Pelnas:
- Gebėjimas atskirti paklausos prognozavimo metodus (slenkamasis vidurkis, eksponentinis išlyginimas, sezoniškumas)
- Galimybė nustatyti numatymo scenarijus naudojant AI ir įvertinti tikslumą naudojant tokias metrikas kaip MAPE / MAE
- Galimybė palyginti prognozuojamus rezultatus su verslo kontekstu ir reklaminiais / sezoniniais efektais
Paklausos prognozavimas yra pagrindas, kuriuo grindžiamas gamybos planavimas, atsargų valdymas ir visa tiekimo grandinė. Neteisingas prognozavimas yra brangus abiem būdais: pervertinus atsiranda atsargų sąnaudos ir švaistomi, o nuvertinus prarandami pardavimai ir klientai tampa nepatenkinti. Dirbtinis intelektas padeda daug kur prognozavimo procese – nuo metodo pasirinkimo iki istorinių duomenų interpretavimo ir scenarijų generavimo; Tačiau vertinti prognozę kaip „stebuklingą krištolo rutulį“ yra didžiausia klaida. Šiame skyriuje apžvelgsime klasikinius prognozavimo metodus, kaip teisingai juos sukurti naudojant AI ir kaip matuoti tikslumą.
Trumpas prognozavimo metodų žemėlapis
Ne kiekviena reikalavimų serija elgiasi taip pat; Kai kurie yra vienodi, kai kurie turi tendencijų, kai kurie yra sezoniniai. Būtina pasirinkti metodą pagal seriją.
Metodas
Kada tai tinkama?
Dėmesio
Naivus (paskutinė vertė)
Palyginimui (lyginas)
Nesilaiko tendencijų/sezono
slankusis vidurkis
Statiškas, triukšmingas serialas
Vėlai reaguoja į tendenciją
Eksponentinis išlyginimas (SES)
Stacionarios serijos, akcentuojami netoliese esantys duomenys
Gerai, jei nėra tendencijos
Holtas (dvigubas eksponentinis)
Madinga serija
Nepagauna sezono
Holtas-Wintersas
Tendencija + sezoniškumas
Reikia pakankamai istorinių duomenų
Regresija/ML
Kelių kintamųjų, reklama veiksminga
Persirengimo rizika
Patarimas: visada pradėkite nuo „naivaus“ spėjimo. Jei jūsų sudėtingas modelis nėra geresnis už naivų spėjimą, neverta neštis sudėtingumo. Naive yra nemokamas tikslumo matavimo etalonas.
Kaip mes išmatuojame tikslumą? (Metrika)
Prognozavimo tikslumas negali būti pagerintas jo neišmatavus. Dažniausiai pasitaikantys rodikliai:
- MAE (Mean Absolute Error): absoliučios klaidų vertės vidurkis. Vienetas yra toks pat kaip paklausos vienetas.
- RMSE (Root Mean Square Error): už didesnes klaidas baudžiama labiau.
- MAPE (Mean Absolute Percent Error): procentais; Geras elementų palyginimui, bet iškraipomas, kai paklausa artima nuliui.
- Šališkumas: vidutinė klaida; Nurodo, ar nuolat pervertinate / neįvertinate.
Maža pavyzdinė sąskaita. Tegul faktinė paklausa yra [100, 120, 90], prognozė – [110, 115, 100]:
Klaidos (faktinės – prognozės): -10, +5, -10Absoliučios paklaidos: 10, 5, 10 → MAE = 25 / 3 ≈ 8,33 Procentinės paklaidos: 10/100, 5/120, 10/90 = 10%, 4,17%, MAE =7 (11% + 11.) 11,11) / 3 ≈ 8,43 % Poslinkis = (-10 + 5 - 10) / 3 = -5 → vidutinis pervertinimas (numatymas > faktinis)
Neigiamas poslinkis (tikrasis minus įvertis) rodo, kad įvertis nuolat pervertinamas; Tai reiškia atsargų infliaciją. Tokios krypties klaidos gali būti paslėptos MAPE, todėl į jas žiūrima kartu.
Prognozavimo proceso kūrimas naudojant AI
DI galite efektyviausiai naudoti dviejose vietose: (1) norėdami peržiūrėti duomenis ir pasiūlyti tinkamą metodą bei veiksmus, kurių reikia imtis, ir (2) generuoti nuspėjamąjį kodą. Dėl metodo pasiūlymo:
Pareigos: esate pramonės inžinierius, turintis patirties prognozuojant paklausą. Užduotis: Išnagrinėkite žemiau pateiktas mėnesines pardavimų serijas ir rekomenduokite tinkamą prognozavimo metodą. Įvertinkite, ar yra tendencija ir sezoniškumas, parašykite savo pagrindimą. Duomenys (mėnesį, paskutinius 24 mėnesius): {{ Values }}Papildoma informacija: Gruodžio mėnesį vyksta akcija, vasaros mėnesiais paklausa mažėja. Noriu išvesties:1. Komentuokite serialo personažą (stabilus/trendingas/sezoninis).2. 2 rekomenduojami metodai ir kodėl.3. Kokią tikslumo metriką turėčiau stebėti?4. Spąstai, kurių turėčiau saugotis (išskirtinis, reklaminis efektas). Taisyklė: nežadėkite absoliutaus tikslumo nematydami duomenų.
Silpnas raginimas / stiprus raginimas
Silpnas raginimas:
Kiek parduosiu kitą mėnesį?
Jame nėra nei duomenų, nei konteksto; AI jį atmeta arba grąžina visiškai sugalvotą numerį. Tokia produkcija yra pavojinga, nes atrodo patikima.
Galingas raginimas:
Numatykite ateinančius 3 mėnesius naudodami Holt-Winters logiką naudodami šią 24 mėnesių seriją. Sezono trukmė yra 12. Pirmiausia parašykite metodo prielaidas, tada pateikite prognozę, tada apskaičiuokite MAPE, atlikdami paskutinių 6 mėnesių atgalinį testą. Akcijos mėnesius pažymėkite atskirai. Duomenys: {{ ... }}
Antrasis raginimas prašo nuspėti ir kiek pasitikėti šia prognoze (atgalinis patikrinimas). Tai paverčia prognozę iš „orakulu“ į išmatuojamą įrankį.
Atgalinis patikrinimas: pasitikėjimo numatymu matas
Tikrasis numatymo išbandymas yra praeityje, o ne ateityje. Jūs padalijate turimus duomenis į du: modelio kūrimą (traukinį) ir testavimą. Jūs sukuriate modelį su pirmuoju kūriniu, numatote kitą laikotarpį ir palyginate jį su realybe. Ši „išlaikymo“ logika atskleidžia, ar modelis iš tikrųjų veikia, ar ne.
Sukurkite paprastą šios serijos atgalinio patikrinimo planą: atidėkite paskutinius 6 mėnesius bandymams, apmokykite 3 skirtingus metodus (naivus, SES, Holt-Winters) su likusiais duomenimis, apskaičiuokite MAPE ir šališkumą kiekvienam bandymo laikotarpiu ir sudarykite palyginimo lentelę. Parašykite laimėjimo metodą ir pagrindimą.
Saugokitės: AI kartais gali „numatyti“ atgalinio testo rezultatus ir pateikti jums paruoštą diagramą; tai yra, jis gali sugalvoti skaičius, kurie atrodo pagrįsti, iš tikrųjų jų neapskaičiavęs. Skaitinius rezultatus būtinai atkurkite naudodami kodą (Python / Excel). Kalbos modelis patikimai neatlieka ilgos aritmetikos.
Mini dėklas: sezoninio produkto perteklius
Maisto platinimo įmonė skundžiasi turinti per daug sezoninio produkto, pavyzdžiui, ledų, atsargų žiemą. Pramonės inžinierius Elifas AI pateikia 3 metų mėnesio duomenis ir prašo įvertinti serialo charakterį. AI aptinka stiprų sezoniškumą (vasaros piką) ir nedidelę metinio augimo tendenciją, teigia Holt-Winters. Elif sugeneruoja prognozę „Python“ ir ją patikrina atgal: MAPE yra 14%, bet paklaida yra labai neigiama – modelis nuolat perspėja. Tyrinėdamas, kodėl, jis nustato, kad kampanijos laikotarpį istoriniuose duomenyse jis klaidingai laikė „normaliu“ ir išmokė modelį per aukštą bazę. Kai pašaliname kampanijos efektą ir atkuriame modelį, šališkumas sumažėja, o žiemos atsargos žymiai sumažėja. Pamoka: AI teisingai pasiūlė metodą, tačiau tai buvo žmogaus darbas, skirtas išvalyti duomenis ir interpretuoti šališkumą.
Dažnos klaidos
- Metrikos nesekimas: įvertinimas ir niekada nematuojamas tikslumas. Prognozė be matavimo negali būti pagerinta.
- Žiūrint į MAPE: šališkumo nepaisymas. Kryptinė (sisteminė) klaida tyliai išpučia inventorių.
- Klaidingas AI sudarytų skaičių skaičiavimams: Nepatvirtinti atgalinio patikrinimo ir metrinės vertės su kodu.
- Neišvalyti nuokrypio / reklamos: klaidingai laikote vienkartinę kampaniją įprastu reikalavimu ir mokykite jos modelį.
- Overfit: kai sudėtingas modelis puikiai tinka praeityje, bet prastai veikia ateityje. Laikykite paprastą modelį kaip etaloną.
Apibendrinant
- Pasirinkite prognozės metodą pagal serijos charakterį (stacionarus, tendencingas, sezoninis); Visada pradėkite lygindami save su naivuoliu.
- Išmatuokite tikslumą naudodami MAE/RMSE/MAPE, bet taip pat stebėkite poslinkį: krypties paklaida yra pati brangiausia.
- Naudokite AI metodų rekomendacijoms ir kodų generavimui; Prognozę nustatykite kaip išmatuojamą priemonę, o ne „pranašystę“.
- Atgalinis patikrinimas yra tikrasis modelio pasitikėjimo patikrinimas; Būtinai patikrinkite skaitmeninius rezultatus naudodami kodą.
- Žmogaus darbas yra išvalyti duomenis (išskirtinis, paaukštinimas) ir interpretuoti rezultatą; AI praleidžia šiuos veiksmus.
Taikymo užduotis
Turėkite bent 18–24 periodų paklausos eilutes (tikra arba tikroviška fantastika). Pirma, duokite AI seriją ir paprašykite interpretuoti jos charakterį (tendenciją / sezoniškumą) ir pasiūlykite du metodus. Tada naudokite galingą „atgalinio patikrinimo plano“ raginimą, kad paskutinius 6 laikotarpius rezervuotumėte kaip testus ir palygintumėte bent du metodus. Svarbus žingsnis: perskaičiuokite MAPE ir poslinkio reikšmes, kurias grąžino AI, naudodami „Excel“ arba „Python“ ir palyginkite jas su AI išvestimi. Jei radote neatitinkantį skaičių, užsirašykite jį. Galiausiai, interpretuokite šališkumo ženklą: ar jūsų modelis pervertina ar neįvertina, ir ką tai daro jūsų inventoriui?