मागणी अंदाज: विक्री अंदाज, हंगाम आणि कल विश्लेषण

नफा:

• ऐतिहासिक विक्री डेटा, हंगामी प्रभाव आणि बाह्य घटक एकत्र करून कृत्रिम बुद्धिमत्ता समर्थनासह SKU आधारावर मागणीचा मसुदा तयार करण्याची क्षमता.
• अंदाज अचूकतेचा (एमएपीई, बायस) अर्थ लावण्याची क्षमता आणि जास्त अंदाज आणि कमी लेखण्याचे व्यावसायिक परिणाम वेगळे करणे
• कृत्रिम बुद्धिमत्तेद्वारे तयार केलेला अंदाज हा एक अंदाज आहे आणि स्टॉकची किंमत आणि रोख प्रवाहासह अंतिम ऑर्डरचा निर्णय व्यवस्थापकाचा आहे हे राखण्यात सक्षम असणे.

किरकोळ विक्रीमध्ये दोन सर्वात महाग चुका आहेत: जास्त स्टॉक ठेवणे आणि पैसे शेल्फवर पडू देणे किंवा पुरेसा स्टॉक न ठेवणे आणि ग्राहकांना रिकाम्या हाताने सोडणे. दोघांचा स्त्रोत एकच आहे: खराब मागणीचा अंदाज. या युनिटमध्ये तुम्ही आर्टिफिशियल इंटेलिजेंसचा वापर शक्तिशाली सहाय्यक म्हणून कसा करायचा ते शिकू शकाल जे मागील विक्रीवरून भविष्याचा अंदाज लावतात. पण सुरुवातीपासूनच म्हणूया: भविष्यवाणी ही भविष्यवाणी नाही, तर संभाव्य भविष्यवाणी आहे. एआय तुम्हाला एक नंबर देते; त्या नंबरचे ऑर्डरिंग निर्णयामध्ये भाषांतर करणे हे तुमचे काम आहे.

मागणीचा अंदाज: ऐतिहासिक डेटा आणि प्रभाव घटक पाहून भविष्यात किती उत्पादन किंवा श्रेणी विकली जाईल याचा अंदाज बांधणे हे काम आहे.

SKU (स्टॉक कीपिंग युनिट): हा प्रत्येक भिन्न उत्पादन-व्हेरियंटसाठी ठेवलेला अद्वितीय स्टॉक कोड आहे. उदाहरणार्थ, “लाल, आकार 42 स्नीकर्स” एक SKU आहे; त्याच मॉडेलचा क्रमांक 43 हा वेगळा SKU आहे.

माहितीचे तीन स्त्रोत जे अंदाज पुरवतात

चांगला अंदाज तीन गोष्टी एकत्र करतो:

1. ऐतिहासिक विक्री (बेसलाइन): गेल्या 12-24 महिन्यांतील उत्पादनाची साप्ताहिक/मासिक विक्री. AI या मालिकेतून "सामान्य" पातळी काढते.
2. हंगामी आणि कॅलेंडर प्रभाव: सुट्ट्या, शाळेची मुदत, उन्हाळा-हिवाळा, शनिवार व रविवार, पगाराचा दिवस. उदाहरणार्थ, उन्हाळ्यात आइस्क्रीम वाढते आणि हिवाळ्यात मोजे वाढतात.
3. बाह्य घटक: मोहीम, किंमत बदल, हवामान, स्पर्धक हालचाली, उघडणे/बंद करणे. हे अंदाज वर किंवा खाली ढकलतात.

टीप: AI ला सांगू नका "आम्ही गेल्या महिन्यात 100 विकले." म्हणा, "आम्ही गेल्या महिन्यात 100 विकले, पण 20% सूट होती आणि तो सुट्टीचा आठवडा होता." संदर्भाशिवाय, अंदाज भ्रामक आहे.

चरण-दर-चरण अंदाज निर्मिती

1. डेटा तयार करा: एक निनावी, स्वच्छ टेबल: तारीख, SKU, विक्रीचे प्रमाण, किंमत, जाहिरात/कोणतीही जाहिरात नाही, उपलब्धता. आउट ऑफ स्टॉकचे दिवस चिन्हांकित करा; अन्यथा, आर्टिफिशियल इंटेलिजन्स त्या दिवसाला "कम मागणी" समजेल.
2. संदर्भ द्या: हंगाम, आगामी कार्यक्रम, नियोजित मोहिमा लिहा.
3. अंदाजाची विनंती करा: SKU किंवा श्रेणीनुसार, विशिष्ट कालावधीसाठी अंदाज आणि आत्मविश्वास मध्यांतराची (सर्वात वाईट/सर्वोत्तम परिस्थिती) विनंती करा.
4. अचूकता मोजा: तुमच्या मागील अंदाजांची वास्तविकतेशी तुलना करा (खाली MAPE).
5. त्याचे निर्णयात रूपांतर करा: अंदाज सुरक्षितता स्टॉक आणि बजेटसह एकत्र करा आणि ऑर्डर करण्याचा निर्णय घ्या.

वाचन अंदाज अचूकता: MAPE आणि पूर्वाग्रह

MAPE (मध्य पूर्ण टक्के त्रुटी): वास्तविक विक्री पासून अंदाज सरासरी टक्केवारी विचलन दाखवते. सूत्र फक्त आहे: |वास्तविक − अंदाज| प्रत्येक कालावधीसाठी / वास्तविक त्यांची सरासरी आहे.

• MAPE 10% → अंदाज सरासरी 10% ने विचलित होतात, खूपच चांगले.
• MAPE 40% → अंदाज अविश्वसनीय आहेत, ऑर्डर निर्णयासाठी अधिक बफर (सुरक्षा स्टॉक) आवश्यक आहे.

दिशा (पक्षपाती): तुमचा अंदाज सातत्याने वरचा (ओव्हरस्टॉकिंगचा धोका) किंवा कमी (साठा संपण्याचा धोका) वास्तव आहे? हे देखील पहा; MAPE दिशा दाखवत नाही.

स्थिती

अर्थ

व्यवसाय परिणाम

सतत उच्च अंदाज

तुम्ही मागणीची अतिशयोक्ती करत आहात

जादा साठा, मंदी, मार्जिनचे नुकसान

सतत कमी लेखणे

तुम्ही मागणीला कमी लेखता

स्टॉक नाही, विक्री चुकली, असंतोष

उच्च MAPE, संतुलित दिशा

अनिश्चितता जास्त आहे

सुरक्षा साठा वाढवा, वारंवार पुनरावलोकन करा

कमी MAPE

अचूक अंदाज

दुबळा स्टॉक, चांगली रोख

लहान प्रकरणे

केस 1 — गहाळ हंगाम: एक किराणा दुकान मागील वर्षीच्या जुलैच्या विक्रीवर आधारित (प्रति महिना 200 युनिट्स) शालेय नोटबुक ऑर्डर करते. जेव्हा आर्टिफिशियल इंटेलिजन्सला "ऑगस्ट-सप्टेंबर शालेय कालावधी, गेल्या वर्षी या कालावधीत विक्री चौपट वाढली" असा संदर्भ दिला जातो, तेव्हा अंदाज 200 ऐवजी 780 युनिट्सपर्यंत वाढतो. योग्य क्रमाबद्दल धन्यवाद, शालेय वर्षात तुमचा साठा संपत नाही; मागील वर्षी सुटलेली 60,000 TL ची अंदाजे उलाढाल यावर्षी पकडली जात आहे.

प्रकरण 2 — स्टॉक संपलेल्या दिवसाची गणना नाही: एका दुकानात 3 आठवड्यांसाठी लोकप्रिय कॉफीचा साठा संपला होता. कच्चा डेटा पाहता, कृत्रिम बुद्धिमत्ता त्या आठवड्यांना "दर आठवड्याला 5 विक्री" म्हणून पाहते आणि कमी अंदाज देते. जेव्हा विश्लेषक स्टॉक नसलेले दिवस चिन्हांकित करतात आणि म्हणतात "हे आठवडे मागणी प्रतिबिंबित करत नाहीत", तेव्हा अंदाज दर आठवड्याला 45 पर्यंत वाढतो. खरी मागणी समोर येते.

प्रकरण 3 — मोहिमेच्या प्रभावाचे सामान्यीकरण: कापड साखळी 50% सवलत आठवड्याच्या विक्रीला (600 युनिट्स) "सामान्य" मानते आणि सतत 600 ऑर्डर करते. जेव्हा कृत्रिम बुद्धिमत्तेला "ही विक्री एका-वेळच्या मोहिमेद्वारे केली गेली होती, सामान्य आठवडा 180 आहे" असे सांगितले जाते, तेव्हा अंदाज दुरुस्त केला जातो. ओव्हरस्टॉकचा धोका आणि त्यानंतरच्या मार्कडाउन नुकसानास प्रतिबंध केला जातो.

अंदाज क्षितिज: आपण किती पुढे पाहू शकता?

अंदाज क्षितिज: भविष्यातील अंदाज किती दूर आहे. नियम सोपा आहे: क्षितिज जितका लांब तितकी अनिश्चितता जास्त. पुढच्या आठवड्यातील विक्रीचा अंदाज तुम्ही तुलनेने अचूकपणे मांडता; सहा महिन्यांनंतर खूप विस्तृत श्रेणीसह. त्यामुळे ऑर्डरच्या निर्णयाच्या गरजेनुसार अंदाज क्षितीज निवडा: लहान क्षितीज आणि ताज्या उत्पादनासाठी वारंवार अपडेट जे जलद संपेल; लांब क्षितीज आणि आयात केलेल्या उत्पादनासाठी सुरक्षिततेचे विस्तीर्ण मार्जिन दीर्घ आघाडी वेळेसह.

आणखी एक महत्त्वाचा फरक म्हणजे नवीन उत्पादनाचा अंदाज. नवीन SKU ची मागील विक्री नाही; या प्रकरणात, तुम्ही AI ला समान उत्पादनांचा इतिहास (ॲनालॉग), श्रेणी सरासरी आणि लॉन्च योजना देता. "या उत्पादनाचा कोणताही इतिहास नाही; X आणि Y च्या समान उत्पादनांचे पहिले 8 आठवडे पाहून प्रारंभिक अंदाज द्या" असे म्हणणे हा रिक्त जागा भरण्याचा वाजवी मार्ग आहे. तथापि, नवीन उत्पादनाचा अंदाज नेहमीच धोकादायक असतो; पहिल्या आठवड्यांचा वास्तविक डेटा उपलब्ध होताच अंदाज लवकर सुधारा.

खबरदारी: अंदाजाला "हे एकदा करा आणि विसरा" उपचार म्हणून मानू नका. मागणी अंदाज एक थेट प्रक्रिया आहे; प्रत्येक नवीन विक्री आठवड्यात अंदाज अद्यतनित करण्याची संधी असते. सर्वोत्कृष्ट भविष्यवाणी करणारे ते आहेत जे सर्वात जास्त वेळा अपडेट होणारे मॉडेल वापरतात, सर्वात हुशार मॉडेल नाही.

कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट

कमकुवत प्रॉम्प्ट:

पुढील महिन्यात हे उत्पादन किती विकले जाईल ते मला सांगा.

कोणताही संदर्भ नाही; AI एक यादृच्छिक संख्या बनवते.

शक्तिशाली सूचना:

तुमची भूमिका: मागणी नियोजन विशेषज्ञ. डेटा: खाली SKU 4471 साठी मागील 18 महिन्यांचे मासिक विक्री प्रमाण आणि किंमत आणि त्या महिन्यात मोहीम आहे की नाही. संदर्भ: हे उत्पादन उन्हाळी सँडल आहे; मे-ऑगस्टमध्ये मागणी शिखरावर असते. पुढचा महिना जून आहे. प्रचाराचे नियोजन नाही. किंमत निश्चित आहे. कार्य: (1) जूनसाठी अपेक्षित विक्री प्रमाण, (2) सर्वात वाईट आणि सर्वोत्तम परिस्थिती श्रेणी, (3) अंदाज प्रभावित करणारे 2 मुख्य घटक. नियम: कमी मागणी म्हणून स्टॉक नाही म्हणून चिन्हांकित केलेले महिने मोजू नका. केवळ दिलेल्या डेटावर आधारित. डेटा: [पेस्ट टेबल]

कॉपी करण्यायोग्य प्रॉम्प्ट टेम्पलेट्स

1) SKU आधारित अंदाज

तुमची भूमिका: मागणी नियोजन विशेषज्ञ. पुढील अनामित मासिक विक्री मालिकेतून [SKU] साठी भविष्यातील [कालावधी] अंदाज तयार करा. आउटपुट: अपेक्षित प्रमाण + सर्वात वाईट/सर्वोत्तम श्रेणी + 2 गृहीतके. स्टॉक संपलेले चिन्हांकित कालावधी वगळा. डेटा: [पेस्ट]

2) हंगामी नमुना काढणे

खालील 24 महिन्यांच्या विक्री मालिकेतील आवर्ती हंगामी नमुना शोधा. कोणते महिने वरचे आहेत आणि कोणते महिने तळाशी आहेत? सरासरी पासून विचलन टक्केवारी म्हणून द्या. ते टेबल स्वरूपात सादर करा. डेटा: [पेस्ट]

3) अंदाज अचूकता मूल्यमापन

खाली माझे ऐतिहासिक अंदाज आणि वास्तविक विक्री आहेत. (1) MAPE ची गणना करा, (2) माझा अंदाज सातत्याने जास्त किंवा कमी होत आहे, (3) स्टॉकसाठी याचा अर्थ काय आहे? चरण-दर-चरण दर्शवा. डेटा: [अंदाज, वास्तविक स्तंभ]

4) मोहिमेचा प्रभाव काढा

मोहिमेचे आठवडे खालील विक्री मालिकेत चिन्हांकित केले आहेत. सामान्य (मोहीम नसलेल्या) मागणीचा अंदाज लावा; स्वतंत्र लिफ्ट टक्केवारी म्हणून मोहिमेचा प्रभाव द्या. त्यामुळे मला सामान्य ऑर्डर पातळी पहायची आहे. डेटा: [पेस्ट]

सामान्य चुका

• संदर्भ देत नाही: जर मोहीम, हंगाम, किंमतीतील बदल निर्दिष्ट न केल्यास, अंदाज भ्रामक असेल.
• आउट ऑफ स्टॉक दिवसांची मागणी म्हणून गणना करायची की नाही: स्टॉक नसलेला कालावधी खरी मागणी लपवतो; चिन्ह
• प्रमोशनल विक्री नेहमीप्रमाणे स्वीकारणे: एक वेळची वाढ कायमस्वरूपी आहे असा विचार केल्याने अतिरिक्त स्टॉक होईल.
• एकाच संख्येवर अवलंबून राहणे: श्रेणी (परिदृश्य) नको आहे आणि एकाच बिंदूवर अवलंबून राहणे धोका लपवते.
• अचूकता अजिबात मोजत नाही: जर MAPE आणि दिशेचे परीक्षण केले नाही, तर अंदाज अधिक वाईट होत जातो.
• अंदाजांसह थेट ऑर्डर करणे: रोख, गोदाम आणि शेल्फ लाइफ नियंत्रणाशिवाय ऑर्डर करणे.

सारांशात

चांगले अंदाज मागील विक्री, हंगाम आणि बाह्य घटक एकत्र करतात. AI ला संदर्भ (मोहिम, हंगाम, स्टॉक नसलेले दिवस) देण्याचे सुनिश्चित करा. MAPE आणि पूर्वाग्रह दिशा सह अंदाज अचूकतेचे निरीक्षण करा; उच्च अनिश्चिततेमध्ये सुरक्षा साठा वाढवा. एक अंदाज एक भविष्यवाणी आहे; अंतिम ऑर्डर करण्याचा निर्णय तुमचा आहे, बजेट आणि मर्यादांसह.

अर्ज कार्य

मागील 12-18 महिन्यांतील तुमच्या टॉप 5 सर्वाधिक विकल्या जाणाऱ्या SKU ची विक्री एका अनामित टेबलमध्ये मिळवा आणि आउट-ऑफ-स्टॉक आणि मोहिमेचा कालावधी चिन्हांकित करा. "1) SKU-आधारित अंदाज प्रॉम्प्टसह भविष्यातील अंदाज तयार करा, नंतर "3) अंदाज अचूकता मूल्यमापनासह तुमच्या मागील अंदाजांचा MAPE काढा. आपल्या स्वतःच्या ऑर्डरिंग निर्णयासह निकालाची तुलना करा.

चेकलिस्ट

• [ ] मी माझा विक्री डेटा अनामित केला आणि साफ केला.
• [ ] मी आउट ऑफ स्टॉक आणि मोहीम कालावधी चिन्हांकित केले.
• [ ] मी AI ला हंगाम आणि बाह्य घटक संदर्भ दिले.
• [ ] मला एकच संख्या नव्हे तर परिस्थिती श्रेणी हवी होती.
• [ ] मी MAPE आणि जांभळण्याची दिशा तपासली.
• मी बजेट आणि मर्यादांवर आधारित ऑर्डरिंगचा निर्णय घेतला.