Pelnas:
- Supraskite AI ir NLP vaidmenį ištraukiant tendencijų signalus iš socialinės žiniasklaidos, paieškos duomenų ir pardavimų istorijos
- Galimybė konfigūruoti paklausos prognozavimą ir scenarijų sąranką SKU pagrindu naudojant laiko eilučių metodus
- Gebėjimas patikrinti tendencijas ir prognozuoti produkciją pagal pardavimo realizavimą, atsargų duomenis ir verslo sprendimus
Mada pagal savo prigimtį yra lažinantis dėl ateities. Kolekcija planuojama iš anksto, audinys užsakomas gerokai iš anksto, gamyba atliekama prieš parduotuvę. Jei prognozė klaidinga, yra dviejų tipų kančios: perteklius (neparduotos prekės, nuolaida, sunaikinimas) ir atsargų trūkumas (nėra parduodamų prekių, negautos pajamos). AI padeda sumažinti šį neapibrėžtumą: jis ištraukia tendencijų signalus iš socialinės žiniasklaidos, paieškos duomenų ir pardavimų istorijos bei numato paklausą pagal produktą. Tačiau mada yra žmogaus elgesys; Joks modelis negali garantuoti virusinio momento ar ekonominio šoko. Šiame skyriuje disciplinuotai aptarsime tendencijų analizę ir paklausos prognozavimą.
Iš kur ateina tendencijų signalas?
Tendencijos analizės žaliava yra įvairūs duomenų šaltiniai. Socialinės medijos ir vaizdinės platformos: kurios spalvos, silueto, motyvo matomumas didėja. Paieškos duomenys: tai, ko žmonės ieško, yra ankstyvas ketinimo signalas. Pardavimų istorija: kas parduodama jūsų parduotuvėje, kada, kokiame regione. Tendencijos paslaugos (pvz., pramonės leidiniai): prognozės su ekspertų komentarais. Konkurencijos / rinkos duomenys: ką konkurentai išleidžia.
Dirbtinis intelektas čia atlieka du darbus. Jis išgauna temą ir jausmus iš teksto ir žymų su natūralios kalbos apdorojimu (NLP) („kalbų apie šią spalvą daugėja, tonas yra teigiamas“). Jis renka spalvų, raštų ir siluetų tendencijas iš vaizdų, analizuodamas vaizdą. Visa tai yra signalai, o ne įrodymas. Signalas yra triukšmingas; Mobilumas vienoje platformoje negali būti abipusis kitos klientų bazės.
Patarimas: visada filtruokite tendencijos signalą pagal savo klientų bazę ir pardavimo duomenis. Didėjanti tendencija pasaulinėje platformoje gali būti netinkama jūsų regione ir kainų segmente. „Visi tai daro“ nėra strategija.
Paklausos prognozė: SKU, laiko eilutė ir neapibrėžtumas
Paklausos prognozavimas paprastai atliekamas SKU (atsargų laikymo vienetas; konkretus konkretaus produkto spalvų ir dydžio derinys) lygiu. Pagrindinis metodas yra laiko eilučių analizė: ateities numatymas pagal praeities pardavimų modelius laikui bėgant (tendencija, sezoniškumas, ciklas). Klasikiniai metodai (slenkamasis vidurkis, eksponentinis išlyginimas, ARIMA) ir mašininio mokymosi metodai atlieka šį darbą.
Kritinis taškas: geras įvertinimas yra ne vienas skaičius, o diapazonas ir tikimybė. Vietoj „parduos 1 200 šio SKU“, „80% tikimybė, kad bus 950–1 450“, yra daug naudingesnė, nes ji leidžia priimti sprendimą dėl akcijų pagal rizikos apetitą. Pats patikimiausias būdas patikrinti modelio išvestį yra atgalinis patikrinimas: modelio apmokymas naudojant ankstesnės datos duomenis ir palyginimas su kitu realiu pardavimu. Jei modelis praeityje nebuvo gerai numatęs, jis bus nepatikimas ateityje.
Naujų produktų (be pardavimų istorijos) prognozavimas yra sunkesnis; Panašių produktų istorijos (analoginis) ir tendencijų signalas naudojami kartu, tačiau neapibrėžtumas yra didelis ir su tuo reikia susitaikyti.
Žingsnis po žingsnio: tendencijos ir prognozės darbo eiga
- Surinkite ir išvalykite duomenis. Pardavimas, grąžinimas, atsargos, kampanijos kalendorius ir tendencijų signalai.
- Atskirkite sezoniškumą ir tendenciją. Kiek pardavimų sudaro sezonas, o kiek – faktinė tendencija.
- Sukurti prognozę (intervalą). Numatyta vertė ir pasikliautinasis intervalas pagal SKU.
- Atgalinis testas. Išmatuoti istorinį modelio tikslumą; Jei blogai, grįžkite prie paprasto modelio.
- Teisingas su verslo sprendimu. Neautomatiškai pridėkite žinomus įvykius (naują parduotuvę, kampaniją, tiekimo problemą) prie modelio.
- Žiūrėti ir atnaujinti. Patikslinkite prognozę, kai tik pasirodys faktiniai pardavimai (slenkanti prognozė).
Trys mini dėklai: pagal numerius
1 atvejis – atsargų pertekliaus sumažinimas. Prekės ženklas kiekvieną sezoną gamindavo per daug spalvų grupės ir sezono pabaigoje parduodavo su 40 % nuolaida. Patikrintas SKU įvertinimas su istoriniais pardavimais parodė, kad jie gamino keliais dydžiais per daug, o ne tai, kad jie sumažino tos spalvos paklausą. Pataisius dydžių pasiskirstymą diskontuotų pardavimų norma sumažėjo nuo 40% iki 26%.
2 atvejis – neteisingas signalas. Viena komanda suteikė neoninį atspalvį kolekcijai, kuri sprogo visoje socialinėje platformoje; Pasaulinis signalas buvo stiprus. Tačiau jų pačių klientų bazė (klasikinis, brandus segmentas) nepriėmė šio tono; Partija buvo išlaikyta. Buvo įvesta taisyklė filtruoti kito sezono tendencijų signalą pagal savo pardavimo duomenis. Pamoka: signalas yra klaidinantis be segmentų.
3 atvejis – intervalo prognozavimo reikšmė. Kai pirkėjas pateikė užsakymą, remdamasis „parduoti 1000 vienetų“ taško prognoze, modelis suteikė 80% diapazoną nuo 700 iki 1400. Pirkėjas pamatė riziką ir išlaikė pirmąjį užsakymą 800 ir planavo greitą papildymą pagal pardavimo tendenciją; Taip išvengta ir perteklinių, ir perteklinių atsargų. Gruodis priėmė protingesnius sprendimus nei nelyginiai skaičiai.
Silpnas raginimas / stiprus raginimas
Silpnas raginimas:
Pasakyk man, kas bus parduota kitą sezoną.
Galingas raginimas:
Jūsų vaidmuo: mados planavimo analitikas. Žemiau pateikiami paskutinių 3 metų mėnesio pardavimo duomenys (SKU, kiekis), kampanijos kalendorius ir šio sezono tendencijų pastabos. Užduotis: 1) Atskirkite sezoniškumą ir tendenciją, trumpai paaiškinkite. 2) Pateikite atitinkamų SKU kito sezono prognozę; NE SVARBU, o kaip 80 % pasikliautinąjį intervalą.3) Kaip rekomenduotumėte patikrinti jūsų prognozę? 4) Kurie iš tendencijų signalų gali būti rizikingi mūsų klientų segmente? Neapgalvokite to, ko nėra duomenyse. Duomenys: [lentelė]
Galingas raginimas ragina nuspėti intervalą, siūlyti atgalinį testą ir segmentų filtrą; Tai nereikalauja tikslaus tikslumo.
Kopijuojami šablonai
1) Sezoniškumas:
Atskirkite tendencijas, sezoniškumą ir nereguliarus komponentus šioje mėnesio pardavimo serijoje ir trumpai pakomentuokite kiekvieną. Pateikite skaitinę santrauką, o ne grafinę. Serija: [duomenys]
2) Intervalo prognozė:
Sugeneruoti kito [n] laikotarpio prognozę kitam SKU. Nurodykite kiekvieno laikotarpio numatomą vertę ir 80 % pasikliautinąjį intervalą. Aiškiai išvardykite savo prielaidas. Istorija: [duomenys]
3) Atgalinio patikrinimo sąranka:
Parašykite paklausos prognozavimo modelio atgalinio patikrinimo planą: mokymo/testo skirtumą, klaidų metriką (pvz., MAPE), priėmimo slenkstį. Taip pat pasiūlykite paprastą silogizmo modelį (naivus). Kontekstas: [produktas, duomenų dydis]
4) Tendencijos segmento filtras:
Įvertinkite šiuos tendencijų signalus pagal mūsų klientų segmentą (amžių, kainą, stilių): kurie stiprūs, kurie rizikingi/nesvarbūs? Pridėkite kiekvieno pagrindimą ir pasiūlykite patvirtinimą su pardavimo duomenimis. Signalai: [sąrašas]
Šaltinio ir patikimumo lentelė
Duomenų šaltinis
Ką tai signalizuoja?
galia
siena
Savo pardavimo istorija
reali paklausa
aukštas
Ne naujame gaminyje
skambučio duomenis
ankstyvas ketinimas
vidutinis
Gali negrįžti pirkti
socialinė žiniasklaida
Matomumas/emocija
vidutinis
Segmento nuokrypis, triukšmas
Tendencijos paslaugos
eksperto prognozė
vidutinis
Vieša, atvira visiems
Konkurentų/rinkos duomenys
Padėties nustatymas
vidutinis
uždelstas, dalinis
Atsargiai: jokios prognozės negarantuoja ateities. Virusinė akimirka, orų prognozė, ekonominis šokas ar tiekimo krizė gali apgauti net geriausią modelį. Naudokite įvertinimą kaip tikimybių įrankį; Aklai neprisiriškite prie vieno skaičiaus ir persvarstykite planą, kai tik pasirodys realūs pardavimai.
Dažnos klaidos
- Aklai pasitikėjimas tiksliu prognozavimu. Diapazonas ir tikimybė leidžia priimti protingesnius sprendimus.
- Tendencijos signalo gavimas be segmentų filtravimo. Pasaulinė tendencija gali netikti jūsų auditorijai.
- Neatlieka atgalinio patikrinimo. Modelis, kuris buvo blogas praeityje, yra nepatikimas ateityje.
- Sezoniškumo klaidinimas su tendencija. Sezoninį augimą painiojus su nuolatiniu augimu, susidaro perprodukcija.
- Plano nekeitimas. Prognozė turėtų būti atnaujinta, kai tik pasirodys faktiniai pardavimai.
Apibendrinant
Mados tendencijų analizė ir paklausos prognozavimas – tai pastangos sumažinti statymo dėl ateities neapibrėžtumą. AI išskiria tendencijas iš kelių šaltinių signalo (socialinės medijos, paieškos, pardavimo) ir sukuria paklausos prognozes pagal SKU; Tačiau signalas turi praeiti per segmento filtrą, numatymas turi būti atskirtas ir patikrintas atgal. Modelis yra galimybių įrankis, o ne pranašas; galutinis sprendimas dėl akcijų ir rizikos apetitas lieka verslo sprendimu.
Taikymo užduotis
Sukurkite fiktyvią (arba tikrą) trejų metų mėnesio SKU pardavimo seriją. Taikykite „sezoniškumo skaidymo“ ir „intervalų prognozavimo“ šablonus iš šio įrenginio. Pažvelkite į AI pateiktą prognozės diapazoną ir pastraipoje paaiškinkite, kurioje diapazone jūs, kaip pirkėjas, pateiktumėte pirmąjį užsakymą ir kodėl (rizikos apetitas). Taip pat vienu sakiniu parašykite, kaip galėtumėte patikrinti šią prognozę.
kontrolinis sąrašas
- [ ] Prognozes vertinu intervalu ir tikimybe, o ne taškiniu būdu.
- [ ] Aš filtruoju tendencijų signalus pagal savo klientų segmentą.
- [ ] Patvirtinu modelius atlikdamas atgalinį testavimą.
- [ ] Skiriu sezoniškumą ir nuolatinę tendenciją.
- [ ] Patikslinu planą, kai atsiranda realūs pardavimai.