Ieguvumi:
- Spēja atšķirt pieprasījuma prognozēšanas metodes (slīdošais vidējais, eksponenciālā izlīdzināšana, sezonalitāte)
- Spēja iestatīt prognozēšanas scenārijus ar AI un novērtēt precizitāti ar tādiem rādītājiem kā MAPE/MAE
- Spēja salīdzināt prognozes rezultātus ar biznesa kontekstu un reklāmas/sezonas ietekmi
Pieprasījuma prognozēšana ir pamats, uz kura balstās ražošanas plānošana, krājumu pārvaldība un visa piegādes ķēde. Nepareiza prognozēšana ir dārga abos virzienos: pārvērtēšana rada krājumu izmaksas un izšķērdēšanu, bet nepietiekama novērtēšana izraisa pārdošanas apjomu zudumu un klientu neapmierinātību. Mākslīgais intelekts palīdz daudzās vietās prognozēšanas procesā, sākot no metodes izvēles līdz vēsturisko datu interpretācijai un scenāriju ģenerēšanai; Bet redzēt prognozi kā "maģisku kristāla bumbu" ir lielākā kļūda. Šajā nodaļā mēs apskatīsim klasiskās prognozēšanas metodes, kā tās pareizi izveidot ar AI un kā izmērīt precizitāti.
Īsa prognozēšanas metožu karte
Ne katra prasību sērija darbojas vienādi; Dažas ir plakanas, dažas ir tendences, dažas ir sezonālas. Ir nepieciešams izvēlēties metodi atbilstoši sērijai.
Metode
Kad tas ir piemērots?
Uzmanību
Naivi (pēdējā vērtība)
Salīdzinājumam (etalons)
Neseko tendencei/sezonai
slīdošais vidējais
Statiska, trokšņaina sērija
Vēlu reaģē uz tendenci
Eksponenciālā izlīdzināšana (SES)
Stacionāras sērijas, uzsvars uz tuvumā esošajiem datiem
Labi, ja nav tendences
Holts (dubulteksponenciāls)
Moderns seriāls
Neuztver sezonu
Holts-Vinters
Tendence + sezonalitāte
Nepieciešami pietiekami vēsturiski dati
Regresija/ML
Vairāku mainīgo, veicināšana efektīva
Pārmērības risks
Padoms: vienmēr sāciet ar "naivu" minējumu. Ja jūsu sarežģītais modelis nav labāks par naivu minējumu, nav vērts uzņemties sarežģītību. Naive ir bezmaksas etalons precizitātes mērīšanai.
Kā mēs izmērām precizitāti? (Metrika)
Prognozes precizitāti nevar uzlabot bez tās mērīšanas. Visizplatītākie rādītāji:
- MAE (Mean Absolute Error): kļūdu absolūtās vērtības vidējā vērtība. Vienība ir tāda pati kā pieprasījuma vienība.
- RMSE (Root Mean Square Error): vairāk soda par lielākām kļūdām.
- MAPE (vidējā absolūtā procentuālā kļūda): procentos; Piemērots preču salīdzināšanai, bet izkropļots, kad pieprasījums ir tuvu nullei.
- Neobjektivitāte: vidējā kļūda; Norāda, vai jūs pastāvīgi pārvērtējat/par zemu novērtējat.
Neliels konta paraugs. Lai faktiskais pieprasījums ir [100, 120, 90], prognoze ir [110, 115, 100]:
Kļūdas (faktiskās — prognozes): -10, +5, -10Absolūtās kļūdas: 10, 5, 10 → MAE = 25/3 ≈ 8,33 Kļūdu procentuālā daļa: 10/100, 5/120, 10/90 = 10%, 4,17%, MAE =7 (11% + 11. 11.11) / 3 ≈ 8,43% Novirze = (-10 + 5 - 10) / 3 = -5 → vidēji pārvērtēta (prognoze > faktiskā)
Negatīvā novirze (patiesā mīnus aplēse) norāda, ka aplēse ir pastāvīgi pārvērtēta; Tas nozīmē krājumu inflāciju. Šādas virziena kļūdas var būt paslēptas MAPE, tāpēc tās tiek apskatītas kopā.
Prognozēšanas procesa izveide, izmantojot AI
AI visefektīvāk var izmantot divās vietās: (1) lai apskatītu datus un ieteiktu piemērotu metodi un veicamās darbības un (2) lai ģenerētu paredzamo kodu. Metodes ieteikumiem:
Loma: Jūs esat rūpniecības inženieris ar pieredzi pieprasījuma prognozēšanā. Uzdevums: Izpētiet tālāk norādītās ikmēneša pārdošanas sērijas un iesakiet atbilstošu prognozēšanas metodi. Izvērtē, vai ir tendence un sezonalitāte, uzraksti savu pamatojumu. Dati (mēnesī, pēdējie 24 mēneši): {{ vērtības }}Papildinformācija: decembrī ir akcija, vasaras mēnešos pieprasījums samazinās. Izvade, ko vēlos: 1. Komentārs par seriāla raksturu (stabils/trendings/sezonāls).2. 2 ieteicamās metodes un kāpēc.3. Kāda precizitātes metrika man būtu jāizseko?4. Kļūdas, no kurām man būtu jāuzmanās (ārkārtējs, reklāmas efekts). Noteikums: nesoliet absolūtu precizitāti, neredzot datus.
Vāja uzvedne / spēcīga uzvedne
Vāja uzvedne:
Cik es pārdošu nākamajā mēnesī?
Tas nesatur ne datus, ne kontekstu; AI vai nu to noraida, vai atgriež pilnībā izdomātu numuru. Šāda izvade ir bīstama, jo šķiet uzticama.
Spēcīga uzvedne:
Paredziet nākamos 3 mēnešus, izmantojot Holta-Vintera loģiku ar šo 24 mēnešu sēriju. Sezonas garums ir 12. Vispirms uzrakstiet metodes pieņēmumus, pēc tam sniedziet prognozi, pēc tam aprēķiniet MAPE, pārbaudot pēdējos 6 mēnešus. Atzīmējiet akcijas mēnešus atsevišķi. Dati: {{ ... }}
Otrajā uzvednē tiek prasīts gan pareģojums, gan tas, cik liela ir uzticēšanās šai prognozei (atpakaļpārbaude). Tas pārveido prognozi no “orākula” par izmērāmu rīku.
Atpakaļpārbaude: prognozēšanas pārliecības mērs
Patiesais prognozēšanas pārbaudījums ir pagātnē, nevis nākotnē. Jūs sadalāt savus datus divās daļās: modeļu veidošana (vilciens) un testēšana. Jūs veidojat modeli ar pirmo gabalu, paredzat nākamo periodu un salīdzināt to ar realitāti. Šī “noturēšanas” loģika atklāj, vai modelis faktiski darbojas vai nē.
Izveidojiet vienkāršu atpakaļpārbaudes plānu šādām sērijām: atstājiet pēdējos 6 mēnešus kā testēšanu, apmāciet 3 dažādas metodes (naivie, SES, Holt-Winters) ar atlikušajiem datiem, aprēķiniet MAPE un neobjektivitāti katrai testēšanas periodā un izveidojiet salīdzināšanas tabulu. Uzrakstiet uzvaras metodi un pamatojumu.
Uzmanieties: AI dažreiz var "paredzēt" atpakaļpārbaudes rezultātus un iesniegt jums gatavu diagrammu; tas ir, viņš var izdomāt skaitļus, kas šķiet saprātīgi, tos faktiski neaprēķinot. Noteikti atkārtojiet skaitliskos rezultātus ar kodu (Python/Excel). Valodas modelis neveic ilgu aritmētisko uzticamību.
Mini futrālis: sezonas produktu pārpalikums
Pārtikas izplatīšanas uzņēmums sūdzas par to, ka ziemā katru gadu ir pārāk daudz sezonas produktu, piemēram, saldējuma, krājumu. Rūpniecības inženieris Elifs sniedz AI ikmēneša datus par 3 gadiem un lūdz novērtēt sērijas raksturu. AI atklāj spēcīgu sezonalitāti (vasaras maksimumu) un nelielu gada pieauguma tendenci, norāda Holts-Vinters. Elifs ģenerē prognozi programmā Python un pārbauda to atpakaļ: MAPE ir 14%, bet novirze ir ievērojami negatīva — modelis konsekventi pārprognozē. Izpētot iemeslu, viņš atklāj, ka kampaņas periodu vēsturiskajos datos ir uzskatījis par "normālu" un mācījis modelim pārāk augstu bāzi. Kad mēs noņemam kampaņas efektu un atjaunojam modeli, novirze samazinās un ziemas krājumi ievērojami samazinās. Nodarbība: AI pareizi ieteica metodi, taču datu notīrīšana un novirzes interpretācija bija cilvēka darbs.
Biežākās kļūdas
- Metrikas neizsekošana: precizitātes novērtējums un nekad netiek mērīts. Prognozēšanu bez mērījumiem nevar uzlabot.
- Skatoties tikai uz MAPE: neobjektivitātes ignorēšana. Virziena (sistemātiska) kļūda klusi palielina inventāru.
- AI izveidoto skaitļu maldināšana aprēķiniem: ar kodu netiek apstiprinātas atpakaļpārbaudes un metrikas vērtības.
- Ārkārtas/reklāmas netīrīšana: vienreizējas kampaņas uzskatīšana par parastu pieprasījumu un tās mācīšana modelei.
- Overfit: ja sarežģīts modelis lieliski iederas pagātnē, bet slikti darbojas nākotnē. Saglabājiet vienkāršo modeli kā etalonu.
Rezumējot
- Izvēlieties prognožu metodi atbilstoši sērijas raksturam (stacionāra, tendence, sezonāla); Vienmēr sāciet, salīdzinot sevi ar naivu.
- Mēriet precizitāti ar MAE/RMSE/MAPE, bet arī uzraugiet novirzi: virziena kļūda ir visdārgākā.
- Izmantojiet AI metožu ieteikšanai un koda ģenerēšanai; Iestatiet prognozi kā izmērāmu rīku, nevis "pravietošanu".
- Atpakaļpārbaude ir īsts tests tam, cik daudz uzticības modelim var būt; Noteikti pārbaudiet skaitliskos rezultātus ar kodu.
- Cilvēka uzdevums ir iztīrīt datus (ārpusējs rādītājs, veicināšana) un interpretēt rezultātu; AI izlaiž šīs darbības.
Lietojumprogrammas uzdevums
Jābūt vismaz 18–24 periodu pieprasījuma sērijām (reāla vai reālistiska fikcija). Vispirms iedodiet AI sēriju un lūdziet interpretēt tās raksturu (tendence/sezonalitāte) un ieteikt divas metodes. Pēc tam izmantojiet "atpakaļpārbaudes plāna" jaudīgo uzvedni, lai rezervētu pēdējos 6 periodus kā testus un salīdzinātu vismaz divas metodes. Kritiskais solis: pārrēķiniet MAPE un novirzes vērtības, ko AI atgriezis pats, izmantojot Excel vai Python, un salīdziniet tās ar AI izvadi. Ja atrodat numuru, kas neatbilst, pierakstiet to. Visbeidzot, interpretējiet novirzes zīmi: vai jūsu modelis ir pārvērtēts vai nepietiekami novērtēts, un kā tas ietekmē jūsu krājumus?