Keuntungan:
- Keupayaan untuk menghasilkan draf ramalan permintaan berdasarkan SKU dengan sokongan kecerdasan buatan dengan menggabungkan data jualan sejarah, kesan bermusim dan faktor luaran.
- Keupayaan untuk mentafsir ketepatan ramalan (MAPE, berat sebelah) dan membezakan akibat perniagaan daripada anggaran berlebihan dan anggaran rendah
- Mampu mengekalkan bahawa ramalan yang dihasilkan oleh kecerdasan buatan adalah ramalan dan keputusan pesanan terakhir adalah milik pengurus bersama-sama dengan kos saham dan aliran tunai.
Terdapat dua kesilapan yang paling mahal dalam runcit: menyimpan terlalu banyak stok dan membiarkan wang melarat di rak, atau tidak menyimpan stok yang mencukupi dan meninggalkan pelanggan dengan tangan kosong. Kedua-duanya mempunyai sumber yang sama: ramalan permintaan buruk. Dalam unit ini anda akan belajar cara menggunakan kecerdasan buatan sebagai pembantu berkuasa yang meramalkan masa depan daripada jualan masa lalu. Tetapi katakan dari awal: ramalan bukanlah ramalan, tetapi ramalan kebarangkalian. AI memberi anda nombor; Tugas anda untuk menterjemahkan nombor itu kepada keputusan pesanan.
Ramalan permintaan: Ia adalah tugas untuk meramalkan jumlah produk atau kategori yang akan dijual pada masa hadapan dengan melihat data sejarah dan faktor yang mempengaruhi.
SKU (Unit Penyimpanan Stok): Ia ialah kod stok unik yang disimpan untuk setiap varian produk yang berbeza. Sebagai contoh, "kasut kasut merah, saiz 42" ialah SKU; nombor 43 model yang sama ialah SKU yang berasingan.
Tiga sumber maklumat yang memberi ramalan
Ramalan yang baik menggabungkan tiga perkara:
- Jualan sejarah (garis dasar): Jualan mingguan/bulanan produk sepanjang 12-24 bulan yang lalu. AI mengekstrak tahap "normal" daripada siri ini.
- Kesan bermusim dan kalendar: Cuti, penggal sekolah, musim panas-musim sejuk, hujung minggu, hari gaji. Sebagai contoh, ais krim meningkat pada musim panas dan stoking meningkat pada musim sejuk.
- Faktor luaran: Kempen, perubahan harga, cuaca, pergerakan pesaing, pembukaan/penutupan. Ini menolak anggaran ke atas atau ke bawah.
Petua: Jangan hanya beritahu AI "kami menjual 100 bulan lepas." Katakan, "Kami menjual 100 pada bulan lepas, tetapi terdapat diskaun 20% dan ia adalah minggu cuti." Tanpa konteks, ramalan adalah mengelirukan.
Penjanaan ramalan langkah demi langkah
- Sediakan data: Jadual tanpa nama dan bersih: tarikh, SKU, kuantiti dijual, harga, promosi/tiada promosi, ketersediaan. Tandakan hari kehabisan stok; Jika tidak, kecerdasan buatan akan menganggap hari itu adalah "permintaan rendah".
- Berikan konteks: Tulis musim, acara akan datang, kempen yang dirancang.
- Minta ramalan: Minta ramalan dan selang keyakinan (senario kes terburuk/terbaik) untuk tempoh tertentu, mengikut SKU atau kategori.
- Ukur ketepatan: Bandingkan ramalan masa lalu anda dengan realiti (MAPE di bawah).
- Jadikan ia keputusan: Gabungkan anggaran dengan stok keselamatan dan belanjawan dan buat keputusan pesanan.
Ketepatan ramalan bacaan: MAPE dan berat sebelah
MAPE (Min Peratusan Mutlak Ralat): Menunjukkan purata peratusan sisihan ramalan daripada jualan sebenar. Formulanya ialah: |sebenar − ramalan| untuk setiap tempoh / nyata adalah purata mereka.
- MAPE 10% → anggaran menyimpang sebanyak 10% secara purata, agak bagus.
- MAPE 40% → ramalan tidak boleh dipercayai, lebih banyak penimbal (stok keselamatan) diperlukan untuk membuat keputusan.
Arah (berat sebelah): Adakah ramalan anda secara konsisten di atas (risiko lebihan stok) atau di bawah (risiko kehabisan stok) adalah realiti? Tonton ini juga; MAPE tidak menunjukkan arah.
Status
Maknanya
hasil perniagaan
Anggaran tinggi yang berterusan
Anda membesar-besarkan permintaan
Stok berlebihan, kemerosotan, kehilangan margin
Pandangan rendah yang berterusan
Anda memandang rendah permintaan
Kehabisan stok, terlepas jualan, rasa tidak puas hati
MAPE tinggi, arah yang seimbang
Ketidakpastian adalah tinggi
Tingkatkan stok keselamatan, semak dengan kerap
MAPE rendah
ramalan yang tepat
Stok lebih nipis, wang tunai yang lebih baik
kes mini
Kes 1 — Tiada musim bermusim: Sebuah kedai runcit memesan buku nota sekolah berdasarkan jualan Julai tahun lepas (200 unit sebulan). Apabila kecerdasan buatan diberi konteks "Penggal persekolahan Ogos-September, jualan meningkat empat kali ganda dalam tempoh ini tahun lepas", ramalan meningkat kepada 780 unit dan bukannya 200. Terima kasih kepada susunan yang betul, anda tidak kehabisan stok sepanjang tahun persekolahan; Anggaran perolehan sebanyak 60,000 TL, yang terlepas tahun sebelumnya, ditangkap tahun ini.
Kes 2 — Tidak mengira hari kehabisan stok: Sebuah kedai kehabisan stok kopi popular selama 3 minggu. Melihat kepada data mentah, kecerdasan buatan melihat minggu tersebut sebagai "5 jualan seminggu" dan memberikan anggaran yang rendah. Apabila penganalisis menandakan hari tanpa stok dan berkata "minggu-minggu ini tidak mencerminkan permintaan", ramalan meningkat kepada 45 setiap minggu. Permintaan sebenar muncul.
Kes 3 — Mengitlak kesan kempen: Rangkaian tekstil menganggap jualan minggu diskaun 50% (600 unit) sebagai "biasa" dan sentiasa memesan 600. Apabila kecerdasan buatan diberitahu "jualan ini dibuat dengan kempen sekali sahaja, minggu biasa ialah 180", ramalan itu diperbetulkan. Risiko lebihan stok dan kerugian penurunan harga seterusnya dicegah.
Horizon ramalan: sejauh manakah anda boleh melihat ke hadapan?
Horizon ramalan: Sejauh mana ramalan dibuat pada masa hadapan. Peraturannya mudah: semakin panjang ufuk, semakin besar ketidakpastian. Anda meramalkan jualan minggu depan dengan agak tepat; enam bulan kemudian dengan julat yang lebih luas. Jadi pilih ufuk ramalan mengikut keperluan keputusan pesanan: ufuk pendek dan kemas kini yang kerap untuk produk segar yang cepat habis; Cakrawala yang lebih panjang dan margin keselamatan yang lebih luas untuk produk yang diimport dengan masa pendahuluan yang panjang.
Satu lagi perbezaan penting ialah ramalan produk baharu. Tiada jualan lepas SKU baharu; dalam kes ini, anda memberikan AI sejarah produk serupa (analog), purata kategori, dan rancangan pelancaran. Menyatakan "Produk ini tidak mempunyai sejarah; berikan anggaran awal dengan melihat 8 minggu pertama produk serupa X dan Y" ialah cara yang munasabah untuk mengisi tempat kosong. Walau bagaimanapun, ramalan produk baharu sentiasa lebih berisiko; Semak semula ramalan dengan pantas apabila data sebenar untuk minggu pertama tersedia.
Awas: Jangan menganggap anggaran sebagai rawatan "lakukan sekali dan lupakannya". Ramalan permintaan ialah proses langsung; Setiap minggu jualan baharu adalah peluang untuk mengemas kini ramalan. Peramal terbaik ialah mereka yang menggunakan model yang paling kerap dikemas kini, bukan model yang paling bijak.
Gesaan lemah / Gesaan kuat
Gesaan yang lemah:
Beritahu saya berapa banyak produk ini akan dijual pada bulan hadapan.
Tiada konteks; AI membentuk nombor rawak.
Gesaan kuat:
Peranan anda: pakar perancangan permintaan. Data: Di bawah ialah kuantiti dan harga jualan bulanan untuk 18 bulan terakhir untuk SKU 4471 dan sama ada terdapat kempen pada bulan itu. Konteks: Produk ini ialah sandal musim panas; Permintaan memuncak pada bulan Mei-Ogos. Bulan depan bulan Jun. Tiada kempen yang dirancang. Harga adalah tetap.Tugas: (1) jangkaan kuantiti jualan untuk bulan Jun, (2) julat senario terburuk dan terbaik, (3) 2 faktor utama yang mempengaruhi ramalan.Peraturan: Jangan kira bulan ditandakan sebagai kehabisan stok sebagai permintaan rendah.Berdasarkan hanya pada data yang diberikan.Data: [tampal jadual]
Templat gesaan yang boleh disalin
1) Ramalan berasaskan SKU
Peranan anda: pakar perancangan permintaan. Jana ramalan [tempoh] masa hadapan untuk [SKU] daripada siri jualan bulanan tanpa nama berikut. Output: kuantiti dijangka + julat terburuk/terbaik + 2 andaian. Kecualikan tempoh yang ditandai kehabisan stok. Data: [tampal]
2) Penyingkiran corak bermusim
Cari corak bermusim berulang dalam siri jualan 24 bulan di bawah. Bulan mana yang paling atas dan bulan mana yang paling bawah? Berikan sisihan daripada min sebagai peratusan. Bentangkan dalam bentuk jadual. Data: [tampal]
3) Penilaian ketepatan ramalan
Di bawah ialah anggaran sejarah dan jualan sebenar saya. (1) Kira MAPE, (2) adakah ramalan saya secara konsisten melayang lebih tinggi atau lebih rendah, (3) apakah maksud ini untuk saham? Tunjukkan langkah demi langkah. Data: [anggaran, lajur sebenar]
4) Ekstrak impak kempen
Minggu kempen ditandakan dalam siri jualan di bawah. Anggarkan permintaan biasa (bukan kempen); Berikan kesan kempen sebagai peratusan peningkatan yang berasingan. Jadi saya mahu melihat tahap pesanan biasa. Data: [tampal]
Kesilapan biasa
- Tidak memberikan konteks: Jika kempen, musim, perubahan harga tidak dinyatakan, ramalan itu akan mengelirukan.
- Sama ada untuk mengira hari kehabisan stok sebagai permintaan: Tempoh kehabisan stok menyembunyikan permintaan sebenar; tanda.
- Menerima jualan promosi seperti biasa: Berfikir bahawa kenaikan sekali sahaja adalah kekal akan membawa kepada lebihan stok.
- Bergantung pada satu nombor: Tidak mahu julat (senario) dan bergantung pada satu titik menyembunyikan risiko.
- Tidak mengukur ketepatan sama sekali: Jika MAPE dan arah tidak dipantau, ramalan menjadi lebih teruk dan lebih teruk.
- Membuat pesanan terus dengan anggaran: Memesan tanpa tunai, gudang dan kawalan jangka hayat.
Secara ringkasnya
Ramalan yang baik menggabungkan faktor jualan, bermusim dan luaran yang lalu. Pastikan anda memberikan konteks kepada AI (kempen, musim, hari kehabisan stok). Pantau ketepatan ramalan dengan MAPE dan arah bias; Tingkatkan stok keselamatan dalam ketidakpastian yang tinggi. Ramalan ialah ramalan; Keputusan pesanan terakhir adalah milik anda, bersama dengan belanjawan dan kekangan.
Tugasan permohonan
Dapatkan jualan 5 SKU terlaris teratas anda selama 12-18 bulan terakhir dalam jadual tanpa nama dan tandai kehabisan stok dan tempoh kempen. Hasilkan ramalan masa hadapan dengan gesaan "1) ramalan berasaskan SKU, kemudian ekstrak MAPE ramalan masa lalu anda dengan "3) Penilaian ketepatan Ramalan". Bandingkan hasilnya dengan keputusan pesanan anda sendiri.
senarai semak
- [ ] Saya menamakan dan membersihkan data jualan saya.
- [ ] Saya menandakan kehabisan stok dan tempoh kempen.
- [ ] Saya memberikan konteks musim dan faktor luaran kepada AI.
- [ ] Saya mahukan julat senario, bukan satu nombor.
- [ ] Saya menyemak MAPE dan arah yaw.
- [ ] Saya membuat keputusan pesanan berdasarkan belanjawan dan kekangan.