾದನಾ ಯೋಜನೆ, ದಾಸ್ತಾನು ನಿರ್ವಹಣೆ ಮತ್ತು ಸಂಪೂರ್ಣ ಪೂರೈಕೆ ಸರಪಳಿಯನ್ನು ಆಧರಿಸಿದೆ. ತಪ್ಪಾದ ಮುನ್ಸೂಚನೆಯು ಎರಡೂ ರೀತಿಯಲ್ಲಿ ದುಬಾರಿಯಾಗಿದೆ: ಅತಿಯಾಗಿ ಅಂದಾಜು ಮಾಡುವುದು ದಾಸ್ತಾನು ವೆಚ್ಚಗಳು ಮತ್ತು ವ್ಯರ್ಥವನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ, ಕಡಿಮೆ ಅಂದಾಜು ಮಾಡುವಿಕೆಯು ಕಳೆದುಹೋದ ಮಾರಾಟ ಮತ್ತು ಗ್ರಾಹಕರ ಅಸಮಾಧಾನಕ್ಕೆ ಕಾರಣವಾಗುತ್ತದೆ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಮುನ್ಸೂಚನೆಯ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಅನೇಕ ಸ್ಥಳಗಳಲ್ಲಿ ಸಹಾಯ ಮಾಡುತ್ತದೆ, ಐತಿಹಾಸಿಕ ದತ್ತಾಂಶವನ್ನು ಅರ್ಥೈಸುವ ಮತ್ತು ಸನ್ನಿವೇಶಗಳನ್ನು ಸೃಷ್ಟಿಸುವ ವಿಧಾನವನ್ನು ಆಯ್ಕೆಮಾಡುವುದು; ಆದರೆ ಮುನ್ಸೂಚನೆಯನ್ನು "ಮ್ಯಾಜಿಕ್ ಕ್ರಿಸ್ಟಲ್ ಬಾಲ್" ಎಂದು ನೋಡುವುದು ದೊಡ್ಡ ತಪ್ಪು. ಈ ಘಟಕದಲ್ಲಿ, ನಾವು ಶಾಸ್ತ್ರೀಯ ಮುನ್ಸೂಚನಾ ವಿಧಾನಗಳು, AI ನೊಂದಿಗೆ ಸರಿಯಾಗಿ ಅವುಗಳನ್ನು ಹೇಗೆ ನಿರ್ಮಿಸುವುದು ಮತ್ತು ನಿಖರತೆಯನ್ನು ಹೇಗೆ ಅಳೆಯುವುದು ಎಂಬುದನ್ನು ಕವರ್ ಮಾಡುತ್ತೇವೆ.

ಮುನ್ಸೂಚನೆ ವಿಧಾನಗಳ ಸಂಕ್ಷಿಪ್ತ ನಕ್ಷೆ

ಬೇಡಿಕೆಗಳ ಪ್ರತಿ ಸರಣಿಯು ಒಂದೇ ರೀತಿ ವರ್ತಿಸುವುದಿಲ್ಲ; ಕೆಲವು ಸಮತಟ್ಟಾಗಿದೆ, ಕೆಲವು ಪ್ರವೃತ್ತಿಯನ್ನು ಹೊಂದಿವೆ, ಕೆಲವು ಕಾಲೋಚಿತವಾಗಿವೆ. ಸರಣಿಯ ಪ್ರಕಾರ ವಿಧಾನವನ್ನು ಆಯ್ಕೆಮಾಡುವುದು ಅವಶ್ಯಕ.

ವಿಧಾನ

ಅದು ಯಾವಾಗ ಸೂಕ್ತ?

ಗಮನ

ನಿಷ್ಕಪಟ (ಕೊನೆಯ ಮೌಲ್ಯ)

ಹೋಲಿಕೆಗಾಗಿ (ಬೆಂಚ್ಮಾರ್ಕ್)

ಪ್ರವೃತ್ತಿ/ಋತುವನ್ನು ಅನುಸರಿಸುವುದಿಲ್ಲ

ಚಲಿಸುವ ಸರಾಸರಿ

ಸ್ಥಿರ, ಗದ್ದಲದ ಸರಣಿ

ಪ್ರವೃತ್ತಿಗೆ ತಡವಾಗಿ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತದೆ

ಘಾತೀಯ ಮೃದುಗೊಳಿಸುವಿಕೆ (SES)

ಸ್ಥಾಯಿ ಸರಣಿ, ಹತ್ತಿರದ ಡೇಟಾಗೆ ಒತ್ತು

ಯಾವುದೇ ಪ್ರವೃತ್ತಿ ಇಲ್ಲದಿದ್ದರೆ ಒಳ್ಳೆಯದು

ಹಾಲ್ಟ್ (ಡಬಲ್ ಘಾತೀಯ)

ಟ್ರೆಂಡಿ ಸರಣಿ

ಋತುವನ್ನು ಹಿಡಿಯುವುದಿಲ್ಲ

ಹಾಲ್ಟ್-ವಿಂಟರ್ಸ್

ಪ್ರವೃತ್ತಿ + ಋತುಮಾನ

ಸಾಕಷ್ಟು ಐತಿಹಾಸಿಕ ಡೇಟಾ ಅಗತ್ಯವಿದೆ

ರಿಗ್ರೆಶನ್/ಎಂಎಲ್

ಬಹು-ವೇರಿಯಬಲ್, ಪ್ರಚಾರ ಪರಿಣಾಮಕಾರಿ

ಮಿತಿಮೀರಿದ ಅಪಾಯ

ಸಲಹೆ: ಯಾವಾಗಲೂ "ನಿಷ್ಕಪಟ" ಊಹೆಯೊಂದಿಗೆ ಪ್ರಾರಂಭಿಸಿ. ನಿಮ್ಮ ಸಂಕೀರ್ಣ ಮಾದರಿಯು ನಿಷ್ಕಪಟ ಊಹೆಗಿಂತ ಉತ್ತಮವಾಗಿಲ್ಲದಿದ್ದರೆ, ಸಂಕೀರ್ಣತೆಯನ್ನು ಒಯ್ಯುವುದು ಯೋಗ್ಯವಾಗಿಲ್ಲ. ನಿಷ್ಕಪಟವು ನಿಖರತೆಯನ್ನು ಅಳೆಯಲು ಉಚಿತ ಮಾನದಂಡವಾಗಿದೆ.

ನಾವು ನಿಖರತೆಯನ್ನು ಹೇಗೆ ಅಳೆಯುತ್ತೇವೆ? (ಮೆಟ್ರಿಕ್ಸ್)

ಮುನ್ಸೂಚನೆಯ ನಿಖರತೆಯನ್ನು ಅಳೆಯದೆ ಸುಧಾರಿಸಲಾಗುವುದಿಲ್ಲ. ಅತ್ಯಂತ ಸಾಮಾನ್ಯ ಮಾಪಕಗಳು:

• MAE (ಸರಾಸರಿ ಸಂಪೂರ್ಣ ದೋಷ): ದೋಷಗಳ ಸಂಪೂರ್ಣ ಮೌಲ್ಯದ ಸರಾಸರಿ. ಘಟಕವು ಬೇಡಿಕೆಯ ಘಟಕದಂತೆಯೇ ಇರುತ್ತದೆ.
• RMSE (ರೂಟ್ ಮೀನ್ ಸ್ಕ್ವೇರ್ ದೋಷ): ದೊಡ್ಡ ದೋಷಗಳಿಗೆ ಹೆಚ್ಚು ದಂಡ ವಿಧಿಸುತ್ತದೆ.
• MAPE (ಸರಾಸರಿ ಸಂಪೂರ್ಣ ಶೇಕಡಾ ದೋಷ): ಶೇಕಡಾದಲ್ಲಿ; ಐಟಂಗಳ ನಡುವಿನ ಹೋಲಿಕೆಗೆ ಒಳ್ಳೆಯದು, ಆದರೆ ಬೇಡಿಕೆಯು ಶೂನ್ಯಕ್ಕೆ ಹತ್ತಿರದಲ್ಲಿದ್ದಾಗ ವಿರೂಪಗೊಳ್ಳುತ್ತದೆ.
• ಪಕ್ಷಪಾತ: ಸರಾಸರಿ ದೋಷ; ನೀವು ಸತತವಾಗಿ ಹೆಚ್ಚು/ಕಡಿಮೆ ಅಂದಾಜು ಮಾಡುತ್ತೀರಾ ಎಂದು ಸೂಚಿಸುತ್ತದೆ.

ಒಂದು ಸಣ್ಣ ಮಾದರಿ ಖಾತೆ. ನಿಜವಾದ ಬೇಡಿಕೆಯು [100, 120, 90] ಆಗಿರಲಿ, ಮುನ್ಸೂಚನೆಯು [110, 115, 100] ಆಗಿರಲಿ:

ದೋಷಗಳು (ನಿಜವಾದ - ಮುನ್ಸೂಚನೆ): -10, +5, -10ಸಂಪೂರ್ಣ ದೋಷಗಳು: 10, 5, 10 → MAE = 25 / 3 ≈ 8.33 ಶೇಕಡಾವಾರು ದೋಷಗಳು: 10/100, 5/120, 10/90 = 10%, 10%, 10%, 4. 4.17 + 11.11) / 3 ≈ 8.43% ಪಕ್ಷಪಾತ = (-10 + 5 - 10) / 3 = -5 → ಸರಾಸರಿ ಅಂದಾಜು (ಭವಿಷ್ಯ > ವಾಸ್ತವ)

ಋಣಾತ್ಮಕ ಪಕ್ಷಪಾತ (ನಿಜವಾದ ಮೈನಸ್ ಅಂದಾಜು) ಅಂದಾಜು ಸ್ಥಿರವಾಗಿ ಅತಿಯಾಗಿ ಅಂದಾಜು ಮಾಡಲ್ಪಟ್ಟಿದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ; ಇದರರ್ಥ ದಾಸ್ತಾನು ಹಣದುಬ್ಬರ. ಅಂತಹ ದಿಕ್ಕಿನ ದೋಷಗಳನ್ನು MAPE ನಲ್ಲಿ ಮರೆಮಾಡಬಹುದು, ಆದ್ದರಿಂದ ಅವುಗಳನ್ನು ಒಟ್ಟಿಗೆ ನೋಡಲಾಗುತ್ತದೆ.

AI ಯೊಂದಿಗೆ ಮುನ್ಸೂಚನೆ ಪ್ರಕ್ರಿಯೆಯನ್ನು ನಿರ್ಮಿಸುವುದು

ನೀವು ಎರಡು ಸ್ಥಳಗಳಲ್ಲಿ AI ಅನ್ನು ಅತ್ಯಂತ ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಬಳಸಬಹುದು: (1) ಡೇಟಾವನ್ನು ನೋಡಲು ಮತ್ತು ಸೂಕ್ತ ವಿಧಾನ ಮತ್ತು ತೆಗೆದುಕೊಳ್ಳಬೇಕಾದ ಕ್ರಮಗಳನ್ನು ಸೂಚಿಸಲು ಮತ್ತು (2) ಭವಿಷ್ಯಸೂಚಕ ಕೋಡ್ ಅನ್ನು ರಚಿಸಲು. ವಿಧಾನ ಸಲಹೆಗಾಗಿ:

ಪಾತ್ರ: ನೀವು ಬೇಡಿಕೆಯ ಮುನ್ಸೂಚನೆಯಲ್ಲಿ ಅನುಭವಿ ಕೈಗಾರಿಕಾ ಎಂಜಿನಿಯರ್. ಕಾರ್ಯ: ಕೆಳಗಿನ ಮಾಸಿಕ ಮಾರಾಟ ಸರಣಿಯನ್ನು ಪರೀಕ್ಷಿಸಿ ಮತ್ತು ಸೂಕ್ತವಾದ ಮುನ್ಸೂಚನೆ ವಿಧಾನವನ್ನು ಶಿಫಾರಸು ಮಾಡಿ. ಪ್ರವೃತ್ತಿ ಮತ್ತು ಕಾಲೋಚಿತತೆ ಇದೆಯೇ ಎಂದು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ, ನಿಮ್ಮ ಸಮರ್ಥನೆಯನ್ನು ಬರೆಯಿರಿ. ಡೇಟಾ (ಮಾಸಿಕ, ಕಳೆದ 24 ತಿಂಗಳುಗಳು): {{ ಮೌಲ್ಯಗಳು }}ಹೆಚ್ಚುವರಿ ಮಾಹಿತಿ: ಡಿಸೆಂಬರ್‌ನಲ್ಲಿ ಪ್ರಚಾರವಿದೆ, ಬೇಸಿಗೆಯ ತಿಂಗಳುಗಳಲ್ಲಿ ಬೇಡಿಕೆ ಕಡಿಮೆಯಾಗುತ್ತದೆ. ನನಗೆ ಬೇಕಾದ ಔಟ್‌ಪುಟ್: 1. ಸರಣಿಯ ಪಾತ್ರದ ಕುರಿತು ಕಾಮೆಂಟ್ ಮಾಡಿ (ಸ್ಥಿರ/ಟ್ರೆಂಡಿಂಗ್/ಋತುಮಾನ).2. 2 ಶಿಫಾರಸು ವಿಧಾನಗಳು ಮತ್ತು ಏಕೆ.3. ನಾನು ಯಾವ ನಿಖರತೆಯ ಮೆಟ್ರಿಕ್ ಅನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡಬೇಕು?4. ನಾನು ಗಮನಿಸಬೇಕಾದ ಮೋಸಗಳು (ಹೊರಗಿನ, ಪ್ರಚಾರದ ಪರಿಣಾಮ).ನಿಯಮ: ಡೇಟಾವನ್ನು ನೋಡದೆ ಸಂಪೂರ್ಣ ನಿಖರತೆಯ ಭರವಸೆ ನೀಡಬೇಡಿ.

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್:

ಮುಂದಿನ ತಿಂಗಳು ನಾನು ಎಷ್ಟು ಮಾರಾಟ ಮಾಡುತ್ತೇನೆ?

ಇದು ಡೇಟಾ ಅಥವಾ ಸಂದರ್ಭವನ್ನು ಒಳಗೊಂಡಿಲ್ಲ; AI ಅದನ್ನು ತಿರಸ್ಕರಿಸುತ್ತದೆ ಅಥವಾ ಸಂಪೂರ್ಣವಾಗಿ ತಯಾರಿಸಿದ ಸಂಖ್ಯೆಯನ್ನು ಹಿಂತಿರುಗಿಸುತ್ತದೆ. ಅಂತಹ ಔಟ್ಪುಟ್ ಅಪಾಯಕಾರಿ ಏಕೆಂದರೆ ಅದು ನಂಬಲರ್ಹವಾಗಿ ಕಾಣುತ್ತದೆ.

ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್:

ಈ 24-ತಿಂಗಳ ಸರಣಿಯೊಂದಿಗೆ Holt-Winters ತರ್ಕವನ್ನು ಬಳಸಿಕೊಂಡು ಮುಂದಿನ 3 ತಿಂಗಳುಗಳನ್ನು ಊಹಿಸಿ. ಋತುವಿನ ಉದ್ದವು 12. ಮೊದಲು ವಿಧಾನದ ಊಹೆಗಳನ್ನು ಬರೆಯಿರಿ, ನಂತರ ಮುನ್ಸೂಚನೆಯನ್ನು ನೀಡಿ, ನಂತರ ಕಳೆದ 6 ತಿಂಗಳುಗಳನ್ನು ಬ್ಯಾಕ್‌ಟೆಸ್ಟ್ ಮಾಡುವ ಮೂಲಕ MAPE ಅನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ. ಪ್ರಚಾರದ ತಿಂಗಳುಗಳನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಗುರುತಿಸಿ. ಡೇಟಾ: {{ ... }}

ಎರಡನೆಯ ಪ್ರಾಂಪ್ಟ್ ಭವಿಷ್ಯ ಮತ್ತು ಆ ಭವಿಷ್ಯವನ್ನು ನಂಬಲು ಎಷ್ಟು ವಿಶ್ವಾಸವನ್ನು ಕೇಳುತ್ತದೆ (ಬ್ಯಾಕ್ಟೆಸ್ಟಿಂಗ್). ಇದು "ಒರಾಕಲ್" ನಿಂದ ಭವಿಷ್ಯವನ್ನು ಅಳೆಯಬಹುದಾದ ಸಾಧನವಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ.

ಬ್ಯಾಕ್‌ಟೆಸ್ಟಿಂಗ್: ಭವಿಷ್ಯದಲ್ಲಿ ವಿಶ್ವಾಸದ ಅಳತೆ

ಭವಿಷ್ಯವಾಣಿಯ ನಿಜವಾದ ಪರೀಕ್ಷೆಯು ಭೂತಕಾಲದಲ್ಲಿದೆ, ಭವಿಷ್ಯದಲ್ಲಿ ಅಲ್ಲ. ನೀವು ಹೊಂದಿರುವ ಡೇಟಾವನ್ನು ನೀವು ಎರಡು ಭಾಗಗಳಾಗಿ ವಿಂಗಡಿಸುತ್ತೀರಿ: ಮಾದರಿ ಕಟ್ಟಡ (ರೈಲು) ಮತ್ತು ಪರೀಕ್ಷೆ. ನೀವು ಮೊದಲ ಭಾಗದೊಂದಿಗೆ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಿ, ಮುಂದಿನ ಅವಧಿಯನ್ನು ಊಹಿಸಿ ಮತ್ತು ಅದನ್ನು ವಾಸ್ತವದೊಂದಿಗೆ ಹೋಲಿಸಿ. ಈ "ಹೋಲ್ಡ್-ಔಟ್" ತರ್ಕವು ಮಾದರಿಯು ನಿಜವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಿದೆಯೇ ಅಥವಾ ಇಲ್ಲವೇ ಎಂಬುದನ್ನು ಬಹಿರಂಗಪಡಿಸುತ್ತದೆ.

ಈ ಕೆಳಗಿನ ಸರಣಿಗಳಿಗೆ ಸರಳವಾದ ಬ್ಯಾಕ್‌ಟೆಸ್ಟ್ ಯೋಜನೆಯನ್ನು ಹೊಂದಿಸಿ: ಕಳೆದ 6 ತಿಂಗಳುಗಳನ್ನು ಪರೀಕ್ಷೆಯಾಗಿ ಹೊಂದಿಸಿ, ಉಳಿದ ಡೇಟಾದೊಂದಿಗೆ 3 ವಿಭಿನ್ನ ವಿಧಾನಗಳಿಗೆ (ನಿಷ್ಕಪಟ, SES, Holt-Winters) ತರಬೇತಿ ನೀಡಿ, ಪರೀಕ್ಷಾ ಅವಧಿಯಲ್ಲಿ ಪ್ರತಿಯೊಂದಕ್ಕೂ MAPE ಮತ್ತು ಪಕ್ಷಪಾತವನ್ನು ಲೆಕ್ಕಹಾಕಿ ಮತ್ತು ಹೋಲಿಕೆ ಕೋಷ್ಟಕವನ್ನು ಮಾಡಿ. ಗೆಲ್ಲುವ ವಿಧಾನ ಮತ್ತು ತಾರ್ಕಿಕತೆಯನ್ನು ಬರೆಯಿರಿ.

ಹುಷಾರಾಗಿರು: AI ಕೆಲವೊಮ್ಮೆ ಬ್ಯಾಕ್‌ಟೆಸ್ಟ್ ಫಲಿತಾಂಶಗಳನ್ನು "ಮುನ್ಸೂಚಿಸಬಹುದು" ಮತ್ತು ನಿಮಗೆ ಸಿದ್ಧವಾದ ಚಾರ್ಟ್‌ನೊಂದಿಗೆ ಪ್ರಸ್ತುತಪಡಿಸಬಹುದು; ಅಂದರೆ, ಅವನು ಅವುಗಳನ್ನು ವಾಸ್ತವವಾಗಿ ಲೆಕ್ಕಾಚಾರ ಮಾಡದೆಯೇ ಸಮಂಜಸವೆಂದು ತೋರುವ ಸಂಖ್ಯೆಗಳನ್ನು ಮಾಡಬಹುದು. ಸಂಖ್ಯಾತ್ಮಕ ಫಲಿತಾಂಶಗಳನ್ನು ಕೋಡ್‌ನೊಂದಿಗೆ ಪುನರುತ್ಪಾದಿಸಲು ಮರೆಯದಿರಿ (ಪೈಥಾನ್/ಎಕ್ಸೆಲ್). ಭಾಷಾ ಮಾದರಿಯು ದೀರ್ಘ ಅಂಕಗಣಿತವನ್ನು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ನಿರ್ವಹಿಸುವುದಿಲ್ಲ.

ಮಿನಿ ಕೇಸ್: ಕಾಲೋಚಿತ ಉತ್ಪನ್ನದ ಮಿತಿಮೀರಿದ

ಆಹಾರ ವಿತರಣಾ ಕಂಪನಿಯು ಪ್ರತಿವರ್ಷ ಚಳಿಗಾಲದಲ್ಲಿ ಐಸ್ ಕ್ರೀಂನಂತಹ ಕಾಲೋಚಿತ ಉತ್ಪನ್ನದ ಹೆಚ್ಚಿನ ಸ್ಟಾಕ್ ಅನ್ನು ಹೊಂದಿರುವ ಬಗ್ಗೆ ದೂರುತ್ತದೆ. ಇಂಡಸ್ಟ್ರಿಯಲ್ ಇಂಜಿನಿಯರ್ ಎಲಿಫ್ AI ಗೆ 3 ವರ್ಷಗಳ ಮಾಸಿಕ ಡೇಟಾವನ್ನು ನೀಡುತ್ತಾರೆ ಮತ್ತು ಸರಣಿಯ ಪಾತ್ರವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಕೇಳುತ್ತಾರೆ. AI ಬಲವಾದ ಋತುಮಾನವನ್ನು (ಬೇಸಿಗೆಯ ಗರಿಷ್ಠ) ಮತ್ತು ಸ್ವಲ್ಪ ವಾರ್ಷಿಕ ಬೆಳವಣಿಗೆಯ ಪ್ರವೃತ್ತಿಯನ್ನು ಪತ್ತೆ ಮಾಡುತ್ತದೆ, ಹಾಲ್ಟ್-ವಿಂಟರ್ಸ್ ಸೂಚಿಸುತ್ತದೆ. ಎಲಿಫ್ ಪೈಥಾನ್‌ನಲ್ಲಿ ಭವಿಷ್ಯವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ ಮತ್ತು ಅದನ್ನು ಬ್ಯಾಕ್‌ಟೆಸ್ಟ್ ಮಾಡುತ್ತದೆ: MAPE 14%, ಆದರೆ ಪಕ್ಷಪಾತವು ಗಮನಾರ್ಹವಾಗಿ ಋಣಾತ್ಮಕವಾಗಿದೆ - ಮಾದರಿಯು ಸ್ಥಿರವಾಗಿ ಅತಿಯಾಗಿ ಊಹಿಸುತ್ತದೆ. ಅವರು ಏಕೆ ಎಂದು ತನಿಖೆ ಮಾಡಿದಾಗ, ಅವರು ಐತಿಹಾಸಿಕ ದತ್ತಾಂಶದಲ್ಲಿ ಪ್ರಚಾರದ ಅವಧಿಯನ್ನು "ಸಾಮಾನ್ಯ" ಎಂದು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸಿದ್ದಾರೆ ಮತ್ತು ಮಾದರಿಯನ್ನು ತುಂಬಾ ಎತ್ತರದ ಬೇಸ್ ಅನ್ನು ಕಲಿಸಿದರು. ನಾವು ಪ್ರಚಾರದ ಪರಿಣಾಮವನ್ನು ತೆಗೆದುಹಾಕಿದಾಗ ಮತ್ತು ಮಾದರಿಯನ್ನು ಪುನರ್ನಿರ್ಮಿಸಿದಾಗ, ಪಕ್ಷಪಾತವು ಕಡಿಮೆಯಾಗುತ್ತದೆ ಮತ್ತು ಚಳಿಗಾಲದ ಸ್ಟಾಕ್ ಗಮನಾರ್ಹವಾಗಿ ಕಡಿಮೆಯಾಗುತ್ತದೆ. ಪಾಠ: AI ವಿಧಾನವನ್ನು ಸರಿಯಾಗಿ ಸೂಚಿಸಿದೆ, ಆದರೆ ಡೇಟಾವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸಲು ಮತ್ತು ಪಕ್ಷಪಾತವನ್ನು ಅರ್ಥೈಸಲು ಇದು ಮಾನವ ಕೆಲಸವಾಗಿದೆ.

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

• ಮೆಟ್ರಿಕ್‌ಗಳನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡುತ್ತಿಲ್ಲ: ಅಂದಾಜು ಮಾಡುವುದು ಮತ್ತು ನಿಖರತೆಯನ್ನು ಎಂದಿಗೂ ಅಳೆಯುವುದಿಲ್ಲ. ಮಾಪನವಿಲ್ಲದೆ ಭವಿಷ್ಯವನ್ನು ಸುಧಾರಿಸಲಾಗುವುದಿಲ್ಲ.
• ಕೇವಲ MAPE ಅನ್ನು ನೋಡುತ್ತಿರುವುದು: ಪಕ್ಷಪಾತವನ್ನು ನಿರ್ಲಕ್ಷಿಸಲಾಗುತ್ತಿದೆ. ದಿಕ್ಕಿನ (ವ್ಯವಸ್ಥಿತ) ದೋಷವು ದಾಸ್ತಾನುಗಳನ್ನು ಮೌನವಾಗಿ ಹೆಚ್ಚಿಸುತ್ತದೆ.
• ಲೆಕ್ಕಾಚಾರಗಳಿಗಾಗಿ AI ಮಾಡಿದ ಸಂಖ್ಯೆಗಳನ್ನು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸುವುದು: ಬ್ಯಾಕ್‌ಟೆಸ್ಟ್ ಮತ್ತು ಮೆಟ್ರಿಕ್ ಮೌಲ್ಯಗಳನ್ನು ಕೋಡ್‌ನೊಂದಿಗೆ ಮೌಲ್ಯೀಕರಿಸುವುದಿಲ್ಲ.
• ಹೊರವಲಯ/ಪ್ರಚಾರವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸದಿರುವುದು: ಒಂದು ಬಾರಿಯ ಪ್ರಚಾರವನ್ನು ಸಾಮಾನ್ಯ ಬೇಡಿಕೆ ಎಂದು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸಿ ಮಾದರಿಗೆ ಕಲಿಸುವುದು.
• ಓವರ್‌ಫಿಟ್: ಸಂಕೀರ್ಣ ಮಾದರಿಯು ಹಿಂದೆ ಸಂಪೂರ್ಣವಾಗಿ ಹೊಂದಿಕೊಳ್ಳುತ್ತದೆ ಆದರೆ ಭವಿಷ್ಯದಲ್ಲಿ ಕಳಪೆಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ಸರಳ ಮಾದರಿಯನ್ನು ಮಾನದಂಡವಾಗಿ ಇರಿಸಿ.

ಸಾರಾಂಶದಲ್ಲಿ

• ಸರಣಿಯ ಪಾತ್ರದ ಪ್ರಕಾರ ಮುನ್ಸೂಚನೆ ವಿಧಾನವನ್ನು ಆರಿಸಿ (ಸ್ಥಾಯಿ, ಪ್ರವೃತ್ತಿ, ಕಾಲೋಚಿತ); ಯಾವಾಗಲೂ ನಿಮ್ಮನ್ನು ನಿಷ್ಕಪಟ ವ್ಯಕ್ತಿಗೆ ಹೋಲಿಸುವ ಮೂಲಕ ಪ್ರಾರಂಭಿಸಿ.
• MAE/RMSE/MAPE ನೊಂದಿಗೆ ನಿಖರತೆಯನ್ನು ಅಳೆಯಿರಿ, ಆದರೆ ಪಕ್ಷಪಾತವನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಿ: ದಿಕ್ಕಿನ ದೋಷವು ಅತ್ಯಂತ ದುಬಾರಿಯಾಗಿದೆ.
• ವಿಧಾನ ಶಿಫಾರಸು ಮತ್ತು ಕೋಡ್ ಉತ್ಪಾದನೆಗೆ AI ಬಳಸಿ; ಮುನ್ಸೂಚನೆಯನ್ನು ಅಳೆಯಬಹುದಾದ ಸಾಧನವಾಗಿ ಹೊಂದಿಸಿ, "ಭವಿಷ್ಯ" ಅಲ್ಲ.
• ಬ್ಯಾಕ್‌ಟೆಸ್ಟಿಂಗ್ ಎನ್ನುವುದು ಮಾದರಿಯು ಎಷ್ಟು ಆತ್ಮವಿಶ್ವಾಸವನ್ನು ಹೊಂದಿರಬಹುದು ಎಂಬುದರ ನಿಜವಾದ ಪರೀಕ್ಷೆಯಾಗಿದೆ; ಕೋಡ್‌ನೊಂದಿಗೆ ಸಂಖ್ಯಾತ್ಮಕ ಫಲಿತಾಂಶಗಳನ್ನು ಪರಿಶೀಲಿಸಲು ಮರೆಯದಿರಿ.
• ಡೇಟಾವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸಲು (ಹೊರಗಿನ, ಪ್ರಚಾರ) ಮತ್ತು ಫಲಿತಾಂಶವನ್ನು ಅರ್ಥೈಸುವುದು ಮಾನವನ ಕೆಲಸವಾಗಿದೆ; AI ಈ ಹಂತಗಳನ್ನು ಬಿಟ್ಟುಬಿಡುತ್ತದೆ.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

ಕನಿಷ್ಠ 18-24 ಅವಧಿಯ ಬೇಡಿಕೆಯ ಸರಣಿಯನ್ನು ಹೊಂದಿರಿ (ನೈಜ ಅಥವಾ ವಾಸ್ತವಿಕ ಕಾದಂಬರಿ). ಮೊದಲಿಗೆ, AI ಗೆ ಸರಣಿಯನ್ನು ನೀಡಿ ಮತ್ತು ಅದರ ಪಾತ್ರವನ್ನು (ಟ್ರೆಂಡ್/ಋತುಮಾನ) ಅರ್ಥೈಸಲು ಹೇಳಿ ಮತ್ತು ಎರಡು ವಿಧಾನಗಳನ್ನು ಸೂಚಿಸಿ. ನಂತರ "ಬ್ಯಾಕ್‌ಟೆಸ್ಟ್ ಪ್ಲಾನ್" ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಬಳಸಿ ಕೊನೆಯ 6 ಅವಧಿಗಳನ್ನು ಪರೀಕ್ಷೆಗಳಾಗಿ ಕಾಯ್ದಿರಿಸಿ ಮತ್ತು ಕನಿಷ್ಠ ಎರಡು ವಿಧಾನಗಳನ್ನು ಹೋಲಿಕೆ ಮಾಡಿ. ನಿರ್ಣಾಯಕ ಹಂತ: ಎಕ್ಸೆಲ್ ಅಥವಾ ಪೈಥಾನ್‌ನೊಂದಿಗೆ AI ಮೂಲಕ ಹಿಂದಿರುಗಿದ MAPE ಮತ್ತು ಪಕ್ಷಪಾತ ಮೌಲ್ಯಗಳನ್ನು ಮರು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ ಮತ್ತು ಅವುಗಳನ್ನು AI ಔಟ್‌ಪುಟ್‌ನೊಂದಿಗೆ ಹೋಲಿಕೆ ಮಾಡಿ. ಹೊಂದಾಣಿಕೆಯಾಗದ ಸಂಖ್ಯೆಯನ್ನು ನೀವು ಕಂಡುಕೊಂಡರೆ, ಅದನ್ನು ಬರೆಯಿರಿ. ಅಂತಿಮವಾಗಿ, ಪಕ್ಷಪಾತದ ಚಿಹ್ನೆಯನ್ನು ಅರ್ಥೈಸಿಕೊಳ್ಳಿ: ನಿಮ್ಮ ಮಾದರಿಯು ಅತಿಯಾಗಿ ಅಂದಾಜು ಮಾಡುತ್ತಿದೆಯೇ ಅಥವಾ ಕಡಿಮೆ ಅಂದಾಜು ಮಾಡುತ್ತಿದೆಯೇ ಮತ್ತು ಇದು ನಿಮ್ಮ ದಾಸ್ತಾನುಗಳಿಗೆ ಏನು ಮಾಡುತ್ತದೆ?