Pelnas:
- Gebėjimas suprasti laiko eilučių, tendencijų, sezoniškumo ir kampanijos poveikio sąvokas ir naudoti dirbtinį intelektą paklausos prognozavimui su tinkamais klausimais ir švariais duomenimis.
- Gebėjimas interpretuoti prognozės tikslumą (MAPE, nuokrypis) ir neapibrėžtumą (pasitikėjimo intervalą, scenarijus) ir planuoti remiantis diapazonu, o ne vienu skaičiumi
- Galimybė atskirti, kad dirbtinio intelekto numatymas grindžiamas istoriniais duomenimis ir kad ekspertų nuomonė išryškėja pertraukų, pvz., naujų produktų, akcijų ar tiekimo krizių, atvejais.
Kiekvienas sprendimas tiekimo grandinėje grindžiamas vienu klausimu: kiek bus paklausa? Kuo tiksliau atsakysite į šį klausimą, tuo mažiau akcijų turite, tuo mažiau akcijų nepasieksite ir tuo mažiau pinigų susiesite. Paklausos prognozavimas yra tiekimo grandinės variklis; Iš čia pateikiami atsargų, pirkimo, gamybos ir transportavimo planai. Dirbtinis intelektas šioje srityje yra nepaprastai galingas, nes daug greičiau nei žmogus nuskaito tūkstančių produktų istoriją ir išgauna raštus. Tačiau jo galios šaltinis yra ir jo riba: AI mokosi iš praeities; Jei ateitis nepanaši į praeitį, tai neteisinga. Šiame skyriuje mokysimės numatymo kalbos, matavimo tikslumo, neapibrėžtumo valdymo ir kur AI turėtų pasiduoti jums.
Prognozavimo kalba: laiko eilutė, tendencija, sezoniškumas
Paklausos duomenys paprastai yra laiko eilutė – skaičių serija, suskirstyta pagal laiką, pvz., kiekvienos dienos produkto pardavimas. Šios sekos padalijimas į tris dalis yra prognozės pagrindas:
Tendencija, ilgalaikė kryptis: kasmet pardavimai didėja ar mažėja? Sezoniškumas, reguliariai pasikartojantis svyravimas: ledai parduoda vasarą, šildytuvas parduoda žiemą; Penktadienį ir šeštadienį turgus judrus. Triukšmas, nepaaiškinamas atsitiktinis grojimas. Gera prognozė fiksuoja tendencijas ir sezoniškumą ir jos neapgauna triukšmas. Be to, kaupiasi įvykiai: kampanija, akcija, valstybinė šventė, orai, konkurentų judėjimas. Kai priverčiate dirbtinį intelektą nuspėti, turite papasakoti jai šiuos įvykius; Jei jam nepasakysite, jis manys, kad šokinėti kampanijos dieną yra „normalu“ ir suklys dėl ateities.
Patarimas: pateikdami neapdorotus pardavimo duomenis AI, pažymėkite kampanijas, šventes ir dienas, kai prekės nėra sandėlyje. Diena be atsargų yra svarbi: tą dieną pardavimai atrodo maži, tačiau reali paklausa buvo didelė, prekių tiesiog nebuvo. Jei to nenurodysite, AI neįvertins faktinės paklausos.
Matavimo tikslumas: MAPE ir šališkumas
"Ar prognozė gera?" Atsakymas į klausimą kyla iš matavimo, o ne jausmo. Dažniausias rodiklis yra MAPE (Mean Absolute Percent Error – kiek procentinių punktų vidutiniškai nukrypsta nuo realybės prognozės). Jei MAPE yra 10%, tai reiškia, kad jūsų prognozės praleidžia tikrąją vertę vidutiniškai 10%; mažesnis MAPE yra geresnis. Antra svarbi sąvoka yra šališkumas: ar jūsų prognozė nuosekliai viršija realybę (susidaro perteklinis atsargų kiekis) ar per mažas atsargas (palieka atsargas)? Net jei prognozė turi žemą MAPE, jei ji visada nukrypsta ta pačia kryptimi, yra sisteminė problema.
Galite AI dalį istorijos pateikti kaip „mokymą“, o dalį – „bandymą“ ir palyginti jos prognozes su realybe. Tai sąžiningas būdas sukurti pasitikėjimą: modelio testavimas su duomenimis, kurių jis nematė. Numatymą verta pritaikyti ateičiai tik tuo atveju, jei praeityje ji pasitvirtino.
Atsargiai: nė viena prognozė nėra 100 % tiksli; Manoma, kad taip neatsitiks. Tikslas yra ne sukurti tobulą vieną skaičių, o valdomą diapazoną, žinant nuokrypį. Dvejetainė idėja „prognozė išsipildė / nepasiteisino“ yra klaidinga; Teisingas klausimas yra "kiek jis nukrypo ir kiek buferio atitinkamai pasilikau?"
Neapibrėžtumo valdymas: diapazonas, o ne vienas skaičius
Pavojingiausias planuotojo įprotis – prognozę traktuoti kaip vieną sunkų skaičių. Tiesą sakant, kiekviena prognozė turi pasikliautinąjį intervalą, pavyzdžiui, „paklausa kitą mėnesį greičiausiai bus nuo 900 iki 1 100“. Kuo platesnis šis diapazonas, tuo didesnis neapibrėžtumas. Asortimento žinojimas tiesiogiai įtakoja jūsų sprendimą dėl atsargų: siauram diapazonui reikia mažiau saugos atsargų, plačiam diapazonui reikia daugiau buferio.
Taigi visada paklauskite AI scenarijų: pesimistinių (jei paklausa yra maža), laukiamų ir optimistinių (jei paklausa yra didelė). Matant tris scenarijus, planas grindžiamas ne viena prielaida, o daugybe galimų galimybių. Tai praktiškiausias būdas išeiti iš „užrakinto vieno skaičiaus“ spąstų.
Žingsnis po žingsnio: paklausos prognozavimo tyrimas naudojant AI
- Išvalyti duomenis. Pažymėkite trūkstamas dienas, dienas, kurių nėra sandėlyje, atidarykite klaidingus įrašus; Darbas su anoniminiu produkto kodu.
- Žymėti įvykius. Pridėkite kampanijos, atostogų ir reklamos dienas prie duomenų.
- Atimkite modelį. Paprašykite AI apibendrinti tendencijas, sezoniškumą ir svarbius įvykius.
- Išbandykite. Išsaugokite paskutinę istorijos dalį, leiskite AI nuspėti, palyginkite su realybe (MAPE ir šališkumo kryptis).
- Sukurkite scenarijų. Paprašykite trijų prognozių: pesimistinės / tikėtinos / optimistinės ir kiekvieno pasikliautinojo intervalo.
- Ekspertų filtras. AI nežino apie žinomus būsimus sutrikimus (naujas produktas, tiekimo krizė, teisės aktai); pridėti juos rankiniu būdu. Galutinis planas yra jūsų.
trys mini dėklai
1 atvejis – sezoniškumo fiksavimas. Gėrimų platintojas skundėsi, kad vasaros mėnesiais jam nuolat trūko prekių, o žiemą liko su prekių. Planuotojas suteikė YZ anoniminius kasdienius pardavimus 3 metus ir pašalino sezoniškumą: birželio–rugpjūčio mėnesiais paklausa buvo 2,4 karto didesnė už žiemos vidurkį, o šuolis prasidėjo kiekvienų metų gegužės viduryje. Pagal šį modelį jis savo vasaros atsargas sukūrė prieš 3 savaites; vasaros negyvų atsargų sumažėjo 70%, žiemos negyvų atsargų sumažėjo. AI parodė modelį; Planuotojas priėmė sprendimą dėl atsargų.
2 atvejis – pasidavimas naujam produktui. Įmonė ketino pristatyti visiškai naują produktą; Istorinių pardavimo duomenų nebuvo. Planuotojas paklausė AI: „Kokia bus paklausa per pirmuosius 3 mėnesius? – paklausė jis. AI pateikė skaičių, kuris atrodė pagrįstas, tačiau planuotojas žinojo, kad tai nepagrįsta: nebuvo duomenų. Vietoj to, AI klausia: „Koks buvo pirmasis 3 mėnesių produktų, išleistų panašiuose segmentuose, modelis praeityje? analizę ir nustatykite ją kaip prognozės diapazoną su atsargiomis pradinėmis atsargomis. Ekspertų sprendimas panaikino fiktyvų AI pasitikėjimą.
3 atvejis — be atsargų yra dienos spąstai. Analitikas padarė išvadą, kad produkto paklausa sumažėjo, ir rekomendavo sumažinti atsargas. Jo vyresnysis kolega pastebėjo, kad mažų išpardavimų dienos duomenyse iš tikrųjų buvo išpardavimo dienos: paklausa nesumažėjo, prekių nebuvo. Kai duomenys buvo pakoreguoti šiuo užrašu ir vėl pateikti AI, buvo matyti, kad reali paklausa išaugo. Netinkamai išvalyti duomenys sukuria neteisingas prognozes.
Keturi kopijuojami šablonai
1) Rašto ištraukimas:
Jūsų vaidmuo: paklausos planavimo analitiko padėjėjas. Žemiau pateikiami paskutinių 36 mėnesių produkto (anoniminis kodas: PRODUCT-X) pardavimo mėnesio duomenys. Kampanijos mėnesiai [mėnesių sąrašas], mėnesiai be atsargų [mėnesių sąrašas]. Užduotis: Apibendrinkite (1) tendenciją, (2) sezoninį modelį, (3) svarbiausius įvykius. Atsižvelkite į tai, kad mėnesiai be atsargų slepia tikrąją paklausą. Mėnuo, kurio duomenų nepateikiau, yra išgalvotas.
2) Tikslumo testas:
Numatykite paskutinius 6 mėnesius naudodami pirmuosius 30 iš 36 toliau pateiktų mėnesių. Tada palyginkite mano prognozę su faktiniais paskutiniais 6 mėnesiais; Apskaičiuokite kiekvieno mėnesio nuokrypį ir bendrą MAPE. Pasakykite man, ar jūsų įvertinimas yra nuolat šališkas. Rodyti formulę.
3) Scenarijaus prognozė:
Apskaičiuokite kito ketvirčio mėnesio šio produkto paklausą pagal 3 scenarijus: pesimistinis / numatomas / optimistinis. Nurodykite kiekvieno scenarijaus pasikliovimo intervalą ir užrašykite, kuria prielaida jis grindžiamas. Atminkite, kad tai nėra galutinis, o planavimo intervalas.
4) gedimų kontrolė:
Išvardykite, kaip mano pateiktų istorinių duomenų prognozė gali tapti negaliojančia dėl šių būsimų įvykių: [naujas produktas / reklama / tiekimo krizė / reguliavimo pakeitimas]. Pasiūlykite, kaip turėčiau rankiniu būdu koreguoti kiekvieno prognozę.
Silpnas raginimas / Stiprus raginimas
Silpnas raginimas:
Kiek parduosiu kitą mėnesį?
Nėra duomenų, nėra produkto, nėra konteksto. AI arba atmeta, arba apsisprendžia; nei rezultatas neveikia.
Galingas raginimas:
Jūsų vaidmuo: paklausos planavimo asistentas. Toliau pateikiami PRODUCT-X pardavimai per pastaruosius 24 mėnesius; Pažymėti akcijos mėnesiai ir mėnesiai be atsargų. Pateikite pesimistinę/tikėtiną/optimistinę prognozę ateinantiems 3 mėnesiams, prie kiekvieno pridėkite pasikliautinąjį intervalą, parodykite MAPE per ankstesnį testą. Apsimeskite, kad turiu galutinį sprendimą dėl akcijų.
Prieiga
pataikyti
neapibrėžtumo valdymas
Rizika
pasikliauti vienu numeriu
klaidinantis
Nėra
Aukštas — planas žlunga
Scenarijus + diapazonas
tikroviškas
geras
žemas
tik intuicija
Kintamasis
silpnas
vidutinio aukšto
Aklai paklūsta AI
Kintamasis
Nėra
aukštas
Dažnos klaidos
- Atsargų išpirkimo diena klaidinga dėl tikrai mažos paklausos. Kai prekių nėra, pardavimai atrodo maži; Tai nereiškia, kad paklausa sumažėjo.
- Užrakinimas viename skaičiuje. Matyti prognozę kaip absoliučią tiesą reiškia ignoruoti netikrumą; Visada klauskite diapazono ir scenarijaus.
- Nepažymėti kampanijos. Modelis, kuris mano, kad reklaminis atšokimas yra „normalus“, iškreipia ateitį.
- Naujo produkto numatymas be istorijos. Iš pažiūros saugus AI skaičius produktui be duomenų yra nepagrįstas.
- Sulaužymą paliekame dirbtiniam intelektui. AI nežino struktūrinių lūžių, tokių kaip epidemijos, tiekimo krizės ir teisės aktai; Turi būti atlikta specialisto įsikišimas.
Atsargiai: kad ir kaip gerai atrodytų prognozė, ji negali būti geresnė už duomenų, kuriais ji grindžiama, kokybę. „Šiukšlės į vidų, šiukšlės lauk“. Praleiskite didžiąją laiko dalį duomenų valymui; Visa kita atlieka modelio dalis.
Apibendrinant
Paklausos prognozavimas yra tiekimo grandinės variklis, o AI yra galingas asistentas, pagreitinantis šį variklį. Tačiau AI mokosi iš praeities; klysta, kai ateitis nepanaši į praeitį. Užfiksuokite tendencijas ir sezoniškumą, pažymėkite įvykius, išmatuokite tikslumą naudodami MAPE ir dreifo kryptį, nustatykite prognozę kaip scenarijų ir diapazoną, o ne kaip vieną skaičių. Ekspertų sprendimas yra pirmiausia dėl naujų produktų ir struktūrinių pertraukų. Duomenų valymas yra visko pagrindas; Galutinis planas yra jūsų.
Taikymo užduotis
Gaukite vieno iš savo produktų (arba hipotetinio produkto) paskutinių 12–24 mėnesių pardavimų duomenis, pažymėkite kampaniją ir mėnesius, kai prekės nėra sandėlyje. Paprašykite dirbtinio intelekto trijų scenarijų naudodami „scenarijaus numatymo“ šabloną. Tada išsaugokite dalį istorijos naudodami šabloną „Tikslumo testas“ ir palyginkite prognozę su tikrove. Užrašykite rastą MAPE ir pasirinktą scenarijų bei jo priežastį į 5 punktus; Taip pat nurodykite, kurį saugos buferį pridėsite.
kontrolinis sąrašas
- [ ] Ar išvaliau duomenis, pažymėjau išpardavimo ir kampanijos dienas?
- [ ] Ar patvirtinau prognozę naudodamas MAPE ir pakreipimo kryptį atlikdamas atgalinį patikrinimą?
- [ ] Ar vietoj vieno skaičiaus paprašiau scenarijaus ir pasikliautinojo intervalo?
- [ ] Jei yra naujas produktas / sugedimas, ar pirmenybę teikiu eksperto nuomonei?
- [ ] Ar aš pats patvirtinau galutinį atsargų planą?