Ieguvumi:
- Spēja izprast laika rindu, tendenču, sezonalitātes un kampaņas ietekmes jēdzienus un izmantot mākslīgo intelektu pieprasījuma prognozēšanai ar pareiziem jautājumiem un tīriem datiem.
- Spēja interpretēt prognožu precizitāti (MAPE, novirze) un nenoteiktību (uzticamības intervāls, scenāriji) un balstīt plānošanu uz diapazonu, nevis uz vienu skaitli
- Spēja atšķirt, ka mākslīgā intelekta prognozes balstās uz vēsturiskiem datiem un ka ekspertu spriedums tiek izvirzīts priekšplānā tādu pārtraukumu gadījumos kā jauni produkti, veicināšanas pasākumi vai piegādes krīzes.
Katrs lēmums piegādes ķēdē ir balstīts uz vienu jautājumu: cik liels būs pieprasījums? Jo precīzāk atbildēsit uz šo jautājumu, jo mazāk krājumu jums ir, jo mazāk akciju jūs paliksit ārpus tā un jo mazāk naudas piesaistīsit. Pieprasījuma prognozēšana ir piegādes ķēdes dzinējspēks; No šejienes tiek nodrošināti krājumi, pirkšanas, ražošanas un transportēšanas plāni. Mākslīgais intelekts šajā jomā ir ārkārtīgi spēcīgs, jo tas skenē tūkstošiem produktu vēsturi daudz ātrāk nekā cilvēks un iegūst modeļus. Taču tā spēka avots ir arī tās robeža: AI mācās no pagātnes; Ja nākotne nelīdzinās pagātnei, tā ir nepareiza. Šajā nodaļā mēs apgūsim prognožu valodu, mērīšanas precizitāti, nenoteiktības pārvaldību un to, kur mākslīgajam intelektam vajadzētu nodoties jums.
Prognozēšanas valoda: laikrindas, tendence, sezonalitāte
Pieprasījuma dati parasti ir laikrindas — skaitļu sērija, kas sakārtota pēc laika, piemēram, katras produkta pārdošanas apjoms dienā. Šīs secības sadalīšana trīs daļās ir prognozes pamatā:
Tendence, ilgtermiņa virziens: vai pārdošanas apjomi gadu no gada palielinās vai samazinās? Sezonalitāte, regulāri atkārtojas svārstības: saldējumu pārdod vasarā, sildītāju pārdod ziemā; Piektdien un sestdien tirdziņš ir rosīgs. Troksnis, neizskaidrojama nejauša atskaņošana. Laba prognoze atspoguļo tendences un sezonalitāti, un to nemaldina troksnis. Papildus tam krājas notikumi: kampaņa, akcija, valsts svētki, laikapstākļi, konkurentu kustība. Kad jūs AI prognozējat, jums ir jāpastāsta par šiem notikumiem; Ja tu viņam to neteiksi, viņš uzskatīs, ka lēkāšana kampaņas dienā ir "normāla" un kļūdīsies par nākotni.
Padoms. Sniedzot neapstrādātus pārdošanas datus AI, atzīmējiet kampaņas, brīvdienas un dienas, kad nav noliktavā. Diena bez krājumiem ir svarīga: pārdošanas apjomi tajā dienā šķiet zemi, bet reālais pieprasījums bija augsts, vienkārši nebija pieejamas preces. Ja jūs to nenorādīsit, AI nepietiekami novērtēs faktisko pieprasījumu.
Mērīšanas precizitāte: MAPE un novirze
"Vai prognoze ir laba?" Atbilde uz jautājumu nāk no mērīšanas, nevis sajūtas. Visizplatītākais rādītājs ir MAPE (Mean Absolute Percent Error — par procentu punktiem vidēji atšķiras prognozes no realitātes). Ja MAPE ir 10%, tas nozīmē, ka jūsu prognozes neatbilst reālajai vērtībai vidēji par 10%; zemāks MAPE ir labāks. Otrs svarīgais jēdziens ir neobjektivitāte: vai jūsu prognoze konsekventi pārsniedz realitāti (rada pārmērīgu krājumu) vai nepietiekamu krājumu (atstāt no krājumiem)? Pat ja prognozei ir zems MAPE, ja tā vienmēr novirzās vienā virzienā, pastāv sistemātiska problēma.
Jūs varat piešķirt AI daļu vēstures kā "apmācību" un daļu no tās kā "pārbaudi" un salīdzināt tās prognozes ar realitāti. Tas ir godīgs veids, kā vairot uzticību: modeļa testēšana ar datiem, ko tas nav redzējis. Prognoze ir derīga tikai tad, ja tā pagātnē ir izrādījusies konsekventa.
Uzmanību: neviena prognoze nav 100% precīza; Nav paredzams, ka tas notiks. Mērķis nav izveidot perfektu vienu skaitli, bet gan pārvaldāmu diapazonu, zinot novirzi. Binārā ideja "prognoze piepildījās/tas nedarbojās" ir nepareiza; Pareizais jautājums ir "cik daudz tas novirzījās un cik daudz bufera es attiecīgi saglabāju?"
Nenoteiktības pārvaldība: diapazons, nevis viens skaitlis
Plānotāja visbīstamākais ieradums ir uzskatīt prognozi par vienu cietu skaitli. Patiesībā katrai prognozei ir ticamības intervāls, piemēram, “pieprasījums nākamajā mēnesī, visticamāk, ir no 900 līdz 1100”. Jo plašāks šis diapazons, jo lielāka ir nenoteiktība. Diapazona zināšana tieši ietekmē jūsu lēmumu par krājumiem: šauram diapazonam ir nepieciešams mazāks drošības krājums, plašam diapazonam ir nepieciešams vairāk bufera.
Tāpēc vienmēr jautājiet AI scenārijiem: pesimistiski (ja pieprasījums izrādās zems), gaidīts un optimistisks (ja pieprasījums izrādās augsts). Ņemot vērā trīs scenārijus, plāns ir balstīts nevis uz vienu pieņēmumu, bet gan uz virkni iespējamo iespēju. Tas ir vispraktiskākais veids, kā izkļūt no "ieslēgtā viena numura" slazda.
Soli pa solim: pieprasījuma prognozēšanas pētījums ar AI
- Notīrīt datus. Atzīmējiet trūkstošās dienas, dienas, kad nav noliktavā, atveriet kļūdainos ierakstus; Strādājiet ar anonīmu produkta kodu.
- Atzīmē notikumus. Pievienojiet datiem kampaņas, svētku un veicināšanas dienas.
- Atņemiet modeli. Lūdziet AI apkopot tendences, sezonalitāti un ievērojamus notikumus.
- Pārbaudi to. Saglabājiet pēdējo vēstures daļu, ļaujiet AI paredzēt, salīdziniet ar realitāti (MAPE un novirzes virziens).
- Izveidojiet scenāriju. Lūdziet trīs prognozes, pesimistiskas/gaidāmas/optimistiskas, un katrai ticamības intervālu.
- Ekspertu filtrs. AI nezina par zināmiem gaidāmajiem traucējumiem (jauns produkts, piegādes krīze, likumdošana); pievienojiet tos manuāli. Galīgais plāns ir jūsu.
trīs mini futrāļi
1. gadījums — sezonalitātes fiksēšana. Dzērienu izplatītājs sūdzējās, ka vasaras mēnešos viņam pastāvīgi nav noliktavu, bet ziemā viņam ir palikušas preces. Plānotājs piešķīra YZ anonīmu ikdienas pārdošanu 3 gadus, un sezonalitāte tika noņemta: pieprasījums no jūnija līdz augustam bija 2,4 reizes lielāks par ziemas vidējo rādītāju, un lēciens sākās katru gadu maija vidū. Saskaņā ar šo modeli viņš izveidoja savus vasaras krājumus 3 nedēļas iepriekš; vasaras nedzīvais krājums samazinājās par 70%, ziemas nedzīvais krājums samazinājās. AI parādīja modeli; Lēmumu par krājumiem pieņēma plānotājs.
2. gadījums — piekāpšanās jaunajam produktam. Uzņēmums grasījās laist klajā pavisam jaunu produktu; Nebija vēsturisku pārdošanas datu. Plānotājs AI jautāja: "Kāds būs pieprasījums pirmajos 3 mēnešos?" viņš jautāja. AI radīja skaitli, kas šķita saprātīgs, taču plānotājs zināja, ka tas nav pamatots: nebija datu. Tā vietā AI jautā: "Kāds bija pirmais 3 mēnešu produktu modelis, kas agrāk tika izlaists līdzīgos segmentos?" analīzi un iestatiet to kā prognožu diapazonu ar piesardzīgu sākuma krājumu. Ekspertu spriedums atcēla AI fiktīvo uzticību.
3. gadījums — bez krājumiem ir dienas slazds. Analītiķis secināja, ka pieprasījums pēc produkta ir samazinājies, un ieteica samazināt krājumus. Viņa vecākais kolēģis pamanīja, ka datos norādītās zemās pārdošanas dienas patiesībā bija dienas, kurās nebija noliktavas: pieprasījums nebija samazinājies, preču nebija. Kad dati tika laboti ar šo piezīmi un atkārtoti nodoti AI, bija redzams, ka reālais pieprasījums pieauga. Nepareizi notīrīti dati rada nepareizas prognozes.
Četras kopējamas veidnes
1) Raksta ekstrakcija:
Jūsu loma: pieprasījuma plānošanas analītiķa asistents. Tālāk ir norādīti ikmēneša pārdošanas dati par produktu (anonīms kods: PRODUCT-X) par pēdējiem 36 mēnešiem. Kampaņas mēneši [mēnešu saraksts], mēneši bez krājumiem [mēnešu saraksts]. Uzdevums: Apkopojiet (1) tendenci, (2) sezonālo modeli, (3) ievērojamākos notikumus. Ņemiet vērā, ka mēneši bez krājumiem slēpj patieso pieprasījumu. Mēnesis, par kuru es nesniedzu datus, ir safabricēts.
2) Precizitātes pārbaude:
Paredziet pēdējos 6 mēnešus, izmantojot pirmos 30 no tālāk norādītajiem 36 mēnešiem. Pēc tam salīdziniet manu prognozi ar faktiskajiem pēdējiem 6 mēnešiem; Aprēķiniet novirzi un kopējo MAPE katram mēnesim. Pastāstiet man, vai jūsu aprēķins ir konsekventi neobjektīvs. Rādīt formulu.
3) Scenārija prognoze:
Aprēķiniet nākamā ceturkšņa ikmēneša pieprasījumu pēc šī produkta 3 scenārijos: pesimistisks / gaidāms / optimistisks. Katram scenārijam norādiet ticamības intervālu un pierakstiet, uz kuru pieņēmumu tas ir balstīts. Ņemiet vērā, ka tas nav galīgs, bet gan plānošanas intervāls.
4) Pārrāvuma kontrole:
Uzskaitiet, kā prognozi, kas balstīta uz vēsturiskajiem datiem, ko es jums sniedzu, varētu padarīt nederīgu šādu gaidāmo notikumu dēļ: [jauns produkts / veicināšana / piegādes krīze / regulējuma izmaiņas]. Iesakiet, kā manuāli pielāgot prognozi katram.
Vāja uzvedne / spēcīga uzvedne
Vāja uzvedne:
Cik es pārdošu nākamajā mēnesī?
Nav datu, nav produkta, nav konteksta. AI vai nu noraida, vai izdomā; neviens rezultāts nedarbojas.
Spēcīga uzvedne:
Jūsu loma: pieprasījuma plānošanas palīgs. Tālāk ir norādīti PRODUCT-X pārdošanas apjomi pēdējo 24 mēnešu laikā; Tiek atzīmēti akcijas mēneši un mēneši bez krājumiem. Sniedziet pesimistisku/paredzamu/optimistisku prognozi nākamajiem 3 mēnešiem, pievienojiet katram ticamības intervālu, parādiet MAPE salīdzinājumā ar iepriekšējo testu. Izliecieties, ka man ir galīgais lēmums par akciju.
Pieeja
hit
nenoteiktības pārvaldība
Risks
paļauties uz vienu numuru
maldinošs
Nav
Augsts — plāns sabrūk
Scenārijs + diapazons
reālistisks
labi
zems
tikai intuīcija
Mainīgs
vājš
vidēji augsts
Akli paklausa AI
Mainīgs
Nav
augsts
Biežas kļūdas
- Sajaucot krājumu izpārdošanas dienu ar reāli zemu pieprasījumu. Ja preces nav pieejamas, pārdošanas apjoms šķiet zems; Tas nenozīmē, ka pieprasījums ir samazinājies.
- Bloķēšana vienā ciparā. Uzskatīt pareģojumu kā absolūtu patiesību nozīmē ignorēt nenoteiktību; Vienmēr jautājiet diapazonam un scenārijam.
- Neatzīmē kampaņu. Modelis, kurš domā, ka reklāmas atlēciens ir "normāls", izkropļo nākotni.
- Prognoze par jaunu produktu bez vēstures. Šķietami drošais mākslīgā intelekta skaits produktam bez datiem ir nepamatots.
- Pārraušanu atstājot AI. AI nezina strukturālus pārtraukumus, piemēram, epidēmijas, piegādes krīzes un tiesību aktus; Ir jāveic speciālista iejaukšanās.
Uzmanību: lai cik laba izskatās prognoze, tā nevar būt labāka par to datu kvalitāti, uz kuriem tā ir balstīta. "Atkritumi iekšā, atkritumi ārā." Pavadiet lielāko daļu sava laika datu tīrīšanai; Modeļa daļa dara pārējo.
Rezumējot
Pieprasījuma prognozēšana ir piegādes ķēdes dzinējspēks, un AI ir spēcīgs palīgs, kas paātrina šo dzinēju. Bet AI mācās no pagātnes; maldās, ja nākotne nelīdzinās pagātnei. Tveriet tendences un sezonalitāti, atzīmējiet notikumus, mēriet precizitāti ar MAPE un novirzes virzienu, iestatiet prognozi kā scenāriju un diapazonu, nevis vienu skaitli. Ekspertu spriedums ir pirmais attiecībā uz jauniem produktiem un strukturāliem pārtraukumiem. Datu tīrīšana ir visa pamatā; Galīgais plāns ir jūsu.
Lietojumprogrammas uzdevums
Iegūstiet sava produkta (vai hipotētiska produkta) pārdošanas datus par pēdējiem 12–24 mēnešiem, atzīmējiet kampaņu un mēnešus, kad nav noliktavā. Jautājiet AI par trim scenārijiem, izmantojot veidni “scenārija prognozēšana”. Pēc tam saglabājiet daļu vēstures, izmantojot veidni Precizitātes pārbaude, un salīdziniet prognozi ar realitāti. Pierakstiet atrasto MAPE un izvēlēto scenāriju, kā arī tā iemeslu 5 punktos; Norādiet arī, kuru drošības buferi pievienosit.
kontrolsaraksts
- [ ] Vai esmu notīrījis datus, atzīmējis izbeigšanas un kampaņas dienas?
- [ ] Vai esmu apstiprinājis prognozi ar MAPE un novirzes virzienu, izmantojot atpakaļpārbaudi?
- [ ] Vai es prasīju scenāriju un ticamības intervālu, nevis vienu skaitli?
- [ ] Ja ir jauns produkts/lūzis, vai es esmu noteicis eksperta spriedumu par prioritāti?
- [ ] Vai galīgo krājumu plānu esmu apstiprinājis pats?