수요 예측: 매출 예측, 계절성 및 추세 분석

이득:

• 과거 판매 데이터, 계절적 영향 및 외부 요인을 결합하여 인공 지능 지원을 통해 SKU 기반으로 초안 수요 예측을 생성하는 기능.
• 예측 정확도(MAPE, 편향)를 해석하고 과대평가와 과소평가의 비즈니스 결과를 구별하는 능력
• 인공지능이 산출한 예측은 예측이고 최종 주문 결정은 재고 비용 및 현금 흐름과 함께 관리자에게 속한다는 것을 유지할 수 있습니다.

소매업에는 가장 비용이 많이 드는 두 가지 실수가 있습니다. 재고를 너무 많이 유지하고 돈을 선반에 놔두는 것, 또는 재고를 충분히 유지하지 않고 고객을 빈손으로 남겨두는 것입니다. 둘 다 동일한 원인을 갖고 있습니다. 바로 잘못된 수요 예측입니다. 이번 단원에서는 과거 판매를 통해 미래를 예측하는 강력한 조수로서 인공 지능을 사용하는 방법을 배웁니다. 하지만 처음부터 말하자면, 예측은 예언이 아니라 확률적 예측입니다. AI가 숫자를 알려줍니다. 해당 숫자를 주문 결정으로 변환하는 것이 귀하의 임무입니다.

수요 예측: 과거 데이터와 영향 요인을 살펴보고 해당 제품이나 카테고리가 향후 얼마나 팔릴지 예측하는 작업입니다.

SKU(재고 유지 단위): 각 제품 변형에 대해 유지되는 고유한 재고 코드입니다. 예를 들어 "빨간색, 사이즈 42 운동화"는 SKU입니다. 동일 모델의 43번은 별도의 SKU입니다.

예측을 제공하는 세 가지 정보 소스

좋은 예측은 다음 세 가지를 결합합니다.

1. 과거 판매(기준): 지난 12~24개월 동안 제품의 주별/월별 판매입니다. AI는 이 시리즈에서 '보통' 레벨을 추출합니다.
2. 계절 및 달력 효과: 휴일, 학기, 여름-겨울, 주말, 월급날. 예를 들어 여름에는 아이스크림이 늘어나고 겨울에는 양말이 늘어납니다.
3. 외부 요인: 캠페인, 가격 변동, 날씨, 경쟁업체 움직임, 개시/마감. 이는 추정치를 위아래로 밀어냅니다.

팁: AI에게 "지난 달에 100개를 팔았어요"라고만 말하지 마세요. "지난 달에 100개 팔았는데 20% 할인이 있었고 연휴 기간이었죠."라고 말해보세요. 맥락이 없으면 예측은 오해의 소지가 있습니다.

단계별 예측 생성

1. 데이터 준비: 익명의 깨끗한 테이블: 날짜, SKU, 판매 수량, 가격, 프로모션/프로모션 없음, 가용성. 품절일을 표시하세요. 그렇지 않으면 인공지능은 그날을 '수요가 적다'고 생각할 것이다.
2. 맥락 제공: 시즌, 예정된 이벤트, 계획된 캠페인을 기록합니다.
3. 예측 요청: SKU 또는 카테고리별로 특정 기간에 대한 예측 및 신뢰 구간(최악/최상의 시나리오)을 요청합니다.
4. 정확도 측정: 과거 예측을 현실과 비교하세요(아래 MAPE).
5. 이를 결정으로 전환: 추정치를 안전 재고 및 예산과 결합하여 주문 결정을 내립니다.

예측 정확도 읽기: MAPE 및 편향

MAPE(Mean Absolute Percent Error): 실제 매출과 예측의 평균 백분율 편차를 표시합니다. 공식은 간단합니다: |실제 − 예측| 각 기간에 대한 / 실수는 평균입니다.

• MAPE 10% → 추정치는 평균 10% 정도 벗어나 꽤 좋습니다.
• MAPE 40% → 예측이 신뢰할 수 없으며 주문 결정에 더 많은 버퍼(안전 재고)가 필요합니다.

방향(편향): 예측이 지속적으로 현실보다 높습니까(과잉 재고 위험) 아니면 낮습니까(재고 부족 위험)? 이것도 시청하세요. MAPE는 방향을 표시하지 않습니다.

상태

의미

사업실적

지속적으로 높은 추정치

당신은 수요를 과장하고 있습니다

재고 과잉, 붕괴, 마진 손실

지속적인 과소평가

당신은 수요를 과소평가한다

품절, 판매 누락, 불만

높은 MAPE, 균형 잡힌 방향

불확실성이 높다

안전 재고를 늘리고 자주 검토하세요.

낮은 MAPE

정확한 예측

더 적은 주식, 더 나은 현금

미니 케이스

사례 1 - 계절성 누락: 식료품점에서 작년 7월 판매량(월 200개)을 기준으로 학교용 노트북을 주문합니다. 인공지능에 "8~9월 학기, 지난해 이 기간 판매량이 4배 증가"라는 맥락이 주어지면 예측은 200개가 아닌 780개로 증가합니다. 올바른 순서 덕분에 학년도 동안 재고가 떨어지지 않습니다. 지난해 탈출한 6만TL 추정 매출액이 올해도 포착되고 있다.

사례 2 — 품절일은 계산하지 않음: 한 매장에서 인기 있는 커피가 3주 동안 품절되었습니다. 원시 데이터를 보면 인공지능은 해당 주를 '주당 매출 5회'로 보고 낮은 추정치를 제시합니다. 분석가가 재고가 없는 날을 표시하고 "이번 주는 수요를 반영하지 않습니다"라고 말하면 예측은 주당 45일로 증가합니다. 실질수요가 발생합니다.

사례 3 - 캠페인 효과 일반화: 섬유 체인은 50% 할인 주간 세일(600개)을 '정상'으로 간주하고 지속적으로 600개를 주문합니다. 인공지능에 "이 세일은 일회성 캠페인으로 이루어졌으며 일반 주는 180개입니다"라고 말하면 예측이 수정됩니다. 과잉 재고 및 이에 따른 가격 인하 손실 위험이 방지됩니다.

예측 지평선: 얼마나 멀리 앞을 볼 수 있나요?

예측 범위: 예측이 이루어진 미래의 기간입니다. 규칙은 간단합니다. 지평선이 길수록 불확실성이 커집니다. 다음 주 매출을 비교적 정확하게 예측합니다. 6개월 후에는 범위가 훨씬 더 넓어졌습니다. 따라서 주문 결정의 필요성에 따라 예측 기간을 선택하십시오. 기간이 짧고 빨리 소진되는 신선한 제품에 대한 빈번한 업데이트; 리드타임이 긴 수입 제품의 경우 지평선이 길고 안전 여유가 더 넓습니다.

또 다른 중요한 차이점은 신제품 예측입니다. 새로운 SKU의 과거 판매가 없습니다. 이 경우 유사 제품(아날로그)의 이력, 카테고리 평균, 출시 계획 등을 AI에 제공합니다. "이 제품은 이력이 없습니다. 유사한 제품 X와 Y의 처음 8주를 보고 초기 추정을 하십시오"라고 말하는 것이 빈칸을 채우는 합리적인 방법입니다. 그러나 신제품 예측은 항상 더 위험합니다. 첫 주에 대한 실제 데이터가 제공되면 예측을 빠르게 수정하세요.

주의: 견적을 "한 번 하고 잊어버리는" 처리로 취급하지 마십시오. 수요 예측은 실시간 프로세스입니다. 매 새로운 판매 주간은 예측을 업데이트할 수 있는 기회입니다. 최고의 예측자는 가장 똑똑한 모델이 아니라 가장 자주 업데이트되는 모델을 사용하는 사람입니다.

약한 프롬프트 / 강한 프롬프트

약한 프롬프트:

이 제품이 다음 달에 얼마나 팔릴지 알려주세요.

맥락이 없습니다. AI는 임의의 숫자를 구성합니다.

강력한 프롬프트:

귀하의 역할: 수요 계획 전문가. 데이터: 아래는 SKU 4471의 지난 18개월 동안의 월별 판매 수량 및 가격과 해당 월의 캠페인 여부입니다. 설명: 이 제품은 여름 샌들입니다. 5~8월에 수요가 최고조에 달합니다. 다음 달은 6월이다. 예정된 캠페인이 없습니다. 가격은 고정되어 있습니다.작업: (1) 6월의 예상 판매 수량, (2) 최악 및 최상의 시나리오 범위, (3) 예측에 영향을 미치는 2가지 주요 요인.규칙: 품절로 표시된 달은 수요가 적은 달로 계산하지 않습니다.주어진 데이터만 기반으로 합니다.데이터: [표 붙여넣기]

복사 가능한 프롬프트 템플릿

1) SKU 기반 예측

귀하의 역할: 수요 계획 전문가. 다음 익명 월별 판매 시리즈에서 [SKU]에 대한 향후 [기간] 예측을 생성합니다. 출력: 예상 수량 + 최악/최고 범위 + 2가지 가정. 품절로 표시된 기간은 제외됩니다. 데이터: [붙여넣기]

2) 계절적 패턴 제거

아래의 24개월 판매 시리즈에서 반복되는 계절 패턴을 찾아보세요. 어느 달이 최고이고 어느 달이 최저입니까? 평균과의 편차를 백분율로 표시합니다. 표 형태로 제시해 보세요. 데이터: [붙여넣기]

3) 예측 정확도 평가

아래는 내 과거 추정치와 실제 판매량입니다. (1) MAPE를 계산합니다. (2) 내 예측이 지속적으로 높거나 낮습니다. (3) 이것이 주식에 무엇을 의미합니까? 단계별로 표시합니다.데이터: [예상, 실제 열]

4) 캠페인 효과 추출

캠페인 주간은 아래 판매 시리즈에 표시되어 있습니다. 캠페인이 아닌 일반적인 수요를 추정합니다. 캠페인 효과를 별도의 상승률로 제공합니다. 그래서 정상적인 주문 수준을 보고 싶습니다. 데이터: [붙여넣기]

일반적인 실수

• 맥락을 제공하지 않음: 캠페인, 시즌, 가격 변동이 지정되지 않으면 예측이 오해될 수 있습니다.
• 품절일을 수요로 계산할지 여부: 품절 기간은 실제 수요를 숨깁니다. 표시.
• 프로모션 판매를 정상적으로 수락: 일회성 증가가 영구적이라고 생각하면 재고가 초과됩니다.
• 단일 숫자에 의존: 범위(시나리오)를 원하지 않고 단일 지점에 의존하면 위험이 숨겨집니다.
• 정확도를 전혀 측정하지 않음: MAPE와 방향을 모니터링하지 않으면 예측이 점점 더 나빠집니다.
• 견적을 통해 직접 주문: 현금, 창고 및 유통기한 관리 없이 주문합니다.

요약하면

좋은 예측은 과거 매출, 계절성, 외부 요인을 결합합니다. AI에게 반드시 컨텍스트(캠페인, 시즌, 품절일)를 제공하세요. MAPE 및 편향 방향을 통해 예측 정확도를 모니터링합니다. 불확실성이 높은 상황에서는 안전 재고를 늘립니다. 예측은 예측이다. 예산 및 제약 조건과 함께 최종 주문 결정은 귀하의 몫입니다.

응용과제

익명 테이블에서 지난 12~18개월 동안 가장 많이 팔린 상위 5개 SKU의 판매량을 확인하고 품절 및 캠페인 기간을 표시하세요. "1) SKU 기반 예측" 프롬프트를 사용하여 미래 예측을 생성한 다음 "3) 예측 정확도 평가"를 사용하여 과거 예측의 MAPE를 추출합니다. 결과를 자신의 주문 결정과 비교하십시오.

체크리스트

• [ ] 판매 데이터를 익명화하고 정리했습니다.
• [ ] 품절 및 캠페인 기간을 표시해 두었습니다.
• [ ] AI에 계절과 외부 요인의 맥락을 부여했습니다.
• [ ] 단일 숫자가 아닌 시나리오 범위를 원했습니다.
• [ ] MAPE와 요 방향을 확인했습니다.
• [ ] 예산과 제약을 고려하여 주문 결정을 내렸습니다.