ಬೇಡಿಕೆಯ ಮುನ್ಸೂಚನೆ: ಸಮಯದ ಸರಣಿ, ಋತುಮಾನ ಮತ್ತು ಅನಿಶ್ಚಿತತೆಯನ್ನು ನಿರ್ವಹಿಸುವುದು

ಲಾಭಗಳು:

• ಸಮಯ ಸರಣಿ, ಪ್ರವೃತ್ತಿ, ಕಾಲೋಚಿತತೆ ಮತ್ತು ಪ್ರಚಾರದ ಪ್ರಭಾವದ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಸರಿಯಾದ ಪ್ರಶ್ನೆಗಳು ಮತ್ತು ಕ್ಲೀನ್ ಡೇಟಾದೊಂದಿಗೆ ಬೇಡಿಕೆಯ ಮುನ್ಸೂಚನೆಗಾಗಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಬಳಸುವ ಸಾಮರ್ಥ್ಯ.
• ಮುನ್ಸೂಚನೆಯ ನಿಖರತೆ (MAPE, ವಿಚಲನ) ಮತ್ತು ಅನಿಶ್ಚಿತತೆ (ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರ, ಸನ್ನಿವೇಶಗಳು) ಮತ್ತು ಒಂದೇ ಸಂಖ್ಯೆಯ ಬದಲಿಗೆ ಶ್ರೇಣಿಯ ಆಧಾರದ ಮೇಲೆ ಯೋಜಿಸುವ ಸಾಮರ್ಥ್ಯ
• ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಮುನ್ಸೂಚನೆಯು ಐತಿಹಾಸಿಕ ದತ್ತಾಂಶವನ್ನು ಆಧರಿಸಿದೆ ಮತ್ತು ಹೊಸ ಉತ್ಪನ್ನಗಳು, ಪ್ರಚಾರಗಳು ಅಥವಾ ಪೂರೈಕೆ ಬಿಕ್ಕಟ್ಟುಗಳಂತಹ ವಿರಾಮಗಳ ಸಂದರ್ಭಗಳಲ್ಲಿ ತಜ್ಞರ ತೀರ್ಪು ಮುಂಚೂಣಿಗೆ ಬರುತ್ತದೆ ಎಂದು ಪ್ರತ್ಯೇಕಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ.

ಪೂರೈಕೆ ಸರಪಳಿಯಲ್ಲಿನ ಪ್ರತಿಯೊಂದು ನಿರ್ಧಾರವು ಒಂದು ಪ್ರಶ್ನೆಯನ್ನು ಆಧರಿಸಿದೆ: ಎಷ್ಟು ಬೇಡಿಕೆ ಇರುತ್ತದೆ? ಈ ಪ್ರಶ್ನೆಗೆ ನೀವು ಹೆಚ್ಚು ನಿಖರವಾಗಿ ಉತ್ತರಿಸುತ್ತೀರಿ, ನೀವು ಕಡಿಮೆ ಸ್ಟಾಕ್ ಅನ್ನು ಹೊಂದಿದ್ದೀರಿ, ಕಡಿಮೆ ಸ್ಟಾಕ್ ಅನ್ನು ನೀವು ಹೊರಗಿಡುತ್ತೀರಿ ಮತ್ತು ನೀವು ಕಡಿಮೆ ಹಣವನ್ನು ಕಟ್ಟುತ್ತೀರಿ. ಬೇಡಿಕೆಯ ಮುನ್ಸೂಚನೆಯು ಪೂರೈಕೆ ಸರಪಳಿಯ ಎಂಜಿನ್ ಆಗಿದೆ; ಸ್ಟಾಕ್, ಖರೀದಿ, ಉತ್ಪಾದನೆ ಮತ್ತು ಸಾರಿಗೆ ಯೋಜನೆಗಳನ್ನು ಇಲ್ಲಿಂದ ನೀಡಲಾಗುತ್ತದೆ. ಈ ಕ್ಷೇತ್ರದಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಅತ್ಯಂತ ಶಕ್ತಿಶಾಲಿಯಾಗಿದೆ ಏಕೆಂದರೆ ಇದು ಮಾನವನಿಗಿಂತ ಹೆಚ್ಚು ವೇಗವಾಗಿ ಸಾವಿರಾರು ಉತ್ಪನ್ನಗಳ ಇತಿಹಾಸವನ್ನು ಸ್ಕ್ಯಾನ್ ಮಾಡುತ್ತದೆ ಮತ್ತು ಮಾದರಿಗಳನ್ನು ಹೊರತೆಗೆಯುತ್ತದೆ. ಆದರೆ ಅದರ ಶಕ್ತಿಯ ಮೂಲವು ಅದರ ಮಿತಿಯಾಗಿದೆ: AI ಹಿಂದಿನಿಂದ ಕಲಿಯುತ್ತದೆ; ಭವಿಷ್ಯವು ಹಿಂದಿನದನ್ನು ಹೋಲದಿದ್ದರೆ, ಅದು ತಪ್ಪು. ಈ ಘಟಕದಲ್ಲಿ, ಭವಿಷ್ಯಜ್ಞಾನದ ಭಾಷೆ, ನಿಖರತೆಯನ್ನು ಅಳೆಯುವುದು, ಅನಿಶ್ಚಿತತೆಯನ್ನು ನಿರ್ವಹಿಸುವುದು ಮತ್ತು AI ನಿಮಗೆ ಎಲ್ಲಿ ಶರಣಾಗಬೇಕು ಎಂಬುದನ್ನು ನಾವು ಕಲಿಯುತ್ತೇವೆ.

ಮುನ್ಸೂಚನೆಯ ಭಾಷೆ: ಸಮಯ ಸರಣಿ, ಪ್ರವೃತ್ತಿ, ಋತುಮಾನ

ಬೇಡಿಕೆಯ ಡೇಟಾವು ಸಾಮಾನ್ಯವಾಗಿ ಸಮಯದ ಸರಣಿಯಾಗಿದೆ - ಉತ್ಪನ್ನದ ಪ್ರತಿ ದಿನದ ಮಾರಾಟದಂತಹ ಸಮಯದ ಮೂಲಕ ಆದೇಶಿಸಿದ ಸಂಖ್ಯೆಗಳ ಸರಣಿ. ಈ ಅನುಕ್ರಮವನ್ನು ಮೂರು ಭಾಗಗಳಾಗಿ ವಿಭಜಿಸುವುದು ಮುನ್ಸೂಚನೆಯ ಆಧಾರವಾಗಿದೆ:

ಟ್ರೆಂಡ್, ದೀರ್ಘಾವಧಿಯ ನಿರ್ದೇಶನ: ವರ್ಷದಿಂದ ವರ್ಷಕ್ಕೆ ಮಾರಾಟವು ಹೆಚ್ಚುತ್ತಿದೆಯೇ ಅಥವಾ ಕಡಿಮೆಯಾಗುತ್ತಿದೆಯೇ? ಕಾಲೋಚಿತತೆ, ನಿಯಮಿತವಾಗಿ ಮರುಕಳಿಸುವ ಏರಿಳಿತ: ಐಸ್ ಕ್ರೀಮ್ ಬೇಸಿಗೆಯಲ್ಲಿ ಮಾರಾಟವಾಗುತ್ತದೆ, ಹೀಟರ್ ಚಳಿಗಾಲದಲ್ಲಿ ಮಾರಾಟವಾಗುತ್ತದೆ; ಶುಕ್ರವಾರ ಮತ್ತು ಶನಿವಾರದಂದು ಮಾರುಕಟ್ಟೆಯು ಕಾರ್ಯನಿರತವಾಗಿದೆ. ಶಬ್ದ, ವಿವರಿಸಲಾಗದ ಯಾದೃಚ್ಛಿಕ ಆಟ. ಉತ್ತಮ ಮುನ್ಸೂಚನೆಯು ಪ್ರವೃತ್ತಿ ಮತ್ತು ಋತುಮಾನವನ್ನು ಸೆರೆಹಿಡಿಯುತ್ತದೆ ಮತ್ತು ಶಬ್ದದಿಂದ ಮೂರ್ಖರಾಗುವುದಿಲ್ಲ. ಇವುಗಳ ಮೇಲೆ, ಈವೆಂಟ್‌ಗಳು ರಾಶಿಯಾಗುತ್ತವೆ: ಪ್ರಚಾರ, ಪ್ರಚಾರ, ಸಾರ್ವಜನಿಕ ರಜಾದಿನ, ಹವಾಮಾನ, ಸ್ಪರ್ಧಿಗಳ ಚಲನೆ. ನೀವು AI ಭವಿಷ್ಯವನ್ನು ಮಾಡಿದಾಗ, ನೀವು ಈ ಘಟನೆಗಳನ್ನು ಹೇಳಬೇಕು; ನೀವು ಅವರಿಗೆ ಹೇಳದಿದ್ದರೆ, ಅವರು ಪ್ರಚಾರದ ದಿನದಂದು "ಸಾಮಾನ್ಯ" ಎಂದು ಭಾವಿಸುತ್ತಾರೆ ಮತ್ತು ಭವಿಷ್ಯದ ಬಗ್ಗೆ ತಪ್ಪು ಮಾಡುತ್ತಾರೆ.

ಸಲಹೆ: AI ಗೆ ಕಚ್ಚಾ ಮಾರಾಟದ ಡೇಟಾವನ್ನು ನೀಡುವಾಗ, ಪ್ರಚಾರಗಳು, ರಜಾದಿನಗಳು ಮತ್ತು ಸ್ಟಾಕ್ ಇಲ್ಲದ ದಿನಗಳನ್ನು ಗುರುತಿಸಿ. ಸ್ಟಾಕ್ ಇಲ್ಲದ ದಿನವು ಮುಖ್ಯವಾಗಿದೆ: ಆ ದಿನ ಮಾರಾಟವು ಕಡಿಮೆಯಾಗಿದೆ, ಆದರೆ ನಿಜವಾದ ಬೇಡಿಕೆ ಹೆಚ್ಚಿತ್ತು, ಯಾವುದೇ ಸರಕುಗಳು ಲಭ್ಯವಿರಲಿಲ್ಲ. ನೀವು ಇದನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸದಿದ್ದರೆ, AI ನಿಜವಾದ ಬೇಡಿಕೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.

ಮಾಪನ ನಿಖರತೆ: MAPE ಮತ್ತು ಪಕ್ಷಪಾತ

"ಮುನ್ಸೂಚನೆ ಉತ್ತಮವಾಗಿದೆಯೇ?" ಎಂಬ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರವು ಮಾಪನದಿಂದ ಬರುತ್ತದೆ, ಭಾವನೆಯಿಂದಲ್ಲ. ಸಾಮಾನ್ಯ ಸೂಚಕವೆಂದರೆ MAPE (ಸರಾಸರಿ ಸಂಪೂರ್ಣ ಶೇಕಡಾ ದೋಷ - ಸರಾಸರಿ ಎಷ್ಟು ಶೇಕಡಾವಾರು ಅಂಕಗಳು ಭವಿಷ್ಯವಾಣಿಗಳು ವಾಸ್ತವದಿಂದ ವಿಚಲನಗೊಳ್ಳುತ್ತವೆ). MAPE 10% ಆಗಿದ್ದರೆ, ನಿಮ್ಮ ಭವಿಷ್ಯವು ಸರಾಸರಿ 10% ನಷ್ಟು ನೈಜ ಮೌಲ್ಯವನ್ನು ಕಳೆದುಕೊಳ್ಳುತ್ತದೆ ಎಂದರ್ಥ; ಕಡಿಮೆ MAPE ಉತ್ತಮವಾಗಿದೆ. ಎರಡನೆಯ ಪ್ರಮುಖ ಪರಿಕಲ್ಪನೆಯು ಪಕ್ಷಪಾತವಾಗಿದೆ: ನಿಮ್ಮ ಮುನ್ಸೂಚನೆಯು ಸ್ಥಿರವಾಗಿ ಮೇಲಿರುವ (ಓವರ್‌ಸ್ಟಾಕ್ ಅನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ) ಅಥವಾ ಅಂಡರ್‌ಸ್ಟಾಕಿಂಗ್ (ಅಂಡರ್‌ಸ್ಟಾಕ್ ಅನ್ನು ಬಿಟ್ಟು) ವಾಸ್ತವವಾಗಿದೆಯೇ? ಮುನ್ಸೂಚನೆಯು ಕಡಿಮೆ MAPE ಅನ್ನು ಹೊಂದಿದ್ದರೂ ಸಹ, ಅದು ಯಾವಾಗಲೂ ಒಂದೇ ದಿಕ್ಕಿನಲ್ಲಿ ವಿಚಲನಗೊಂಡರೆ, ವ್ಯವಸ್ಥಿತ ಸಮಸ್ಯೆ ಇರುತ್ತದೆ.

ನೀವು ಇತಿಹಾಸದ AI ಭಾಗವನ್ನು "ತರಬೇತಿ" ಎಂದು ಮತ್ತು ಅದರ ಭಾಗವನ್ನು "ಪರೀಕ್ಷೆ" ಎಂದು ನೀಡಬಹುದು ಮತ್ತು ಅದರ ಭವಿಷ್ಯವನ್ನು ವಾಸ್ತವದೊಂದಿಗೆ ಹೋಲಿಸಬಹುದು. ನಂಬಿಕೆಯನ್ನು ಬೆಳೆಸಲು ಇದು ಪ್ರಾಮಾಣಿಕ ಮಾರ್ಗವಾಗಿದೆ: ಮಾದರಿಯನ್ನು ಅದು ನೋಡದ ಡೇಟಾದ ಮೇಲೆ ಪರೀಕ್ಷಿಸುವುದು. ಭವಿಷ್ಯವು ಹಿಂದೆ ಸ್ಥಿರವಾಗಿ ಸಾಬೀತಾದರೆ ಮಾತ್ರ ಭವಿಷ್ಯಕ್ಕೆ ಅನ್ವಯಿಸಲು ಯೋಗ್ಯವಾಗಿದೆ.

ಎಚ್ಚರಿಕೆ: ಯಾವುದೇ ಮುನ್ಸೂಚನೆಯು 100% ನಿಖರವಾಗಿಲ್ಲ; ಇದು ಸಂಭವಿಸುವ ನಿರೀಕ್ಷೆಯಿಲ್ಲ. ಗುರಿಯು ಪರಿಪೂರ್ಣವಾದ ಏಕ ಸಂಖ್ಯೆಯನ್ನು ಉತ್ಪಾದಿಸುವುದಲ್ಲ ಆದರೆ ವಿಚಲನವನ್ನು ತಿಳಿದುಕೊಳ್ಳುವ ನಿರ್ವಹಣಾ ಶ್ರೇಣಿಯಾಗಿದೆ. "ಭವಿಷ್ಯವು ನಿಜವಾಯಿತು / ಅದು ಕೆಲಸ ಮಾಡಲಿಲ್ಲ" ಎಂಬ ಬೈನರಿ ಕಲ್ಪನೆಯು ತಪ್ಪಾಗಿದೆ; ಸರಿಯಾದ ಪ್ರಶ್ನೆ "ಅದು ಎಷ್ಟು ವಿಚಲನಗೊಂಡಿದೆ ಮತ್ತು ಅದಕ್ಕೆ ಅನುಗುಣವಾಗಿ ನಾನು ಎಷ್ಟು ಬಫರ್ ಅನ್ನು ಇರಿಸಿದ್ದೇನೆ?"

ಅನಿಶ್ಚಿತತೆಯನ್ನು ನಿರ್ವಹಿಸುವುದು: ಶ್ರೇಣಿ, ಒಂದೇ ಸಂಖ್ಯೆಯಲ್ಲ

ಯೋಜಕರ ಅತ್ಯಂತ ಅಪಾಯಕಾರಿ ಅಭ್ಯಾಸವೆಂದರೆ ಮುನ್ಸೂಚನೆಯನ್ನು ಒಂದೇ ಹಾರ್ಡ್ ಸಂಖ್ಯೆಯಾಗಿ ಪರಿಗಣಿಸುವುದು. ವಾಸ್ತವದಲ್ಲಿ, ಪ್ರತಿ ಮುನ್ಸೂಚನೆಯು ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರವನ್ನು ಹೊಂದಿದೆ - "ಮುಂದಿನ ತಿಂಗಳು ಬೇಡಿಕೆಯು 900 ಮತ್ತು 1,100 ರ ನಡುವೆ ಇರುತ್ತದೆ." ಈ ವ್ಯಾಪ್ತಿಯು ವಿಸ್ತಾರವಾದಷ್ಟೂ ಅನಿಶ್ಚಿತತೆ ಹೆಚ್ಚುತ್ತದೆ. ವ್ಯಾಪ್ತಿಯನ್ನು ತಿಳಿದುಕೊಳ್ಳುವುದು ನಿಮ್ಮ ಸ್ಟಾಕ್ ನಿರ್ಧಾರದ ಮೇಲೆ ನೇರವಾಗಿ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ: ಕಿರಿದಾದ ಶ್ರೇಣಿಗೆ ಕಡಿಮೆ ಸುರಕ್ಷತೆ ಸ್ಟಾಕ್ ಅಗತ್ಯವಿರುತ್ತದೆ, ವಿಶಾಲ ಶ್ರೇಣಿಗೆ ಹೆಚ್ಚಿನ ಬಫರ್ ಅಗತ್ಯವಿರುತ್ತದೆ.

ಆದ್ದರಿಂದ ಯಾವಾಗಲೂ ಸನ್ನಿವೇಶಗಳಿಗಾಗಿ AI ಅನ್ನು ಕೇಳಿ: ನಿರಾಶಾವಾದಿ (ಬೇಡಿಕೆ ಕಡಿಮೆಯಾದರೆ), ನಿರೀಕ್ಷಿತ ಮತ್ತು ಆಶಾವಾದಿ (ಬೇಡಿಕೆ ಹೆಚ್ಚಾದರೆ). ಮೂರು ಸನ್ನಿವೇಶಗಳನ್ನು ನೋಡಿದಾಗ, ಯೋಜನೆಯು ಒಂದೇ ಊಹೆಯ ಮೇಲೆ ಅಲ್ಲ ಆದರೆ ಸಂಭವನೀಯ ಸಾಧ್ಯತೆಗಳ ವ್ಯಾಪ್ತಿಯನ್ನು ಆಧರಿಸಿದೆ. "ಲಾಕ್ ಇನ್ ಸಿಂಗಲ್ ನಂಬರ್" ಬಲೆಯಿಂದ ಹೊರಬರಲು ಇದು ಅತ್ಯಂತ ಪ್ರಾಯೋಗಿಕ ಮಾರ್ಗವಾಗಿದೆ.

ಹಂತ ಹಂತವಾಗಿ: AI ಜೊತೆಗೆ ಬೇಡಿಕೆಯ ಮುನ್ಸೂಚನೆಯ ಅಧ್ಯಯನ

1. ಡೇಟಾವನ್ನು ತೆರವುಗೊಳಿಸಿ. ಕಾಣೆಯಾದ ದಿನಗಳು, ಸ್ಟಾಕ್ ಇಲ್ಲದ ದಿನಗಳು, ತೆರೆದ ತಪ್ಪಾದ ದಾಖಲೆಗಳನ್ನು ಗುರುತಿಸಿ; ಅನಾಮಧೇಯ ಉತ್ಪನ್ನ ಕೋಡ್‌ನೊಂದಿಗೆ ಕೆಲಸ ಮಾಡಿ.
2. ಈವೆಂಟ್‌ಗಳನ್ನು ಟ್ಯಾಗ್ ಮಾಡಿ. ಡೇಟಾಗೆ ಪ್ರಚಾರ, ರಜೆ ಮತ್ತು ಪ್ರಚಾರದ ದಿನಗಳನ್ನು ಸೇರಿಸಿ.
3. ಮಾದರಿಯನ್ನು ಕಳೆಯಿರಿ. ಪ್ರವೃತ್ತಿಗಳು, ಕಾಲೋಚಿತತೆ ಮತ್ತು ಗಮನಾರ್ಹ ಘಟನೆಗಳನ್ನು ಸಾರಾಂಶ ಮಾಡಲು AI ಅನ್ನು ಕೇಳಿ.
4. ಅದನ್ನು ಪರೀಕ್ಷಿಸಿ. ಇತಿಹಾಸದ ಕೊನೆಯ ಭಾಗವನ್ನು ಸಂಗ್ರಹಿಸಿ, AI ಊಹಿಸಲು ಅವಕಾಶ ಮಾಡಿಕೊಡಿ, ವಾಸ್ತವದೊಂದಿಗೆ ಹೋಲಿಸಿ (MAPE ಮತ್ತು ಪಕ್ಷಪಾತ ನಿರ್ದೇಶನ).
5. ಒಂದು ಸನ್ನಿವೇಶವನ್ನು ರಚಿಸಿ. ಮೂರು ಮುನ್ನೋಟಗಳನ್ನು ಕೇಳಿ, ನಿರಾಶಾವಾದಿ/ನಿರೀಕ್ಷಿತ/ಆಶಾವಾದಿ, ಮತ್ತು ಪ್ರತಿಯೊಂದಕ್ಕೂ ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರ.
6. ಪರಿಣಿತ ಫಿಲ್ಟರ್. ತಿಳಿದಿರುವ ಮುಂಬರುವ ಅಡಚಣೆಗಳ ಬಗ್ಗೆ AI ಗೆ ತಿಳಿದಿಲ್ಲ (ಹೊಸ ಉತ್ಪನ್ನ, ಪೂರೈಕೆ ಬಿಕ್ಕಟ್ಟು, ಶಾಸನ); ಅವುಗಳನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಸೇರಿಸಿ. ಅಂತಿಮ ಯೋಜನೆ ನಿಮ್ಮದಾಗಿದೆ.

ಮೂರು ಸಣ್ಣ ಪ್ರಕರಣಗಳು

ಪ್ರಕರಣ 1 - ಋತುಮಾನವನ್ನು ಸೆರೆಹಿಡಿಯುವುದು. ಪಾನೀಯ ವಿತರಕನು ಬೇಸಿಗೆಯ ತಿಂಗಳುಗಳಲ್ಲಿ ನಿರಂತರವಾಗಿ ಸ್ಟಾಕ್‌ನಿಂದ ಹೊರಗಿದೆ ಮತ್ತು ಚಳಿಗಾಲದಲ್ಲಿ ಸರಕುಗಳೊಂದಿಗೆ ಉಳಿದಿದ್ದಾನೆ ಎಂದು ದೂರುತ್ತಿದ್ದನು. ಯೋಜಕರು YZ ಗೆ 3 ವರ್ಷಗಳ ಅನಾಮಧೇಯ ದೈನಂದಿನ ಮಾರಾಟವನ್ನು ನೀಡಿದರು ಮತ್ತು ಋತುಮಾನವನ್ನು ತೆಗೆದುಹಾಕಿದರು: ಜೂನ್-ಆಗಸ್ಟ್ ಬೇಡಿಕೆಯು ಚಳಿಗಾಲದ ಸರಾಸರಿಗಿಂತ 2.4 ಪಟ್ಟು ಹೆಚ್ಚು, ಮತ್ತು ಪ್ರತಿ ವರ್ಷ ಮೇ ಮಧ್ಯದಲ್ಲಿ ಜಂಪ್ ಪ್ರಾರಂಭವಾಯಿತು. ಈ ಮಾದರಿಯ ಪ್ರಕಾರ, ಅವರು ತಮ್ಮ ಬೇಸಿಗೆ ಸ್ಟಾಕ್ ಅನ್ನು 3 ವಾರಗಳ ಮುಂಚಿತವಾಗಿ ಸ್ಥಾಪಿಸಿದರು; ಬೇಸಿಗೆಯ ಡೆಡ್ ಸ್ಟಾಕ್ 70% ರಷ್ಟು ಕಡಿಮೆಯಾಗಿದೆ, ಚಳಿಗಾಲದ ಡೆಡ್ ಸ್ಟಾಕ್ ಕುಸಿಯಿತು. AI ಮಾದರಿಯನ್ನು ತೋರಿಸಿದೆ; ಯೋಜಕರು ಸ್ಟಾಕ್ ನಿರ್ಧಾರವನ್ನು ಮಾಡಿದರು.

ಪ್ರಕರಣ 2 - ಹೊಸ ಉತ್ಪನ್ನಕ್ಕೆ ಕೊಡುವುದು. ಕಂಪನಿಯೊಂದು ಹೊಚ್ಚ ಹೊಸ ಉತ್ಪನ್ನವನ್ನು ಬಿಡುಗಡೆ ಮಾಡಲು ಹೊರಟಿತ್ತು; ಯಾವುದೇ ಐತಿಹಾಸಿಕ ಮಾರಾಟದ ಡೇಟಾ ಇರಲಿಲ್ಲ. ಯೋಜಕರು AI ಯನ್ನು ಕೇಳಿದರು, "ಮೊದಲ 3 ತಿಂಗಳುಗಳ ಬೇಡಿಕೆ ಏನು?" ಎಂದು ಕೇಳಿದರು. AI ಸಮಂಜಸವೆಂದು ತೋರುವ ಸಂಖ್ಯೆಯನ್ನು ಉತ್ಪಾದಿಸಿತು - ಆದರೆ ಇದು ಆಧಾರರಹಿತವಾಗಿದೆ ಎಂದು ಯೋಜಕನಿಗೆ ತಿಳಿದಿತ್ತು: ಯಾವುದೇ ಡೇಟಾ ಇಲ್ಲ. ಬದಲಿಗೆ, AI ಕೇಳುತ್ತದೆ "ಹಿಂದೆ ಇದೇ ರೀತಿಯ ವಿಭಾಗಗಳಲ್ಲಿ ಬಿಡುಗಡೆಯಾದ ಉತ್ಪನ್ನಗಳ ಮೊದಲ 3-ತಿಂಗಳ ಮಾದರಿ ಯಾವುದು?" ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ಎಚ್ಚರಿಕೆಯ ಆರಂಭಿಕ ಸ್ಟಾಕ್‌ನೊಂದಿಗೆ ಮುನ್ಸೂಚನೆ ಶ್ರೇಣಿಯಾಗಿ ಹೊಂದಿಸಿ. ತಜ್ಞರ ತೀರ್ಪು AI ನ ಕಾಲ್ಪನಿಕ ವಿಶ್ವಾಸವನ್ನು ತಳ್ಳಿಹಾಕಿದೆ.

ಪ್ರಕರಣ 3 - ಸ್ಟಾಕ್‌ಲೆಸ್ ದಿನದ ಬಲೆಯಾಗಿದೆ. ಉತ್ಪನ್ನದ ಬೇಡಿಕೆ ಕುಸಿದಿದೆ ಎಂದು ವಿಶ್ಲೇಷಕರು ತೀರ್ಮಾನಿಸಿದರು ಮತ್ತು ದಾಸ್ತಾನು ಕಡಿಮೆ ಮಾಡಲು ಶಿಫಾರಸು ಮಾಡಿದರು. ದತ್ತಾಂಶದಲ್ಲಿನ ಕಡಿಮೆ ಮಾರಾಟದ ದಿನಗಳು ವಾಸ್ತವವಾಗಿ ಔಟ್-ಸ್ಟಾಕ್ ದಿನಗಳು ಎಂದು ಅವರ ಹಿರಿಯ ಸಹೋದ್ಯೋಗಿ ಗಮನಿಸಿದರು: ಬೇಡಿಕೆ ಕುಸಿದಿಲ್ಲ, ಯಾವುದೇ ಸರಕುಗಳಿಲ್ಲ. ಈ ಟಿಪ್ಪಣಿಯೊಂದಿಗೆ ಡೇಟಾವನ್ನು ಸರಿಪಡಿಸಿ ಮತ್ತು AI ಗೆ ಮರು-ನೀಡಿದಾಗ, ನಿಜವಾದ ಬೇಡಿಕೆಯು ಹೆಚ್ಚಾಯಿತು. ಸರಿಯಾಗಿ ಸ್ವಚ್ಛಗೊಳಿಸದ ಡೇಟಾವು ತಪ್ಪಾದ ಮುನ್ಸೂಚನೆಗಳನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ.

ನಾಲ್ಕು ನಕಲಿಸಬಹುದಾದ ಟೆಂಪ್ಲೇಟ್‌ಗಳು

1) ಪ್ಯಾಟರ್ನ್ ಹೊರತೆಗೆಯುವಿಕೆ:

ನಿಮ್ಮ ಪಾತ್ರ: ಸಹಾಯಕ ಬೇಡಿಕೆ ಯೋಜನೆ ವಿಶ್ಲೇಷಕ. ಕಳೆದ 36 ತಿಂಗಳುಗಳಲ್ಲಿ ಉತ್ಪನ್ನದ (ಅನಾಮಧೇಯ ಕೋಡ್: PRODUCT-X) ಮಾಸಿಕ ಮಾರಾಟದ ಡೇಟಾವನ್ನು ಕೆಳಗೆ ನೀಡಲಾಗಿದೆ. ಪ್ರಚಾರದ ತಿಂಗಳುಗಳು [ತಿಂಗಳ ಪಟ್ಟಿ], ಸ್ಟಾಕ್-ಮುಕ್ತ ತಿಂಗಳುಗಳು [ತಿಂಗಳ ಪಟ್ಟಿ]. ಕಾರ್ಯ: (1) ಪ್ರವೃತ್ತಿ, (2) ಕಾಲೋಚಿತ ಮಾದರಿ, (3) ಗಮನಾರ್ಹ ಘಟನೆಗಳನ್ನು ಸಾರಾಂಶಗೊಳಿಸಿ. ಸ್ಟಾಕ್ ಇಲ್ಲದ ತಿಂಗಳುಗಳು ನಿಜವಾದ ಬೇಡಿಕೆಯನ್ನು ಮರೆಮಾಡುತ್ತವೆ ಎಂಬುದನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳಿ. ನಾನು ಡೇಟಾವನ್ನು ಒದಗಿಸದ ತಿಂಗಳು ಫ್ಯಾಬ್ರಿಕೇಟೆಡ್ ಆಗಿದೆ.

2) ನಿಖರತೆ ಪರೀಕ್ಷೆ:

ಕೆಳಗಿನ 36 ತಿಂಗಳುಗಳಲ್ಲಿ ಮೊದಲ 30 ಅನ್ನು ಬಳಸಿಕೊಂಡು ಕಳೆದ 6 ತಿಂಗಳುಗಳನ್ನು ಊಹಿಸಿ. ನಂತರ ನನ್ನ ಭವಿಷ್ಯವನ್ನು ನಿಜವಾದ ಕಳೆದ 6 ತಿಂಗಳುಗಳಿಗೆ ಹೋಲಿಸಿ; ಪ್ರತಿ ತಿಂಗಳು ವಿಚಲನ ಮತ್ತು ಒಟ್ಟು MAPE ಅನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ. ನಿಮ್ಮ ಅಂದಾಜು ಸ್ಥಿರವಾಗಿ ಪಕ್ಷಪಾತವಾಗಿದ್ದರೆ ನನಗೆ ತಿಳಿಸಿ. ಸೂತ್ರವನ್ನು ತೋರಿಸಿ.

3) ಸನ್ನಿವೇಶ ಮುನ್ಸೂಚನೆ:

ಈ ಉತ್ಪನ್ನಕ್ಕೆ ಮುಂದಿನ ತ್ರೈಮಾಸಿಕದ ಮಾಸಿಕ ಬೇಡಿಕೆಯನ್ನು 3 ಸನ್ನಿವೇಶಗಳಲ್ಲಿ ಅಂದಾಜು ಮಾಡಿ: ನಿರಾಶಾವಾದಿ / ನಿರೀಕ್ಷಿತ / ಆಶಾವಾದಿ. ಪ್ರತಿ ಸನ್ನಿವೇಶಕ್ಕೂ ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರವನ್ನು ನೀಡಿ ಮತ್ತು ಅದು ಯಾವ ಊಹೆಯನ್ನು ಆಧರಿಸಿದೆ ಎಂಬುದನ್ನು ಬರೆಯಿರಿ. ಇದು ನಿರ್ಣಾಯಕವಲ್ಲ ಆದರೆ ಯೋಜನೆಗೆ ಮಧ್ಯಂತರವಾಗಿದೆ ಎಂಬುದನ್ನು ಗಮನಿಸಿ.

4) ಒಡೆಯುವಿಕೆಯ ನಿಯಂತ್ರಣ:

ನಾನು ನಿಮಗೆ ನೀಡಿದ ಐತಿಹಾಸಿಕ ದತ್ತಾಂಶವನ್ನು ಆಧರಿಸಿದ ಮುನ್ಸೂಚನೆಯು ಮುಂದಿನ ಮುಂಬರುವ ಈವೆಂಟ್‌ಗಳಿಂದ ಹೇಗೆ ಅಮಾನ್ಯವಾಗಬಹುದು ಎಂಬುದನ್ನು ಪಟ್ಟಿ ಮಾಡಿ: [ಹೊಸ ಉತ್ಪನ್ನ / ಪ್ರಚಾರ / ಪೂರೈಕೆ ಬಿಕ್ಕಟ್ಟು / ನಿಯಂತ್ರಣ ಬದಲಾವಣೆ]. ಪ್ರತಿಯೊಂದಕ್ಕೂ ನಾನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಮುನ್ಸೂಚನೆಯನ್ನು ಹೇಗೆ ಸರಿಹೊಂದಿಸಬೇಕು ಎಂಬುದನ್ನು ಸೂಚಿಸಿ.

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್:

ಮುಂದಿನ ತಿಂಗಳು ನಾನು ಎಷ್ಟು ಮಾರಾಟ ಮಾಡುತ್ತೇನೆ?

ಡೇಟಾ ಇಲ್ಲ, ಉತ್ಪನ್ನವಿಲ್ಲ, ಸಂದರ್ಭವಿಲ್ಲ. AI ತಿರಸ್ಕರಿಸುತ್ತದೆ ಅಥವಾ ಅಪ್ ಮಾಡುತ್ತದೆ; ಯಾವುದೇ ಫಲಿತಾಂಶವು ಕಾರ್ಯನಿರ್ವಹಿಸುವುದಿಲ್ಲ.

ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್:

ನಿಮ್ಮ ಪಾತ್ರ: ಬೇಡಿಕೆ ಯೋಜನೆ ಸಹಾಯಕ. ಕಳೆದ 24 ತಿಂಗಳುಗಳಲ್ಲಿ PRODUCT-X ನ ಮಾರಾಟವನ್ನು ಕೆಳಗೆ ನೀಡಲಾಗಿದೆ; ಪ್ರಚಾರದ ತಿಂಗಳುಗಳು ಮತ್ತು ಸ್ಟಾಕ್-ಮುಕ್ತ ತಿಂಗಳುಗಳನ್ನು ಗುರುತಿಸಲಾಗಿದೆ. ಮುಂದಿನ 3 ತಿಂಗಳುಗಳಿಗೆ ನಿರಾಶಾವಾದಿ/ನಿರೀಕ್ಷಿತ/ಆಶಾವಾದಿ ಮುನ್ಸೂಚನೆ ನೀಡಿ, ಪ್ರತಿಯೊಂದಕ್ಕೂ ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರವನ್ನು ಸೇರಿಸಿ, ಹಿಂದಿನ ಪರೀಕ್ಷೆಯಲ್ಲಿ MAPE ತೋರಿಸಿ. ನಾನು ಅಂತಿಮ ಸ್ಟಾಕ್ ನಿರ್ಧಾರವನ್ನು ಹೊಂದಿದ್ದೇನೆ ಎಂದು ನಟಿಸಿ.

ಅಪ್ರೋಚ್

ಹಿಟ್

ಅನಿಶ್ಚಿತತೆ ನಿರ್ವಹಣೆ

ಅಪಾಯ

ಒಂದೇ ಸಂಖ್ಯೆಯನ್ನು ಅವಲಂಬಿಸಿ

ದಾರಿತಪ್ಪಿಸುವ

ಯಾವುದೂ ಇಲ್ಲ

ಹೈ - ಯೋಜನೆ ಕುಸಿಯುತ್ತದೆ

ಸನ್ನಿವೇಶ + ಶ್ರೇಣಿ

ವಾಸ್ತವಿಕ

ಒಳ್ಳೆಯದು

ಕಡಿಮೆ

ಕೇವಲ ಅಂತಃಪ್ರಜ್ಞೆ

ವೇರಿಯಬಲ್

ದುರ್ಬಲ

ಮಧ್ಯಮ-ಎತ್ತರದ

AI ಅನ್ನು ಕುರುಡಾಗಿ ಪಾಲಿಸುವುದು

ವೇರಿಯಬಲ್

ಯಾವುದೂ ಇಲ್ಲ

ಹೆಚ್ಚು

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

• ನಿಜವಾದ ಕಡಿಮೆ ಬೇಡಿಕೆಗಾಗಿ ಸ್ಟಾಕ್-ಔಟ್ ದಿನವನ್ನು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸುವುದು. ಸರಕುಗಳು ಲಭ್ಯವಿಲ್ಲದಿದ್ದಾಗ, ಮಾರಾಟವು ಕಡಿಮೆಯಾಗಿ ಕಂಡುಬರುತ್ತದೆ; ಇದರರ್ಥ ಬೇಡಿಕೆ ಕುಸಿದಿದೆ ಎಂದಲ್ಲ.
• ಒಂದೇ ಸಂಖ್ಯೆಯಲ್ಲಿ ಲಾಕ್ ಮಾಡಲಾಗುತ್ತಿದೆ. ಭವಿಷ್ಯವನ್ನು ಸಂಪೂರ್ಣ ಸತ್ಯವಾಗಿ ನೋಡುವುದು ಅನಿಶ್ಚಿತತೆಯನ್ನು ನಿರ್ಲಕ್ಷಿಸುವುದು; ಯಾವಾಗಲೂ ವ್ಯಾಪ್ತಿ ಮತ್ತು ಸನ್ನಿವೇಶವನ್ನು ಕೇಳಿ.
• ಪ್ರಚಾರವನ್ನು ಟ್ಯಾಗ್ ಮಾಡುತ್ತಿಲ್ಲ. ಪ್ರಚಾರದ ಬೌನ್ಸ್ "ಸಾಮಾನ್ಯ" ಎಂದು ಭಾವಿಸುವ ಮಾದರಿಯು ಭವಿಷ್ಯವನ್ನು ವಿರೂಪಗೊಳಿಸುತ್ತದೆ.
• ಇತಿಹಾಸವಿಲ್ಲದೆ ಹೊಸ ಉತ್ಪನ್ನದ ಭವಿಷ್ಯ. ಡೇಟಾ ಇಲ್ಲದ ಉತ್ಪನ್ನಕ್ಕೆ AI ಯ ತೋರಿಕೆಯಲ್ಲಿ ಸುರಕ್ಷಿತ ಸಂಖ್ಯೆಯು ಆಧಾರರಹಿತವಾಗಿದೆ.
• ಬ್ರೇಕಿಂಗ್ ಅನ್ನು AI ಗೆ ಬಿಡುವುದು. ಸಾಂಕ್ರಾಮಿಕ ರೋಗಗಳು, ಪೂರೈಕೆ ಬಿಕ್ಕಟ್ಟುಗಳು ಮತ್ತು ಶಾಸನಗಳಂತಹ ರಚನಾತ್ಮಕ ವಿರಾಮಗಳನ್ನು AI ತಿಳಿದಿರುವುದಿಲ್ಲ; ತಜ್ಞರ ಹಸ್ತಕ್ಷೇಪವನ್ನು ಮಾಡಬೇಕು.

ಎಚ್ಚರಿಕೆ: ಭವಿಷ್ಯವು ಎಷ್ಟೇ ಉತ್ತಮವಾಗಿ ಕಾಣಿಸಿದರೂ, ಅದು ಆಧರಿಸಿದ ಡೇಟಾದ ಗುಣಮಟ್ಟಕ್ಕಿಂತ ಉತ್ತಮವಾಗಿರಲು ಸಾಧ್ಯವಿಲ್ಲ. "ಕಸ ಒಳಗೆ, ಕಸ ಹೊರಗೆ." ಡೇಟಾವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸಲು ನಿಮ್ಮ ಹೆಚ್ಚಿನ ಸಮಯವನ್ನು ಕಳೆಯಿರಿ; ಮಾದರಿ ಭಾಗವು ಉಳಿದವನ್ನು ಮಾಡುತ್ತದೆ.

ಸಾರಾಂಶದಲ್ಲಿ

ಬೇಡಿಕೆಯ ಮುನ್ಸೂಚನೆಯು ಪೂರೈಕೆ ಸರಪಳಿಯ ಎಂಜಿನ್ ಆಗಿದೆ, ಮತ್ತು AI ಈ ಎಂಜಿನ್ ಅನ್ನು ವೇಗಗೊಳಿಸುವ ಪ್ರಬಲ ಸಹಾಯಕವಾಗಿದೆ. ಆದರೆ AI ಹಿಂದಿನಿಂದ ಕಲಿಯುತ್ತದೆ; ಭವಿಷ್ಯವು ಭೂತಕಾಲವನ್ನು ಹೋಲದಿದ್ದರೆ ಅದು ತಪ್ಪಾಗುತ್ತದೆ. ಪ್ರವೃತ್ತಿ ಮತ್ತು ಕಾಲೋಚಿತತೆಯನ್ನು ಸೆರೆಹಿಡಿಯಿರಿ, ಈವೆಂಟ್‌ಗಳನ್ನು ಟ್ಯಾಗ್ ಮಾಡಿ, MAPE ಮತ್ತು ಡ್ರಿಫ್ಟ್ ದಿಕ್ಕಿನೊಂದಿಗೆ ನಿಖರತೆಯನ್ನು ಅಳೆಯಿರಿ, ಮುನ್ಸೂಚನೆಯನ್ನು ಸನ್ನಿವೇಶ ಮತ್ತು ಶ್ರೇಣಿಯಂತೆ ಹೊಂದಿಸಿ, ಒಂದೇ ಸಂಖ್ಯೆಯಲ್ಲ. ಹೊಸ ಉತ್ಪನ್ನಗಳು ಮತ್ತು ರಚನಾತ್ಮಕ ವಿರಾಮಗಳಲ್ಲಿ ತಜ್ಞರ ತೀರ್ಪು ಮೊದಲು ಬರುತ್ತದೆ. ಡೇಟಾ ಶುದ್ಧೀಕರಣವು ಎಲ್ಲದರ ಅಡಿಪಾಯವಾಗಿದೆ; ಅಂತಿಮ ಯೋಜನೆ ನಿಮ್ಮದಾಗಿದೆ.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

ನಿಮ್ಮ ಸ್ವಂತ ಉತ್ಪನ್ನಗಳ (ಅಥವಾ ಕಾಲ್ಪನಿಕ ಉತ್ಪನ್ನ) ಕಳೆದ 12-24 ತಿಂಗಳುಗಳ ಮಾರಾಟದ ಡೇಟಾವನ್ನು ಪಡೆಯಿರಿ, ಪ್ರಚಾರ ಮತ್ತು ಸ್ಟಾಕ್ ಇಲ್ಲದ ತಿಂಗಳುಗಳನ್ನು ಗುರುತಿಸಿ. "ಸನ್ನಿವೇಶ ಭವಿಷ್ಯ" ಟೆಂಪ್ಲೇಟ್‌ನೊಂದಿಗೆ ಮೂರು ಸನ್ನಿವೇಶಗಳಿಗಾಗಿ AI ಅನ್ನು ಕೇಳಿ. ನಂತರ ಕೆಲವು ಇತಿಹಾಸವನ್ನು "ನಿಖರತೆ ಪರೀಕ್ಷೆ" ಟೆಂಪ್ಲೇಟ್‌ನೊಂದಿಗೆ ಸಂಗ್ರಹಿಸಿ ಮತ್ತು ಭವಿಷ್ಯವನ್ನು ವಾಸ್ತವದೊಂದಿಗೆ ಹೋಲಿಕೆ ಮಾಡಿ. ನೀವು ಕಂಡುಕೊಂಡ MAPE ಮತ್ತು ನೀವು ಆಯ್ಕೆಮಾಡಿದ ಸನ್ನಿವೇಶವನ್ನು ಅದರ ಕಾರಣದೊಂದಿಗೆ 5 ಐಟಂಗಳಲ್ಲಿ ಬರೆಯಿರಿ; ನೀವು ಯಾವ ಭದ್ರತಾ ಬಫರ್ ಅನ್ನು ಸೇರಿಸುತ್ತೀರಿ ಎಂಬುದನ್ನು ಸಹ ನಿರ್ದಿಷ್ಟಪಡಿಸಿ.

ಪರಿಶೀಲನಾಪಟ್ಟಿ

• [ ] ನಾನು ಡೇಟಾವನ್ನು ತೆರವುಗೊಳಿಸಿದ್ದೇನೆ, ಸ್ಟಾಕ್ ಮತ್ತು ಪ್ರಚಾರದ ದಿನಗಳನ್ನು ಗುರುತಿಸಿದ್ದೇನೆಯೇ?
• [ ] ಬ್ಯಾಕ್‌ಟೆಸ್ಟಿಂಗ್ ಮೂಲಕ ನಾನು MAPE ಮತ್ತು ಪಕ್ಷಪಾತ ನಿರ್ದೇಶನದೊಂದಿಗೆ ಭವಿಷ್ಯವನ್ನು ಮೌಲ್ಯೀಕರಿಸಿದ್ದೇನೆಯೇ?
• [ ] ನಾನು ಒಂದೇ ಸಂಖ್ಯೆಯ ಬದಲಿಗೆ ಸನ್ನಿವೇಶ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರವನ್ನು ಕೇಳಿದ್ದೇನೆಯೇ?
• [ ] ಹೊಸ ಉತ್ಪನ್ನ / ಒಡೆಯುವಿಕೆಯಿದ್ದರೆ, ನಾನು ತಜ್ಞರ ತೀರ್ಪಿಗೆ ಆದ್ಯತೆ ನೀಡಿದ್ದೇನೆಯೇ?
• [ ] ನಾನು ಅಂತಿಮ ಸ್ಟಾಕ್ ಯೋಜನೆಯನ್ನು ನನ್ನ ಸ್ವಂತ ಅನುಮೋದನೆಗೆ ಒಳಪಡಿಸಿದ್ದೇನೆಯೇ?