Ieguvumi:
- Izprotiet AI un NLP lomu tendenču signālu izgūšanā no sociālajiem medijiem, meklēšanas datiem un pārdošanas vēstures
- Spēja konfigurēt pieprasījuma prognozēšanu un scenāriju iestatīšanu uz SKU pamata ar laikrindu metodēm
- Spēja pārbaudīt tendences un prognozēt rezultātus, izmantojot pārdošanas apjomu, krājumu datus un biznesa spriedumus
Mode pēc savas būtības ir derības uz nākotni. Kolekcija tiek plānota mēnešus iepriekš, audums tiek pasūtīts jau laikus, ražošana tiek veikta pirms veikala. Ja prognoze ir nepareiza, pastāv divu veidu ciešanas: pārpalikums (nepārdotas preces, atlaides, iznīcināšana) un nepietiekams krājums (nav pārdodamu preču, zaudēti ieņēmumi). AI palīdz samazināt šo nenoteiktību: tas iegūst tendenču signālus no sociālajiem medijiem, meklēšanas datiem un pārdošanas vēstures un prognozē pieprasījumu pēc produkta. Bet mode ir cilvēka uzvedība; Neviens modelis nevar garantēt vīrusu brīdi vai ekonomisko šoku. Šajā nodaļā mēs disciplinēti apspriedīsim tendenču analīzi un pieprasījuma prognozēšanu.
No kurienes nāk tendences signāls?
Tendenču analīzes izejmateriāls ir dažādi datu avoti. Sociālie mediji un vizuālās platformas: kura krāsa, siluets, motīvs kļūst arvien redzamāks. Meklēšanas dati: tas, ko cilvēki meklē, ir agrīna nodoma signāls. Pārdošanas vēsture: kas tiek pārdots jūsu veikalā, kad, kurā reģionā. Tendenču pakalpojumi (piem., nozares publikācijas): prognozes ar ekspertu komentāriem. Konkurences/tirgus dati: ko piedāvā konkurenti.
Mākslīgais intelekts šeit veic divus darbus. Tas izvelk tēmu un noskaņojumu no teksta un tagiem ar dabiskās valodas apstrādi (NLP) (“sarunas par šo krāsu pieaug, tonis ir pozitīvs”). Tā apkopo krāsu, rakstu un silueta tendences no attēliem, izmantojot attēlu analīzi. Tie visi ir signāli, nevis pierādījumi. Signāls ir trokšņains; Mobilitāti vienā platformā nevar nodrošināt cita klientu bāze.
Padoms. Vienmēr filtrējiet tendences signālu, pamatojoties uz savu klientu bāzi un pārdošanas datiem. Augoša tendence globālā platformā var nebūt derīga jūsu reģionā un cenu segmentā. “Visi to dara” nav stratēģija.
Pieprasījuma prognoze: SKU, laikrindas un nenoteiktība
Pieprasījuma prognozēšana parasti tiek veikta SKU (noliktavu glabāšanas vienība; konkrēta produkta krāsu un izmēru kombinācija) līmenī. Pamata pieeja ir laikrindu analīze: nākotnes prognozēšana no pagātnes pārdošanas modeļa laika gaitā (tendence, sezonalitāte, cikls). Šo darbu veic klasiskās metodes (slīdošais vidējais, eksponenciālā izlīdzināšana, ARIMA) un mašīnmācīšanās metodes.
Kritiskais punkts: labs novērtējums nav viens skaitlis, bet gan diapazons un varbūtība. Tā vietā, lai "pārdos 1200 no šī SKU", "80% iespēja 950-1450" ir daudz noderīgāka, jo tā ļauj pieņemt lēmumu par akciju, pamatojoties uz riska apetīti. Visefektīvākais veids, kā pārbaudīt modeļa izlaidi, ir atpakaļpārbaude: modeļa apmācība ar datiem no pagātnes datuma un to salīdzināšana ar nākamo faktisko pārdošanu. Ja modelis pagātnē nav labi prognozējis, tas ir neuzticams nākotnē.
Jauniem produktiem (bez pārdošanas vēstures) prognozēšana ir grūtāka; Līdzīgu produktu vēstures (analogais) un tendences signāls tiek izmantots kopā, taču nenoteiktība ir liela, un tas ir jāpieņem.
Soli pa solim: tendences un prognozes darbplūsma
- Apkopojiet un notīriet datus. Pārdošana, atgriešana, krājumi, kampaņu kalendārs un tendenču signāli.
- Atšķiriet sezonalitāti un tendenci. Cik lielu daļu pārdošanas veido sezona un cik liela ir faktiskā tendence.
- Ģenerēt prognozi (intervālu). Paredzamā vērtība un ticamības intervāls pēc SKU.
- Atpakaļpārbaude. Izmērīt modeļa vēsturisko precizitāti; Ja slikti, atgriezieties pie vienkārša modeļa.
- Pareizi ar biznesa spriedumu. Manuāli pievienojiet modelim zināmos notikumus (jauns veikals, kampaņa, piegādes problēma).
- Skatīties un atjaunināt. Pārskatiet prognozi, tiklīdz parādās faktiskais pārdošanas apjoms (slīdošā prognoze).
Trīs mini futrāļi: pēc skaitļiem
1. gadījums — lieko krājumu samazināšana. Zīmols katru sezonu ražoja pārāk daudz krāsu grupas un sezonas beigās to pārdeva ar 40% atlaidi. Pretpārbaudīts SKU aprēķins ar vēsturiskiem pārdošanas apjomiem liecināja, ka tie ražo vairāku izmēru pārprodukciju, nevis to, ka tie bija zemāki par pieprasījumu šajā krāsā. Izlabojot izmēru sadalījumu, diskontētās pārdošanas likme samazinājās no 40% līdz 26%.
2. gadījums — nepareizs signāls. Viena komanda ieviesa neona nokrāsu kolekcijā, kas eksplodēja visā sociālajā platformā; Globālais signāls bija spēcīgs. Taču viņu pašu klientu bāze (klasiskais, nobriedis segments) nepieņēma šo toni; Partija tika saglabāta. Tika ieviests noteikums, lai filtrētu nākamās sezonas tendences signālu ar saviem pārdošanas datiem. Nodarbība: signāls ir maldinošs bez segmentiem.
3. gadījums — intervāla prognozēšanas vērtība. Kad pircējs veica pasūtījumu, pamatojoties uz prognozi "pārdot 1000 vienības", modelis sniedza 80% diapazonu no 700 līdz 1400. Pircējs redzēja risku un saglabāja pirmo pasūtījumu 800 un plānoja ātru papildināšanu atbilstoši pārdošanas tendencei; Tas izvairījās gan no pārpalikuma, gan no nepietiekamības. Decembris pieņēma gudrākus lēmumus nekā nepāra skaitļi.
Vāja uzvedne / spēcīga uzvedne
Vāja uzvedne:
Pastāsti man, ko pārdos nākamajā sezonā.
Spēcīga uzvedne:
Jūsu loma: Modes plānošanas analītiķis. Zemāk ir pēdējo 3 gadu ikmēneša pārdošanas dati (SKU, daudzums), kampaņu kalendārs un šīs sezonas tendences. Uzdevums: 1) Atdaliet sezonalitāti un tendenci, īsi paskaidrojiet. 2) Sniedziet nākamās sezonas prognozi attiecīgajiem SKU; NAV PIELIKUMS, bet gan kā 80% ticamības intervāls.3) Kā jūs iesakāt man pārbaudīt jūsu prognozi?4) Kuri no tendenču signāliem varētu būt riskanti mūsu klientu segmentā? Neveidojiet to, kas nav datos. Dati: [tabula]
Spēcīga uzvedne nodrošina intervālu prognozēšanu, atpakaļpārbaudes ieteikumu un segmentu filtru; Tas neuzliek precīzu precizitāti.
Kopējamas veidnes
1) Sezonalitātes sadalījums:
Atdaliet tendenci, sezonalitāti un neregulāro komponentu šajā ikmēneša pārdošanas sērijā un īsi komentējiet katru. Grafikas vietā sniedziet skaitlisku kopsavilkumu. Sērija: [dati]
2) Intervāla prognoze:
Ģenerēt nākamo [n] perioda prognozi nākamajam SKU. Norādiet paredzamo vērtību un 80% ticamības intervālu katram periodam. Skaidri uzskaitiet savus pieņēmumus. Vēsture: [dati]
3) Atpakaļpārbaudes iestatīšana:
Uzrakstiet pieprasījuma prognozēšanas modeļa atpakaļpārbaudes plānu: apmācības/pārbaudes atšķirība, kļūdu metrika (piem., MAPE), pieņemšanas slieksnis. Iesakiet arī vienkāršu siloģisma modeli (naivs). Konteksts: [produkts, datu lielums]
4) Tendenču segmentu filtrs:
Novērtējiet šos tendenču signālus atbilstoši mūsu klientu segmentam (vecums, cena, stils): kuri ir spēcīgi, kuri riskanti/nesvarīgi? Pievienojiet pamatojumu katram un iesakiet apstiprinājumu ar pārdošanas datiem. Signāli: [saraksts]
Avotu un uzticamības tabula
Datu avots
Ko tas signalizē?
jauda
robeža
Pašu pārdošanas vēsture
reāls pieprasījums
augsts
Nav jaunajā produktā
zvanu dati
agrs nodoms
vidējs
Var neatgriezties pie pirkuma
sociālie mediji
Redzamība/emocija
vidējs
Segmenta novirze, troksnis
Tendenču pakalpojumi
eksperta prognoze
vidējs
Publisks, atvērts ikvienam
Konkurenta/tirgus dati
Pozicionēšana
vidējs
aizkavēta, daļēja
Uzmanību: neviena prognoze negarantē nākotni. Vīrusu brīdis, laika prognoze, ekonomiskais šoks vai piegādes krīze var apmānīt pat labāko modeli. Izmantojiet aprēķinu kā varbūtības rīku; Neaizmirstiet akli pieturēties pie viena skaitļa un nepārskatiet plānu, tiklīdz parādās faktiskie pārdošanas apjomi.
Biežas kļūdas
- Akli uzticoties precīzai prognozei. Diapazons un varbūtība ļauj pieņemt gudrākus lēmumus.
- Tendences signāla saņemšana bez segmentu filtrēšanas. Globālā tendence var neattiekties uz jūsu auditoriju.
- Neveic atpakaļpārbaudi. Modelis, kas agrāk bija slikts, nākotnē nebūs uzticams.
- Sezonalitātes jaukšana ar tendenci. Ja sezonālo izaugsmi sajauc ar pastāvīgu izaugsmi, rodas pārprodukcija.
- Nepārskatot plānu. Prognoze ir jāatjaunina, tiklīdz ienāks faktiskais pārdošanas apjoms.
Rezumējot
Modes tendenču analīze un pieprasījuma prognozēšana ir mēģinājums samazināt nākotnes likmju nenoteiktību. AI iegūst tendences no vairāku avotu signāla (sociālie saziņas līdzekļi, meklēšana, pārdošana) un veido pieprasījuma prognozi pēc SKU; Bet signālam ir jāiziet cauri segmenta filtram, pareģojumam jābūt ar atstarpi un jāveic atpakaļpārbaude. Modelis ir iespējamības instruments, nevis pravietis; galīgais lēmums par akcijām un riska apetīte paliek biznesa spriedumos.
Lietojumprogrammas uzdevums
Izveidojiet fiktīvu (vai reālu) trīs gadu ikmēneša SKU pārdošanas sēriju. Lietojiet šīs vienības veidnes "sezonalitātes sadalījums" un "intervālu prognozēšana". Apskatiet AI sniegto prognožu diapazonu un rindkopā paskaidrojiet, kurā diapazonā jūs kā pircējs veiktu pirmo pasūtījumu un kāpēc (riska apetīte). Vienā teikumā uzrakstiet arī, kā jūs pārbaudītu šo prognozi.
kontrolsaraksts
- [ ] Prognozes vērtēju ar diapazonu un varbūtību, nevis punktveida.
- [ ] Es filtrēju tendenču signālus ar savu klientu segmentu.
- [ ] Es apstiprinu modeļus, izmantojot atpakaļpārbaudi.
- [ ] Es nošķiru sezonalitāti un pastāvīgu tendenci.
- [ ] Es pārskatu plānu, tiklīdz ir ienākuši faktiskie pārdošanas apjomi.