ഡിമാൻഡ് പ്രവചനം: സമയ ശ്രേണി, സീസണാലിറ്റി, അനിശ്ചിതത്വം എന്നിവ കൈകാര്യം ചെയ്യുക

നേട്ടങ്ങൾ:

• സമയ ശ്രേണി, ട്രെൻഡ്, സീസണാലിറ്റി, പ്രചാരണ സ്വാധീനം എന്നിവയുടെ ആശയങ്ങൾ മനസിലാക്കാനും ശരിയായ ചോദ്യങ്ങളും ക്ലീൻ ഡാറ്റയും ഉപയോഗിച്ച് ഡിമാൻഡ് പ്രവചനത്തിനായി ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഉപയോഗിക്കാനുള്ള കഴിവ്.
• പ്രവചന കൃത്യതയും (MAPE, വ്യതിയാനം) അനിശ്ചിതത്വവും (ആത്മവിശ്വാസ ഇടവേള, സാഹചര്യങ്ങൾ) വ്യാഖ്യാനിക്കാനുള്ള കഴിവും ഒരു സംഖ്യയെക്കാൾ ഒരു ശ്രേണിയിൽ അടിസ്ഥാന ആസൂത്രണവും
• ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് പ്രവചനം ചരിത്രപരമായ ഡാറ്റയെ അടിസ്ഥാനമാക്കിയുള്ളതാണെന്നും പുതിയ ഉൽപ്പന്നങ്ങൾ, പ്രമോഷനുകൾ അല്ലെങ്കിൽ വിതരണ പ്രതിസന്ധികൾ പോലുള്ള ബ്രേക്കുകളുടെ സന്ദർഭങ്ങളിൽ വിദഗ്‌ദ്ധ വിധി മുന്നിലെത്തുന്നുവെന്നും വേർതിരിച്ചറിയാൻ കഴിയും.

വിതരണ ശൃംഖലയിലെ ഓരോ തീരുമാനവും ഒരു ചോദ്യത്തെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്: എത്ര ഡിമാൻഡ് ഉണ്ടാകും? ഈ ചോദ്യത്തിന് നിങ്ങൾ കൂടുതൽ കൃത്യമായി ഉത്തരം നൽകുന്നു, നിങ്ങളുടെ കൈവശം സ്റ്റോക്ക് കുറയുന്നു, നിങ്ങൾ കുറച്ച് സ്റ്റോക്ക് സൂക്ഷിക്കുന്നു, നിങ്ങൾ കെട്ടിവയ്ക്കുന്ന പണവും കുറയും. വിതരണ ശൃംഖലയുടെ എഞ്ചിനാണ് ഡിമാൻഡ് പ്രവചനം; സ്റ്റോക്ക്, പർച്ചേസിംഗ്, പ്രൊഡക്ഷൻ, ട്രാൻസ്പോർട്ട് പ്ലാനുകൾ എല്ലാം ഇവിടെ നിന്നാണ്. ഈ മേഖലയിൽ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് വളരെ ശക്തമാണ്, കാരണം ഇത് മനുഷ്യനെക്കാൾ വളരെ വേഗത്തിൽ ആയിരക്കണക്കിന് ഉൽപ്പന്നങ്ങളുടെ ചരിത്രം സ്കാൻ ചെയ്യുകയും പാറ്റേണുകൾ വേർതിരിച്ചെടുക്കുകയും ചെയ്യുന്നു. എന്നാൽ അതിൻ്റെ ശക്തിയുടെ ഉറവിടം അതിൻ്റെ പരിധി കൂടിയാണ്: AI ഭൂതകാലത്തിൽ നിന്ന് പഠിക്കുന്നു; ഭാവി ഭൂതകാലത്തിന് സമാനമല്ലെങ്കിൽ, അത് തെറ്റാണ്. ഈ യൂണിറ്റിൽ, പ്രവചനത്തിൻ്റെ ഭാഷ, കൃത്യത അളക്കൽ, അനിശ്ചിതത്വം നിയന്ത്രിക്കൽ, AI നിങ്ങൾക്ക് എവിടെ കീഴടങ്ങണം എന്നിവ ഞങ്ങൾ പഠിക്കും.

പ്രവചനത്തിൻ്റെ ഭാഷ: സമയ ശ്രേണി, പ്രവണത, കാലാനുസൃതത

ഡിമാൻഡ് ഡാറ്റ സാധാരണയായി ഒരു സമയ ശ്രേണിയാണ് - ഒരു ഉൽപ്പന്നത്തിൻ്റെ ഓരോ ദിവസത്തെയും വിൽപ്പന പോലെ, സമയം അനുസരിച്ച് ക്രമീകരിച്ച സംഖ്യകളുടെ ഒരു ശ്രേണി. ഈ ശ്രേണിയെ മൂന്ന് ഭാഗങ്ങളായി വിഭജിക്കുന്നത് പ്രവചനത്തിൻ്റെ അടിസ്ഥാനമാണ്:

ട്രെൻഡ്, ദീർഘകാല ദിശ: വർഷംതോറും വിൽപ്പന കൂടുകയോ കുറയുകയോ ചെയ്യുന്നുണ്ടോ? സീസണൽ, പതിവായി ആവർത്തിച്ചുള്ള ഏറ്റക്കുറച്ചിലുകൾ: ഐസ്ക്രീം വേനൽക്കാലത്ത് വിൽക്കുന്നു, ഹീറ്റർ ശൈത്യകാലത്ത് വിൽക്കുന്നു; വെള്ളി, ശനി ദിവസങ്ങളിൽ മാർക്കറ്റിൽ നല്ല തിരക്കാണ്. ശബ്‌ദം, വിശദീകരിക്കാനാകാത്ത റാൻഡം പ്ലേ. ഒരു നല്ല പ്രവചനം ട്രെൻഡും കാലാനുസൃതതയും പിടിച്ചെടുക്കുന്നു, ശബ്ദത്താൽ വഞ്ചിക്കപ്പെടുന്നില്ല. ഇവയ്‌ക്ക് മുകളിൽ, ഇവൻ്റുകൾ കുമിഞ്ഞുകൂടുന്നു: പ്രചാരണം, പ്രമോഷൻ, പൊതു അവധി, കാലാവസ്ഥ, മത്സരാർത്ഥി നീക്കം. നിങ്ങൾ AI പ്രവചിക്കുമ്പോൾ, ഈ സംഭവങ്ങൾ നിങ്ങളോട് പറയണം; നിങ്ങൾ അവനോട് പറഞ്ഞില്ലെങ്കിൽ, പ്രചാരണ ദിവസം ചാടുന്നത് "സാധാരണ" ആണെന്നും ഭാവിയെക്കുറിച്ച് തെറ്റിദ്ധരിക്കുമെന്നും അദ്ദേഹം കരുതുന്നു.

നുറുങ്ങ്: AI-ക്ക് അസംസ്‌കൃത വിൽപ്പന ഡാറ്റ നൽകുമ്പോൾ, കാമ്പെയ്‌നുകൾ, അവധി ദിവസങ്ങൾ, സ്റ്റോക്ക് ഇല്ലാത്ത ദിവസങ്ങൾ എന്നിവ അടയാളപ്പെടുത്തുക. സ്റ്റോക്കില്ലാത്ത ദിവസം പ്രധാനമാണ്: ആ ദിവസം വിൽപ്പന കുറവാണ്, പക്ഷേ യഥാർത്ഥ ഡിമാൻഡ് ഉയർന്നതാണ്, സാധനങ്ങളൊന്നും ലഭ്യമല്ല. നിങ്ങൾ ഇത് വ്യക്തമാക്കിയില്ലെങ്കിൽ, AI യഥാർത്ഥ ഡിമാൻഡിനെ കുറച്ചുകാണും.

കൃത്യത അളക്കൽ: MAPE, ബയസ്

"പ്രവചനം നല്ലതാണോ?" ചോദ്യത്തിനുള്ള ഉത്തരം അളക്കുന്നതിൽ നിന്നാണ്, വികാരമല്ല. ഏറ്റവും സാധാരണമായ സൂചകം MAPE ആണ് (മിതമായ സമ്പൂർണ്ണ ശതമാനം പിശക് - പ്രവചനങ്ങൾ യാഥാർത്ഥ്യത്തിൽ നിന്ന് വ്യതിചലിക്കുന്ന ശരാശരി എത്ര ശതമാനം പോയിൻ്റുകൾ). MAPE 10% ആണെങ്കിൽ, നിങ്ങളുടെ പ്രവചനങ്ങൾക്ക് യഥാർത്ഥ മൂല്യം ശരാശരി 10% നഷ്‌ടമായി എന്നാണ് അർത്ഥമാക്കുന്നത്; താഴെയുള്ള MAPE ആണ് നല്ലത്. രണ്ടാമത്തെ പ്രധാന ആശയം പക്ഷപാതമാണ്: നിങ്ങളുടെ പ്രവചനം സ്ഥിരമായി മുകളിലാണോ (ഓവർസ്റ്റോക്ക് ഉൽപ്പാദിപ്പിക്കുന്നത്) അല്ലെങ്കിൽ അണ്ടർസ്റ്റോക്കിംഗ് (അണ്ടർസ്റ്റോക്ക് ഉപേക്ഷിക്കുന്നത്) യാഥാർത്ഥ്യമാണോ? ഒരു പ്രവചനത്തിന് കുറഞ്ഞ MAPE ഉണ്ടെങ്കിൽപ്പോലും, അത് എല്ലായ്പ്പോഴും ഒരേ ദിശയിൽ വ്യതിചലിക്കുകയാണെങ്കിൽ, ഒരു വ്യവസ്ഥാപിത പ്രശ്നമുണ്ട്.

നിങ്ങൾക്ക് ചരിത്രത്തിൻ്റെ ഒരു ഭാഗം "പരിശീലനം" ആയും അതിൻ്റെ ഒരു ഭാഗം "ടെസ്റ്റിംഗ്" ആയും നൽകുകയും അതിൻ്റെ പ്രവചനം യാഥാർത്ഥ്യവുമായി താരതമ്യം ചെയ്യുകയും ചെയ്യാം. വിശ്വാസം വളർത്തുന്നതിനുള്ള സത്യസന്ധമായ മാർഗമാണിത്: മോഡൽ കണ്ടിട്ടില്ലാത്ത ഡാറ്റയിൽ പരീക്ഷിക്കുക. ഒരു പ്രവചനം ഭൂതകാലത്തിൽ സ്ഥിരതയുള്ളതായി തെളിയിക്കപ്പെട്ടാൽ മാത്രമേ ഭാവിയിൽ ബാധകമാകൂ.

മുന്നറിയിപ്പ്: ഒരു പ്രവചനവും 100% കൃത്യമല്ല; അത് സംഭവിക്കുമെന്ന് പ്രതീക്ഷിക്കുന്നില്ല. വ്യതിചലനം അറിഞ്ഞുകൊണ്ട് ഒരു പൂർണ്ണമായ ഒരു സംഖ്യയല്ല, നിയന്ത്രിക്കാവുന്ന ഒരു ശ്രേണി സൃഷ്ടിക്കുക എന്നതാണ് ലക്ഷ്യം. "പ്രവചനം സത്യമായി / അത് പ്രവർത്തിച്ചില്ല" എന്ന ബൈനറി ആശയം തെറ്റാണ്; "അത് എത്രമാത്രം വ്യതിചലിച്ചു, അതിനനുസരിച്ച് ഞാൻ എത്ര ബഫർ സൂക്ഷിച്ചു?" എന്നതാണ് ശരിയായ ചോദ്യം.

അനിശ്ചിതത്വം കൈകാര്യം ചെയ്യുന്നു: ശ്രേണി, ഒറ്റ സംഖ്യയല്ല

ആസൂത്രകൻ്റെ ഏറ്റവും അപകടകരമായ ശീലം, പ്രവചനത്തെ ഒരൊറ്റ ഹാർഡ് നമ്പറായി കണക്കാക്കുക എന്നതാണ്. വാസ്തവത്തിൽ, എല്ലാ പ്രവചനങ്ങൾക്കും ഒരു ആത്മവിശ്വാസ ഇടവേളയുണ്ട് - "അടുത്ത മാസം ഡിമാൻഡ് 900 നും 1,100 നും ഇടയിലായിരിക്കും". ഈ ശ്രേണി വിശാലമാകുന്തോറും അനിശ്ചിതത്വം വർദ്ധിക്കും. ശ്രേണി അറിയുന്നത് നിങ്ങളുടെ സ്റ്റോക്ക് തീരുമാനത്തെ നേരിട്ട് ബാധിക്കുന്നു: ഇടുങ്ങിയ ശ്രേണിക്ക് കുറച്ച് സുരക്ഷാ സ്റ്റോക്ക് ആവശ്യമാണ്, വിശാലമായ ശ്രേണിക്ക് കൂടുതൽ ബഫർ ആവശ്യമാണ്.

അതിനാൽ എല്ലായ്‌പ്പോഴും സാഹചര്യങ്ങൾക്കായി AI-യോട് ചോദിക്കുക: അശുഭാപ്തിവിശ്വാസം (ഡിമാൻഡ് കുറവാണെങ്കിൽ), പ്രതീക്ഷിക്കുന്നതും ശുഭാപ്തിവിശ്വാസമുള്ളതും (ഡിമാൻഡ് ഉയർന്നതാണെങ്കിൽ). മൂന്ന് സാഹചര്യങ്ങൾ കാണുമ്പോൾ, പ്ലാൻ ഒരു അനുമാനത്തിലല്ല, മറിച്ച് സാധ്യമായ സാധ്യതകളുടെ ഒരു ശ്രേണിയെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്. "ലോക്ക് ഇൻ സിംഗിൾ നമ്പർ" കെണിയിൽ നിന്ന് രക്ഷപ്പെടാനുള്ള ഏറ്റവും പ്രായോഗിക മാർഗമാണിത്.

ഘട്ടം ഘട്ടമായി: AI-യുമായുള്ള ഡിമാൻഡ് പ്രവചന പഠനം

1. ഡാറ്റ മായ്ക്കുക. കാണാതായ ദിവസങ്ങൾ, സ്റ്റോക്ക് ഇല്ലാത്ത ദിവസങ്ങൾ, തുറന്ന തെറ്റായ രേഖകൾ എന്നിവ അടയാളപ്പെടുത്തുക; അജ്ഞാത ഉൽപ്പന്ന കോഡ് ഉപയോഗിച്ച് പ്രവർത്തിക്കുക.
2. ഇവൻ്റുകൾ ടാഗ് ചെയ്യുക. ഡാറ്റയിലേക്ക് കാമ്പെയ്ൻ, അവധി, പ്രമോഷൻ ദിവസങ്ങൾ എന്നിവ ചേർക്കുക.
3. പാറ്റേൺ കുറയ്ക്കുക. ട്രെൻഡുകൾ, കാലാനുസൃതത, ശ്രദ്ധേയമായ ഇവൻ്റുകൾ എന്നിവ സംഗ്രഹിക്കാൻ AI-യോട് ആവശ്യപ്പെടുക.
4. പരീക്ഷിച്ചു നോക്കൂ. ചരിത്രത്തിൻ്റെ അവസാന ഭാഗം സംഭരിക്കുക, AI പ്രവചിക്കട്ടെ, യാഥാർത്ഥ്യവുമായി താരതമ്യം ചെയ്യുക (MAPE, ബയസ് ദിശ).
5. ഒരു രംഗം സൃഷ്ടിക്കുക. മൂന്ന് പ്രവചനങ്ങൾ ചോദിക്കുക, അശുഭാപ്തി/പ്രതീക്ഷിച്ച/ ശുഭാപ്തിവിശ്വാസം, ഓരോന്നിൻ്റെയും ആത്മവിശ്വാസം ഇടവേള.
6. വിദഗ്ദ്ധ ഫിൽട്ടർ. അറിയപ്പെടുന്ന വരാനിരിക്കുന്ന തടസ്സങ്ങളെക്കുറിച്ച് AIക്ക് അറിയില്ല (പുതിയ ഉൽപ്പന്നം, വിതരണ പ്രതിസന്ധി, നിയമനിർമ്മാണം); അവ സ്വമേധയാ ചേർക്കുക. അന്തിമ പദ്ധതി നിങ്ങളുടേതാണ്.

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - സീസണലിറ്റി ക്യാപ്ചർ ചെയ്യുന്നു. ഒരു പാനീയ വിതരണക്കാരൻ വേനൽക്കാലത്ത് സ്ഥിരമായി സ്റ്റോക്ക് തീരാറില്ലെന്നും ശൈത്യകാലത്ത് സാധനങ്ങൾ അവശേഷിപ്പിക്കാറുണ്ടെന്നും പരാതിപ്പെട്ടു. പ്ലാനർ YZ-ന് 3 വർഷത്തെ അജ്ഞാത പ്രതിദിന വിൽപ്പന നൽകി, സീസണാലിറ്റി നീക്കം ചെയ്തു: ജൂൺ-ഓഗസ്റ്റ് ഡിമാൻഡ് ശീതകാല ശരാശരിയുടെ 2.4 മടങ്ങായിരുന്നു, ഓരോ വർഷവും മെയ് പകുതിയോടെ കുതിപ്പ് ആരംഭിച്ചു. ഈ പാറ്റേൺ അനുസരിച്ച്, അവൻ തൻ്റെ വേനൽക്കാല സ്റ്റോക്ക് 3 ആഴ്ച മുമ്പ് സജ്ജമാക്കി; വേനൽക്കാല ഡെഡ് സ്റ്റോക്ക് 70% കുറഞ്ഞു, വിൻ്റർ ഡെഡ് സ്റ്റോക്ക് കുറഞ്ഞു. AI പാറ്റേൺ കാണിച്ചു; പ്ലാനർ സ്റ്റോക്ക് തീരുമാനമെടുത്തു.

കേസ് 2 - പുതിയ ഉൽപ്പന്നത്തിന് വഴങ്ങുന്നു. ഒരു കമ്പനി ഒരു പുതിയ ഉൽപ്പന്നം പുറത്തിറക്കാൻ പോവുകയായിരുന്നു; ചരിത്രപരമായ വിൽപ്പന വിവരങ്ങളൊന്നും ഉണ്ടായിരുന്നില്ല. പ്ലാനർ AI യോട് ചോദിച്ചു, "ആദ്യത്തെ 3 മാസത്തെ ആവശ്യം എന്തായിരിക്കും?" അവൻ ചോദിച്ചു. യുക്തിസഹമെന്ന് തോന്നുന്ന ഒരു സംഖ്യ AI നിർമ്മിച്ചു - പക്ഷേ അത് അടിസ്ഥാനരഹിതമാണെന്ന് പ്ലാനർക്ക് അറിയാമായിരുന്നു: ഡാറ്റയൊന്നുമില്ല. പകരം, AI ചോദിക്കുന്നു "മുമ്പ് സമാനമായ സെഗ്‌മെൻ്റുകളിൽ പുറത്തിറങ്ങിയ ഉൽപ്പന്നങ്ങളുടെ ആദ്യത്തെ 3-മാസ പാറ്റേൺ എന്തായിരുന്നു?" വിശകലനം ചെയ്ത് ഒരു പ്രവചന ശ്രേണിയായി സജ്ജീകരിക്കുക, ജാഗ്രതയോടെയുള്ള ആരംഭ സ്റ്റോക്ക്. വിദഗ്ധരുടെ വിധി AI-യുടെ സാങ്കൽപ്പിക ആത്മവിശ്വാസത്തെ അസാധുവാക്കി.

കേസ് 3 - സ്റ്റോക്കില്ലാത്തത് ദിവസത്തിൻ്റെ കെണിയാണ്. ഒരു ഉൽപ്പന്നത്തിൻ്റെ ആവശ്യം കുറഞ്ഞുവെന്ന് ഒരു അനലിസ്റ്റ് നിഗമനം ചെയ്യുകയും ഇൻവെൻ്ററി കുറയ്ക്കാൻ ശുപാർശ ചെയ്യുകയും ചെയ്തു. ഡാറ്റയിലെ കുറഞ്ഞ വിൽപ്പന ദിവസങ്ങൾ യഥാർത്ഥത്തിൽ സ്റ്റോക്ക് ഇല്ലാത്ത ദിവസങ്ങളാണെന്ന് അദ്ദേഹത്തിൻ്റെ മുതിർന്ന സഹപ്രവർത്തകൻ ശ്രദ്ധിച്ചു: ഡിമാൻഡ് കുറഞ്ഞിട്ടില്ല, ചരക്കുകളൊന്നുമില്ല. ഈ കുറിപ്പ് ഉപയോഗിച്ച് ഡാറ്റ ശരിയാക്കി AI- യ്ക്ക് വീണ്ടും നൽകിയപ്പോൾ, യഥാർത്ഥ ആവശ്യം വർദ്ധിച്ചതായി കണ്ടു. തെറ്റായി വൃത്തിയാക്കിയ ഡാറ്റ തെറ്റായ പ്രവചനങ്ങൾ ഉണ്ടാക്കുന്നു.

പകർത്താവുന്ന നാല് ടെംപ്ലേറ്റുകൾ

1) പാറ്റേൺ എക്സ്ട്രാക്ഷൻ:

നിങ്ങളുടെ റോൾ: അസിസ്റ്റൻ്റ് ഡിമാൻഡ് പ്ലാനിംഗ് അനലിസ്റ്റ്. കഴിഞ്ഞ 36 മാസത്തെ ഒരു ഉൽപ്പന്നത്തിൻ്റെ (അജ്ഞാത കോഡ്: PRODUCT-X) പ്രതിമാസ വിൽപ്പന ഡാറ്റ ചുവടെയുണ്ട്. പ്രചാരണ മാസങ്ങൾ [മാസ പട്ടിക], സ്റ്റോക്ക് രഹിത മാസങ്ങൾ [മാസ പട്ടിക]. ടാസ്ക്: (1) ട്രെൻഡ്, (2) സീസണൽ പാറ്റേൺ, (3) ശ്രദ്ധേയമായ ഇവൻ്റുകൾ സംഗ്രഹിക്കുക. സ്റ്റോക്കില്ലാത്ത മാസങ്ങൾ യഥാർത്ഥ ഡിമാൻഡ് മറയ്ക്കുമെന്ന് കണക്കിലെടുക്കുക. ഞാൻ ഡാറ്റ നൽകാത്ത മാസം കെട്ടിച്ചമച്ചതാണ്.

2) കൃത്യത പരിശോധന:

ചുവടെയുള്ള 36 മാസങ്ങളിൽ ആദ്യ 30 ഉപയോഗിച്ച് കഴിഞ്ഞ 6 മാസത്തെ പ്രവചിക്കുക. എന്നിട്ട് എൻ്റെ പ്രവചനം യഥാർത്ഥ കഴിഞ്ഞ 6 മാസവുമായി താരതമ്യം ചെയ്യുക; ഓരോ മാസത്തേയും വ്യതിയാനവും മൊത്തം MAPE യും കണക്കാക്കുക. നിങ്ങളുടെ എസ്റ്റിമേറ്റ് സ്ഥിരമായി പക്ഷപാതപരമാണെങ്കിൽ എന്നോട് പറയുക. ഫോർമുല കാണിക്കുക.

3) സാഹചര്യ പ്രവചനം:

ഈ ഉൽപ്പന്നത്തിൻ്റെ അടുത്ത പാദത്തിലെ പ്രതിമാസ ഡിമാൻഡ് 3 സാഹചര്യങ്ങളിൽ കണക്കാക്കുക: അശുഭാപ്തി / പ്രതീക്ഷിക്കുന്ന / ശുഭാപ്തിവിശ്വാസം. ഓരോ സാഹചര്യത്തിനും ഒരു ആത്മവിശ്വാസ ഇടവേള നൽകുകയും അത് ഏത് അനുമാനത്തെ അടിസ്ഥാനമാക്കിയുള്ളതാണെന്ന് എഴുതുകയും ചെയ്യുക. ഇത് നിർണായകമല്ല, ആസൂത്രണത്തിനുള്ള ഒരു ഇടവേളയാണെന്ന് ശ്രദ്ധിക്കുക.

4) ബ്രേക്കേജ് കൺട്രോൾ:

ഞാൻ നിങ്ങൾക്ക് നൽകിയ ചരിത്രപരമായ ഡാറ്റയെ അടിസ്ഥാനമാക്കിയുള്ള പ്രവചനം ഇനിപ്പറയുന്ന വരാനിരിക്കുന്ന ഇവൻ്റുകളാൽ എങ്ങനെ അസാധുവാകുമെന്ന് ലിസ്റ്റ് ചെയ്യുക: [പുതിയ ഉൽപ്പന്നം / പ്രമോഷൻ / വിതരണ പ്രതിസന്ധി / നിയന്ത്രണ മാറ്റം]. ഓരോന്നിനും വേണ്ടിയുള്ള പ്രവചനം ഞാൻ എങ്ങനെ സ്വമേധയാ ക്രമീകരിക്കണമെന്ന് നിർദ്ദേശിക്കുക.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്:

അടുത്ത മാസം ഞാൻ എത്ര വിൽക്കും?

ഡാറ്റയില്ല, ഉൽപ്പന്നമില്ല, സന്ദർഭമില്ല. AI ഒന്നുകിൽ നിരസിക്കുന്നു അല്ലെങ്കിൽ ഉണ്ടാക്കുന്നു; ഒരു ഫലവും പ്രവർത്തിക്കുന്നില്ല.

ശക്തമായ നിർദ്ദേശം:

നിങ്ങളുടെ റോൾ: ഡിമാൻഡ് പ്ലാനിംഗ് അസിസ്റ്റൻ്റ്. കഴിഞ്ഞ 24 മാസത്തെ PRODUCT-X-ൻ്റെ വിൽപ്പന ചുവടെയുണ്ട്; പ്രചാരണ മാസങ്ങളും സ്റ്റോക്ക് രഹിത മാസങ്ങളും അടയാളപ്പെടുത്തിയിരിക്കുന്നു. അടുത്ത 3 മാസത്തേക്ക് അശുഭാപ്തി/പ്രതീക്ഷിച്ച/ ശുഭാപ്തിവിശ്വാസമുള്ള പ്രവചനങ്ങൾ നൽകുക, ഓരോന്നിനും ആത്മവിശ്വാസ ഇടവേള ചേർക്കുക, കഴിഞ്ഞ പരീക്ഷയിൽ MAPE കാണിക്കുക. അന്തിമ സ്റ്റോക്ക് തീരുമാനം എനിക്കുണ്ടെന്ന് നടിക്കുക.

സമീപിക്കുക

അടിച്ചു

അനിശ്ചിതത്വ മാനേജ്മെൻ്റ്

റിസ്ക്

ഒറ്റ നമ്പറിൽ ആശ്രയിക്കുക

തെറ്റിദ്ധരിപ്പിക്കുന്നത്

ഒന്നുമില്ല

ഉയർന്ന - പ്ലാൻ തകരുന്നു

രംഗം + ശ്രേണി

റിയലിസ്റ്റിക്

നല്ലത്

താഴ്ന്ന

വെറും അവബോധം

വേരിയബിൾ

ദുർബലമായ

ഇടത്തരം-ഉയരം

AI-യെ അന്ധമായി അനുസരിക്കുന്നു

വേരിയബിൾ

ഒന്നുമില്ല

ഉയർന്നത്

സാധാരണ തെറ്റുകൾ

• സ്റ്റോക്ക്-ഔട്ട് ദിവസത്തെ യഥാർത്ഥ കുറഞ്ഞ ഡിമാൻഡ് എന്ന് തെറ്റിദ്ധരിപ്പിക്കുന്നു. സാധനങ്ങൾ ലഭ്യമല്ലാത്തപ്പോൾ, വിൽപ്പന കുറവായിരിക്കും; ഇതിനർത്ഥം ഡിമാൻഡ് കുറഞ്ഞുവെന്നല്ല.
• ഒറ്റ നമ്പറിൽ ലോക്ക് ചെയ്യുന്നു. പ്രവചനത്തെ കേവല സത്യമായി കാണുന്നത് അനിശ്ചിതത്വത്തെ അവഗണിക്കുക എന്നതാണ്; എല്ലായ്‌പ്പോഴും ശ്രേണിയും സാഹചര്യവും ചോദിക്കുക.
• പ്രചാരണം ടാഗ് ചെയ്യുന്നില്ല. പ്രൊമോഷണൽ ബൗൺസ് "സാധാരണ" ആണെന്ന് കരുതുന്ന മോഡൽ ഭാവിയെ വികലമാക്കുന്നു.
• ചരിത്രമില്ലാതെ പുതിയ ഉൽപ്പന്നത്തിലേക്കുള്ള പ്രവചനം. ഡാറ്റയില്ലാത്ത ഉൽപ്പന്നത്തിന് സുരക്ഷിതമെന്ന് തോന്നുന്ന AI-യുടെ എണ്ണം അടിസ്ഥാനരഹിതമാണ്.
• ബ്രേക്കിംഗ് AI-ക്ക് വിടുന്നു. പകർച്ചവ്യാധികൾ, വിതരണ പ്രതിസന്ധികൾ, നിയമനിർമ്മാണം തുടങ്ങിയ ഘടനാപരമായ ഇടവേളകൾ AI-ക്ക് അറിയില്ല; വിദഗ്ധ ഇടപെടൽ നടത്തണം.

മുന്നറിയിപ്പ്: ഒരു പ്രവചനം എത്ര നല്ലതാണെങ്കിലും, അത് അടിസ്ഥാനമാക്കിയുള്ള ഡാറ്റയുടെ ഗുണനിലവാരത്തേക്കാൾ മികച്ചതായിരിക്കില്ല. "മാലിന്യം അകത്ത്, മാലിന്യം പുറത്ത്." നിങ്ങളുടെ കൂടുതൽ സമയവും ഡാറ്റ വൃത്തിയാക്കാൻ ചെലവഴിക്കുക; മോഡൽ ഭാഗം ബാക്കി ചെയ്യുന്നു.

ചുരുക്കത്തിൽ

ഡിമാൻഡ് പ്രവചനമാണ് വിതരണ ശൃംഖലയുടെ എഞ്ചിൻ, ഈ എഞ്ചിനെ ത്വരിതപ്പെടുത്തുന്ന ഒരു ശക്തമായ സഹായിയാണ് AI. എന്നാൽ AI ഭൂതകാലത്തിൽ നിന്ന് പഠിക്കുന്നു; ഭാവി ഭൂതകാലത്തോട് സാമ്യമില്ലാത്തപ്പോൾ തെറ്റിദ്ധരിക്കപ്പെടുന്നു. ട്രെൻഡും കാലാനുസൃതതയും ക്യാപ്‌ചർ ചെയ്യുക, ഇവൻ്റുകൾ ടാഗ് ചെയ്യുക, MAPE, ഡ്രിഫ്റ്റ് ദിശ എന്നിവ ഉപയോഗിച്ച് കൃത്യത അളക്കുക, ഒരു സംഖ്യയല്ല, സാഹചര്യവും ശ്രേണിയും ആയി പ്രവചനം സജ്ജമാക്കുക. പുതിയ ഉൽപ്പന്നങ്ങളിലും ഘടനാപരമായ ബ്രേക്കുകളിലും വിദഗ്ദ്ധ വിധി ആദ്യം വരുന്നു. ഡാറ്റ ശുദ്ധീകരണമാണ് എല്ലാറ്റിൻ്റെയും അടിസ്ഥാനം; അന്തിമ പദ്ധതി നിങ്ങളുടേതാണ്.

ആപ്ലിക്കേഷൻ ടാസ്ക്

നിങ്ങളുടെ സ്വന്തം ഉൽപ്പന്നങ്ങളിലൊന്നിൻ്റെ (അല്ലെങ്കിൽ ഒരു സാങ്കൽപ്പിക ഉൽപ്പന്നം) കഴിഞ്ഞ 12-24 മാസത്തെ വിൽപ്പന ഡാറ്റ നേടുക, കാമ്പെയ്‌നും സ്റ്റോക്ക് ഇല്ലാത്ത മാസങ്ങളും അടയാളപ്പെടുത്തുക. "സിനാരിയോ പ്രവചനം" ടെംപ്ലേറ്റുള്ള മൂന്ന് സാഹചര്യങ്ങൾക്കായി AI-യോട് ചോദിക്കുക. തുടർന്ന് "കൃത്യത പരിശോധന" ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് ചരിത്രത്തിൽ ചിലത് സംഭരിക്കുകയും പ്രവചനം യാഥാർത്ഥ്യവുമായി താരതമ്യം ചെയ്യുകയും ചെയ്യുക. നിങ്ങൾ കണ്ടെത്തിയ മാപ്പും നിങ്ങൾ തിരഞ്ഞെടുത്ത സാഹചര്യവും അതിൻ്റെ കാരണത്തോടൊപ്പം 5 ഇനങ്ങളിൽ എഴുതുക; ഏത് സുരക്ഷാ ബഫറാണ് നിങ്ങൾ ചേർക്കേണ്ടതെന്നും വ്യക്തമാക്കുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] ഞാൻ ഡാറ്റ മായ്‌ക്കുകയും സ്റ്റോക്ക് ഇല്ലാത്ത ദിവസങ്ങൾ അടയാളപ്പെടുത്തുകയും കാമ്പെയ്ൻ ദിവസങ്ങൾ ചെയ്യുകയും ചെയ്‌തിട്ടുണ്ടോ?
• [ ] ഞാൻ MAPE ഉപയോഗിച്ച് പ്രവചനം സാധൂകരിച്ചിട്ടുണ്ടോ, ബാക്ക് ടെസ്റ്റിംഗിലൂടെ ബയസ് ദിശ?
• [ ] ഒരൊറ്റ സംഖ്യയ്ക്ക് പകരം ഞാൻ ഒരു സാഹചര്യവും ആത്മവിശ്വാസ ഇടവേളയും ആവശ്യപ്പെട്ടോ?
• [ ] ഒരു പുതിയ ഉൽപ്പന്നം / തകരാർ ഉണ്ടെങ്കിൽ, ഞാൻ വിദഗ്ദ വിധിന്യായത്തിന് മുൻഗണന നൽകിയിട്ടുണ്ടോ?
• [ ] ഞാൻ അന്തിമ സ്റ്റോക്ക് പ്ലാൻ എൻ്റെ സ്വന്തം അംഗീകാരത്തിന് വിധേയമാക്കിയിട്ടുണ്ടോ?