Добивки:
- Способност да се разликуваат методите за прогнозирање на побарувачката (просек во движење, експоненцијално измазнување, сезонска состојба)
- Способност за поставување сценарија за предвидување со вештачка интелигенција и оценување на точноста со метрика како MAPE/MAE
- Способност за вкрстување на прогнозните резултати со деловен контекст и промотивни/сезонски ефекти
Прогнозирањето на побарувачката е основа на која се заснова планирањето на производството, управувањето со залихите и целиот синџир на снабдување. Погрешното прогнозирање е скапо во двата правци: преценувањето создава трошоци за залихи и трошење, потценувањето води до изгубена продажба и незадоволство на клиентите. Вештачката интелигенција помага на многу места во процесот на прогнозирање, од избор на метод до толкување на историски податоци и генерирање сценарија; Но, гледањето на прогнозата како „магична кристална топка“ е најголемата грешка. Во оваа единица, ќе ги опфатиме класичните методи на прогнозирање, како правилно да се изградат со вештачка интелигенција и како да се измери точноста.
Кратка карта на методи за предвидување
Не секоја серија барања се однесува исто; Некои се рамни, некои имаат трендови, некои се сезонски. Неопходно е да се избере методот според серијата.
Метод
Кога е соодветно?
Внимание
Наивен (последна вредност)
За споредба (репер)
Не го следи трендот/сезоната
подвижен просек
Статична, бучна серија
Доцна реагира на трендот
Експоненцијално измазнување (SES)
Стационарна серија, акцент на податоците во близина
Добро ако нема тренд
Холт (двојно експоненцијално)
Трендовски серии
Не ја фаќа сезоната
Holt-Winters
Тренд + сезона
Потребни се доволно историски податоци
Регресија/ML
Мулти-променливи, промоција ефикасна
Ризик од прекумерно вклопување
Совет: Секогаш почнувајте со „наивна“ претпоставка. Ако вашиот комплексен модел не е подобар од наивната претпоставка, не вреди да ја носите сложеноста. Naive е бесплатен репер за мерење на точноста.
Како ја мериме точноста? (Метрика)
Прецизноста на предвидувањето не може да се подобри без да се измери. Најчестите метрики:
- MAE (средна апсолутна грешка): Просекот на апсолутната вредност на грешките. Единицата е иста како и единицата за побарувачка.
- RMSE (Root Mean Square Error): Повеќе ги казнува поголемите грешки.
- MAPE (средна апсолутна процентна грешка): во проценти; Добро за споредба помеѓу ставки, но искривено кога побарувачката е блиску до нула.
- Пристрасност: Просечна грешка; Покажува дали постојано претерувате/потценувате.
Мал примерок сметка. Нека вистинската побарувачка е [100, 120, 90], прогнозата е [110, 115, 100]:
Грешки (вистински - прогноза): -10, +5, -10Апсолутни грешки: 10, 5, 10 → MAE = 25 / 3 ≈ 8,33Процентни грешки: 10/100, 5/120, 10/90 = 10%, 1% PE = 11%. 4,17 + 11,11) / 3 ≈ 8,43%Пристрасност = (-10 + 5 - 10) / 3 = -5 → преценување во просек (предвидување > реално)
Негативната пристрасност (вистинска минус проценка) покажува дека проценката е постојано преценета; Ова значи инфлација на залихите. Ваквите грешки во насоката може да се сокријат во MAPE, така што тие се гледаат заедно.
Градење на Процесот на прогнозирање со вештачка интелигенција
Може да користите вештачка интелигенција најефикасно на две места: (1) за да ги погледнете податоците и да предложите соодветен метод и активности што треба да се преземат и (2) да генерирате код за предвидување. За предлог метод:
Улога: Вие сте индустриски инженер искусен во предвидување на побарувачката. Задача: Испитајте ги долунаведените серии на месечни продажби и препорачајте го соодветниот метод на прогнозирање. Оценете дали има тренд и сезонско, напишете го вашето оправдување. Податоци (месечни, последните 24 месеци): {{ values }}Дополнителни информации: Во декември има промоција, побарувачката се намалува во летните месеци. Излезот што го сакам:1. Коментар за ликот на серијата (стабилен/трендинг/сезонски).2. 2 препорачани методи и зошто.3. Која метрика за точност треба да ја следам?4. Стапици на кои треба да внимавам (надворешно, промотивен ефект). Правило: Не ветувајте апсолутна точност без да ги видите податоците.
Слаба навестување / Силен навестување
Слаба навестување:
Колку ќе продадам следниот месец?
Ова не содржи ниту податоци ниту контекст; ВИ или го отфрла или враќа целосно измислен број. Таквиот излез е опасен бидејќи изгледа доверлив.
Моќен потсетник:
Предвидете ги следните 3 месеци користејќи ја логиката Holt-Winters со оваа 24-месечна серија. Должината на сезоната е 12. Прво напишете ги претпоставките на методот, потоа дадете ја прогнозата, а потоа пресметајте ја MAPE со заден тест на последните 6 месеци. Одделно означете ги месеците за промоција. Податоци: {{ ... }}
Второто барање бара и предвидување и колкава доверба да му се верува на тоа предвидување (бектестирање). Ова го трансформира предвидувањето од „пророк“ во мерлива алатка.
Повторно тестирање: Мерка на доверба во предвидувањето
Вистинскиот тест за предвидување е во минатото, а не во иднината. Податоците што ги имате ги делите на два: градење модел (воз) и тестирање. Моделот го градиш со првото парче, го предвидуваш следниот период и го споредуваш со реалноста. Оваа логика на „оддржување“ открива дали моделот навистина функционира или не.
Поставете едноставен план за заден тест за следните серии: издвојте ги последните 6 месеци како тестирање, обучете 3 различни методи (наивни, SES, Holt-Winters) со преостанатите податоци, пресметајте MAPE и пристрасност за секој во текот на периодот на тестирање и направете споредбена табела. Напишете го победничкиот метод и образложението.
Внимавајте: вештачката интелигенција понекогаш може да ги „предвиди“ резултатите од заден тест и да ви претстави готов графикон; односно може да составува броеви кои изгледаат разумни без всушност да ги пресмета. Не заборавајте да ги репродуцирате нумеричките резултати со код (Python/Excel). Јазичниот модел не врши веродостојна долга аритметика.
Мини случај: Преголем залихи на сезонски производ
Компанија за дистрибуција на храна се жали дека секоја година во зима има премногу залихи на сезонски производ како сладолед. Индустрискиот инженер Елиф дава 3 години месечни податоци на вештачката интелигенција и бара да го оцени карактерот на серијата. Вештачката интелигенција детектира силна сезона (летен врв) и благ годишен тренд на раст, сугерира Холт-Винтерс. Елиф го генерира предвидувањето во Пајтон и го тестира назад: MAPE е 14%, но пристрасноста е значително негативна - моделот постојано претскажува. Кога истражува зошто, открива дека периодот на кампања во историските податоци го помешал како „нормален“ и го научил моделот на превисока основа. Кога ќе го отстраниме ефектот на кампањата и ќе го обновиме моделот, пристрасноста се намалува и зимската залиха значително се намалува. Лекција: ВИ го предложи методот правилно, но човечка работа беше да се исчистат податоците и да се интерпретира пристрасноста.
Вообичаени грешки
- Не се следи метриката: се проценува и никогаш не се мери точноста. Предвидувањето без мерење не може да се подобри.
- Само гледајќи во MAPE: Игнорирање на пристрасност. Насоката (систематска) грешка тивко го надувува инвентарот.
- Грешка на бројките направени од вештачката интелигенција за пресметки: Не потврдување на заден тест и метрички вредности со код.
- Нечистење на надворешноста/промоција: Погрешување на еднократната кампања како нормално барање и предавање на тоа на моделот.
- Overfit: кога сложен модел совршено се вклопува во минатото, но има слаби перформанси во иднина. Чувајте го едноставниот модел како репер.
Сумирано
- Изберете го методот на прогноза според карактерот на серијата (стационарна, во тренд, сезонска); Секогаш почнувајте така што ќе се споредувате со наивен.
- Мерете ја точноста со MAE/RMSE/MAPE, но исто така и пристрасност на следење: грешката во насока е најскапа.
- Користете вештачка интелигенција за препораки за метод и генерирање код; Поставете ја прогнозата како мерлива алатка, а не како „пророштво“.
- Backtesting е вистински тест за тоа колку самодоверба може да има еден модел; Погрижете се да ги потврдите нумеричките резултати со код.
- Човечката работа е да ги исчисти податоците (надвор, промоција) и да го протолкува резултатот; ВИ ги прескокнува овие чекори.
Задача за апликација
Имајте барем серија од 18-24 периоди (вистинска или реалистична фикција). Прво, дајте ѝ ја серијата на вештачката интелигенција и замолете ја да го протолкува нејзиниот карактер (тренд/сезона) и да предложи два методи. Потоа користете ја моќната порака „план за заден тест“ за да ги резервирате последните 6 периоди како тестови и да споредите најмалку два методи. Критичен чекор: Повторно пресметајте ги MAPE и вредностите на пристрасност вратени од вештачката интелигенција со Excel или Python и споредете ги со излезот на AI. Ако најдете број кој не се совпаѓа, запишете го. Конечно, протолкувајте го знакот на пристрасност: дали вашиот модел се преценува или потценува, и што прави ова со вашиот инвентар?