Ieguvumi:
- Spēja sagatavot pieprasījuma prognozes projektu uz SKU bāzes ar mākslīgā intelekta atbalstu, apvienojot vēsturiskos pārdošanas datus, sezonālos efektus un ārējos faktorus.
- Spēja interpretēt prognožu precizitāti (MAPE, neobjektivitāte) un atšķirt pārvērtēšanas un nenovērtēšanas sekas uzņēmējdarbībā
- Spēja apgalvot, ka mākslīgā intelekta radītā prognoze ir prognoze un gala lēmums par pasūtījumu pieder pārvaldniekam kopā ar krājumu izmaksām un naudas plūsmu.
Mazumtirdzniecībā ir divas visdārgākās kļūdas: glabāt pārāk daudz krājumu un ļaut naudai nīkuļot plauktā vai neuzglabāt pietiekami daudz krājumu un atstāt klientu tukšām rokām. Abiem ir viens un tas pats avots: slikta pieprasījuma prognozēšana. Šajā nodaļā jūs uzzināsiet, kā izmantot mākslīgo intelektu kā spēcīgu palīgu, kas prognozē nākotni no pagātnes pārdošanas. Bet teiksim no sākuma: pareģojums nav pareģojums, bet gan varbūtības pareģojums. AI dod jums numuru; Jūsu uzdevums ir pārvērst šo numuru pasūtīšanas lēmumā.
Pieprasījuma prognozēšana: tas ir uzdevums paredzēt, cik daudz produkta vai kategorijas tiks pārdots nākotnē, aplūkojot vēsturiskos datus un ietekmējošos faktorus.
SKU (Stock Keeping Unit): tas ir unikāls krājuma kods, kas tiek glabāts katram atšķirīgajam produkta variantam. Piemēram, “sarkanas, 42. izmēra kedas” ir SKU; Tā paša modeļa numurs 43 ir atsevišķs SKU.
Trīs informācijas avoti, kas baro prognozi
Laba prognoze apvieno trīs lietas:
- Vēsturiskie pārdošanas apjomi (bāzes līmenis): produkta iknedēļas/mēneša pārdošanas apjomi pēdējo 12–24 mēnešu laikā. AI no šīs sērijas iegūst "normālu" līmeni.
- Sezonas un kalendāra ietekme: brīvdienas, mācību periods, vasara-ziema, nedēļas nogale, algas diena. Piemēram, vasarā palielinās saldējums un ziemā palielinās zeķes.
- Ārējie faktori: kampaņa, cenu izmaiņas, laikapstākļi, konkurentu kustība, atvēršana/slēgšana. Tie nospiež tāmi uz augšu vai uz leju.
Padoms. Nestāstiet tikai AI "mēs pagājušajā mēnesī pārdevām 100". Sakiet: "Mēs pagājušajā mēnesī pārdevām 100, bet bija 20% atlaide, un tā bija brīvdienu nedēļa." Bez konteksta prognozes ir maldinošas.
Soli pa solim prognožu ģenerēšana
- Sagatavojiet datus: anonīma, tīra tabula: datums, SKU, pārdotais daudzums, cena, akcija/bez akcijas, pieejamība. Atzīmējiet dienas, kad noliktavā nav; Pretējā gadījumā mākslīgais intelekts domās, ka diena ir "zems pieprasījums".
- Piešķiriet kontekstu: pierakstiet sezonu, gaidāmos notikumus, plānotās kampaņas.
- Pieprasīt prognozi: pieprasiet prognozi un ticamības intervālu (sliktākais/labākais scenārijs) konkrētam periodam pēc SKU vai kategorijas.
- Mērījumu precizitāte: salīdziniet savas pagātnes prognozes ar realitāti (MAPE tālāk).
- Pārvērtiet to par lēmumu: apvienojiet tāmi ar drošības krājumiem un budžetu un pieņemiet lēmumu par pasūtīšanu.
Prognožu nolasīšanas precizitāte: MAPE un neobjektivitāte
MAPE (Mean Absolute Percent Error): parāda prognožu vidējo procentuālo novirzi no faktiskā pārdošanas apjoma. Formula ir vienkārša: |faktiskais − prognoze| katram periodam / reāls ir to vidējais rādītājs.
- MAPE 10% → aplēses novirzās vidēji par 10%, diezgan labi.
- MAPE 40% → prognozes ir neuzticamas, pasūtījuma lēmuma pieņemšanai nepieciešams vairāk bufera (drošības krājuma).
Virziens (neobjektivitāte): vai jūsu prognoze ir konsekventi augstāka (pārmērīga krājuma risks) vai zemāka (krājumu uzkrāšanās risks) ir realitāte? Noskaties arī šo; MAPE nerāda virzienu.
Statuss
Nozīme
biznesa rezultāts
Pastāvīgi augsts novērtējums
Jūs pārspīlējat pieprasījumu
Krājumu pārpalikums, sabrukums, peļņas zudums
Pastāvīga nenovērtēšana
Jūs nenovērtējat pieprasījumu
Noliktavā nav, izpārdošana, neapmierinātība
Augsta MAPE, līdzsvarots virziens
Nenoteiktība ir augsta
Palieliniet drošības krājumus, regulāri pārskatiet
Zema MAPE
precīza prognoze
Mazāki krājumi, labāka nauda
mini futrāļi
1. gadījums — trūkst sezonalitātes: pārtikas veikals pasūta skolas piezīmju grāmatiņas, pamatojoties uz pagājušā gada jūlija pārdošanas apjomu (200 vienības mēnesī). Ja mākslīgajam intelektam tiek dots konteksts "Augusts-septembris mācību semestrī, pārdošanas apjomi šajā periodā pagājušajā gadā četrkāršojās", prognoze pieaug līdz 780 vienībām, nevis 200. Pateicoties pareizajam pasūtījumam, mācību gada laikā krājumi nebeidzas; Šogad tiek ķerts prognozētais apgrozījums 60 000 TL apmērā, kas izkļuva iepriekšējā gadā.
2. gadījums — neskaitot izbeigšanas dienu: veikalā 3 nedēļas nebija populāras kafijas. Aplūkojot neapstrādātos datus, mākslīgais intelekts uzskata, ka šīs nedēļas ir “5 pārdošanas nedēļā” un sniedz zemu novērtējumu. Kad analītiķis atzīmē dienas bez krājumiem un saka "šīs nedēļas neatspoguļo pieprasījumu", prognoze palielinās līdz 45 nedēļām. Parādās reāls pieprasījums.
3. gadījums — kampaņas efekta vispārināšana: tekstila ķēde 50% atlaižu nedēļas izpārdošanu (600 vienības) uzskata par "normālu" un pastāvīgi pasūta 600. Kad mākslīgajam intelektam saka "šī pārdošana veikta ar vienreizēju kampaņu, parastā nedēļa ir 180", prognoze tiek labota. Ir novērsts krājumu pārpalikumu un sekojošu uzcenojuma zudumu risks.
Prognožu horizonts: cik tālu jūs varat redzēt uz priekšu?
Prognozes horizonts: cik tālu nākotnē tiek veikta prognoze. Noteikums ir vienkāršs: jo garāks horizonts, jo lielāka nenoteiktība. Jūs salīdzinoši precīzi prognozējat nākamās nedēļas pārdošanas apjomus; sešus mēnešus vēlāk ar daudz plašāku klāstu. Tāpēc izvēlieties prognozes horizontu atbilstoši pasūtījuma lēmuma nepieciešamībai: īss horizonts un bieža atjaunināšana svaigam produktam, kas ātri beidzas; Garāks horizonts un plašāka drošības robeža importētajam produktam ar ilgu izpildes laiku.
Vēl viena svarīga atšķirība ir jaunu produktu prognozēšana. Jauna SKU iepriekš nav pārdota; šajā gadījumā jūs sniedzat AI līdzīgu produktu vēsturi (analogu), kategorijas vidējo vērtību un palaišanas plānu. Sakot: “Šim produktam nav vēstures; sniedziet sākotnējo aprēķinu, aplūkojot līdzīgu produktu X un Y pirmās 8 nedēļas” ir saprātīgs veids, kā aizpildīt tukšo lauku. Tomēr jaunu produktu prognozēšana vienmēr ir riskantāka; Ātri pārskatiet prognozi, kad kļūst pieejami faktiskie dati par pirmajām nedēļām.
Uzmanību! Neuztveriet aprēķinu kā attieksmi “izdari to vienreiz un aizmirsti”. Pieprasījuma prognozēšana ir dzīvs process; Katra jauna pārdošanas nedēļa ir iespēja atjaunināt prognozi. Labākie prognozētāji ir tie, kuri izmanto to, kas tiek atjaunināts visbiežāk, nevis gudrāko modeli.
Vāja uzvedne / spēcīga uzvedne
Vāja uzvedne:
Pastāstiet man, cik šī prece tiks pārdota nākamajā mēnesī.
Nav konteksta; AI veido nejaušu skaitli.
Spēcīga uzvedne:
Jūsu loma: pieprasījuma plānošanas speciālists. Dati: tālāk ir norādīts ikmēneša pārdošanas apjoms un cena par pēdējiem 18 mēnešiem SKU 4471, kā arī tas, vai šajā mēnesī ir kampaņa. Konteksts: Šis produkts ir vasaras sandales; Pieprasījuma maksimums maijā-augustā. Nākamais mēnesis ir jūnijs. Kampaņa nav plānota. Cena ir fiksēta.Uzdevums: (1) sagaidāmais pārdošanas apjoms jūnijā, (2) sliktākais un labākais scenārija diapazons, (3) 2 galvenie faktori, kas ietekmē prognozi.Noteikums: Neskaitiet mēnešus, kas atzīmēti kā noliktavā izbeigušies, kā zemu pieprasījumu.Pamatojoties tikai uz dotajiem datiem.Dati: [ielīmēt tabulu]
Kopējamas uzvedņu veidnes
1) Uz SKU balstīta prognoze
Jūsu loma: pieprasījuma plānošanas speciālists. Ģenerējiet nākotnes [period] prognozi [SKU] no tālāk norādītajām anonīmajām ikmēneša pārdošanas sērijām. Rezultāts: paredzamais daudzums + sliktākais/labākais diapazons + 2 pieņēmumi. Izslēdziet periodus, kas atzīmēti kā nav noliktavā. Dati: [ielīmēt]
2) Sezonas rakstu noņemšana
Atrodiet periodisko sezonālo modeli zemāk esošajā 24 mēnešu pārdošanas sērijā. Kuri mēneši ir augstākie un kuri mēneši ir zemākie? Norādiet novirzi no vidējā procentos. Norādiet to tabulas veidā. Dati: [ielīmēt]
3) Prognožu precizitātes novērtējums
Zemāk ir manas vēsturiskās aplēses un faktiskie pārdošanas apjomi. (1) Aprēķiniet MAPE, (2) vai mana prognoze pastāvīgi mainās uz augšu vai uz leju, (3) ko tas nozīmē krājumam? Rādīt soli pa solim.Dati: [aprēķins, faktiskās kolonnas]
4) Izņemiet kampaņas ietekmi
Kampaņas nedēļas ir atzīmētas zemāk esošajā pārdošanas sērijā. Novērtēt normālu (ne kampaņas) pieprasījumu; Norādiet kampaņas efektu kā atsevišķu popularizēšanas procentu. Tāpēc es vēlos redzēt parasto pasūtījuma līmeni. Dati: [ielīmēt]
Biežas kļūdas
- Nenorāda kontekstu: Ja kampaņa, sezona, cenas izmaiņas nav norādītas, prognoze būs maldinoša.
- Vai dienas, kurās nav noliktavas krājumus, skaitīt kā pieprasījumu: Krājumu trūkuma periods slēpj reālo pieprasījumu; atzīme.
- Reklāmas izpārdošanas pieņemšana kā parasti: domājot, ka vienreizējs palielinājums ir pastāvīgs, radīsies lieks krājums.
- Paļaušanās uz vienu skaitli: nevēlēšanās diapazons (scenārijs) un paļaušanās uz vienu punktu slēpj risku.
- Mērīšanas precizitāte vispār netiek veikta: ja MAPE un virziens netiek uzraudzīts, prognoze kļūst arvien sliktāka.
- Tiešo pasūtījumu veikšana ar tāmēm: Pasūtīšana bez skaidras naudas, noliktavas un glabāšanas laika kontrole.
Rezumējot
Laba prognozēšana apvieno iepriekšējos pārdošanas apjomus, sezonalitāti un ārējos faktorus. Noteikti norādiet AI kontekstu (kampaņa, sezona, dienas, kad nav noliktavā). Monitora prognozes precizitāte ar MAPE un novirzes virzienu; Palieliniet drošības krājumus lielās nenoteiktības apstākļos. Prognoze ir prognoze; Galīgais pasūtīšanas lēmums, kā arī budžets un ierobežojumi ir jūsu ziņā.
Lietojumprogrammas uzdevums
Anonīmā tabulā iegūstiet savu 5 vislabāk pārdoto SKU pārdošanas apjomus par pēdējiem 12–18 mēnešiem un atzīmējiet preču izsniegšanas un kampaņas periodus. Ģenerējiet nākotnes prognozi, izmantojot uzvedni “1) Uz SKU balstīta prognoze, pēc tam izņemiet savu iepriekšējo prognožu MAPE, izmantojot “3) Prognozes precizitātes novērtējums”. Salīdziniet rezultātu ar savu pasūtījuma lēmumu.
kontrolsaraksts
- [ ] Es anonimizēju un notīrīju savus pārdošanas datus.
- [ ] Es atzīmēju izpārdošanas un kampaņas periodus.
- [ ] Es piešķīru AI sezonu un ārējo faktoru kontekstu.
- [ ] Es gribēju scenāriju diapazonu, nevis vienu skaitli.
- [ ] Es pārbaudīju MAPE un pagrieziena virzienu.
- [ ] Pasūtīšanas lēmumu pieņēmu, pamatojoties uz budžetu un ierobežojumiem.