Keuntungan:
- Keupayaan untuk memahami konsep siri masa, arah aliran, kesan bermusim dan kempen serta menggunakan kecerdasan buatan untuk ramalan permintaan dengan soalan yang betul dan data yang bersih.
- Keupayaan untuk mentafsir ketepatan ramalan (MAPE, sisihan) dan ketidakpastian (selang keyakinan, senario) dan asas perancangan pada julat dan bukannya nombor tunggal
- Dapat membezakan bahawa ramalan kecerdasan buatan adalah berdasarkan data sejarah dan pertimbangan pakar menjadi perhatian dalam kes-kes rehat seperti produk baharu, promosi atau krisis bekalan.
Setiap keputusan dalam rantaian bekalan adalah berdasarkan satu soalan: berapa banyak permintaan yang akan ada? Lebih tepat anda menjawab soalan ini, semakin sedikit stok yang anda pegang, semakin sedikit stok yang anda tinggalkan dan semakin sedikit wang yang anda ikat. Ramalan permintaan ialah enjin rantaian bekalan; Pelan stok, pembelian, pengeluaran dan pengangkutan semuanya disuap dari sini. Kecerdasan buatan amat berkuasa dalam bidang ini kerana ia mengimbas sejarah beribu-ribu produk dengan lebih pantas daripada manusia dan mengekstrak corak. Tetapi sumber kuasanya juga adalah hadnya: AI belajar dari masa lalu; Jika masa depan tidak menyerupai masa lalu, ia adalah salah. Dalam unit ini, kami akan mempelajari bahasa ramalan, mengukur ketepatan, mengurus ketidakpastian dan tempat AI harus menyerahkan kepada anda.
Bahasa ramalan: siri masa, arah aliran, kemusim
Data permintaan biasanya merupakan siri masa — siri nombor yang dipesan mengikut masa, seperti jualan setiap hari produk. Membahagikan urutan ini kepada tiga bahagian adalah asas ramalan:
Trend, hala tuju jangka panjang: adakah jualan meningkat atau menurun dari tahun ke tahun? Bermusim, turun naik yang kerap berulang: ais krim dijual pada musim panas, pemanas dijual pada musim sejuk; Pasar sibuk pada hari Jumaat dan Sabtu. Kebisingan, permainan rawak yang tidak dapat dijelaskan. Ramalan yang baik menangkap arah aliran dan bermusim serta tidak tertipu oleh bunyi bising. Selain itu, acara bertimbun: kempen, promosi, cuti umum, cuaca, pergerakan pesaing. Apabila anda membuat ramalan AI, anda perlu memberitahu peristiwa ini; Jika anda tidak memberitahunya, dia akan menganggap bahawa melompat pada hari kempen adalah "biasa" dan akan membuat kesilapan tentang masa depan.
Petua: Apabila memberikan data jualan mentah kepada AI, tandai kempen, hari cuti dan hari kehabisan stok. Hari tanpa stok adalah penting: jualan kelihatan rendah pada hari itu, tetapi permintaan sebenar adalah tinggi, cuma tiada barang tersedia. Jika anda tidak menyatakan ini, AI akan memandang rendah permintaan sebenar.
Ketepatan mengukur: MAPE dan berat sebelah
“Adakah ramalan itu baik?” Jawapan kepada soalan datang dari ukuran, bukan perasaan. Penunjuk yang paling biasa ialah MAPE (Min Ralat Peratusan Mutlak — berapa banyak mata peratusan secara purata yang ramalan menyimpang daripada realiti). Jika MAPE ialah 10%, ini bermakna ramalan anda terlepas nilai sebenar dengan purata 10%; MAPE yang lebih rendah adalah lebih baik. Konsep penting kedua ialah berat sebelah: adakah ramalan anda secara konsisten di atas (menghasilkan lebihan stok) atau kekurangan stok (meninggalkan stok terkurang) realiti? Walaupun ramalan mempunyai MAPE yang rendah, jika ia sentiasa menyimpang ke arah yang sama, terdapat masalah yang sistematik.
Anda boleh memberikan AI sebahagian daripada sejarah sebagai "latihan" dan sebahagian daripadanya sebagai "ujian" dan membandingkan ramalannya dengan realiti. Inilah cara yang jujur untuk membina kepercayaan: menguji model pada data yang tidak dilihatnya. Ramalan hanya bernilai digunakan pada masa depan jika ia telah terbukti konsisten pada masa lalu.
Awas: Tiada ramalan 100% tepat; Ia tidak dijangka berlaku. Matlamatnya bukan untuk menghasilkan nombor tunggal yang sempurna tetapi julat yang boleh diurus, mengetahui sisihan. Idea binari "ramalan itu menjadi kenyataan/ia tidak berjaya" adalah salah; Soalan yang betul ialah "berapa banyak ia menyimpang dan berapa banyak penimbal yang saya simpan dengan sewajarnya?"
Menguruskan ketidakpastian: julat, bukan nombor tunggal
Tabiat paling berbahaya perancang adalah menganggap ramalan sebagai satu nombor keras. Pada hakikatnya, setiap ramalan mempunyai selang keyakinan — seperti "permintaan bulan depan berkemungkinan besar antara 900 dan 1,100." Semakin luas julat ini, semakin tinggi ketidakpastian. Mengetahui julat secara langsung mempengaruhi keputusan stok anda: julat sempit memerlukan kurang stok keselamatan, julat luas memerlukan lebih banyak penimbal.
Oleh itu, sentiasa tanya AI untuk senario: pesimis (jika permintaan ternyata rendah), dijangka dan optimistik (jika permintaan ternyata tinggi). Melihat tiga senario, rancangan itu bukan berdasarkan satu andaian tetapi pada pelbagai kemungkinan yang mungkin. Ini adalah cara paling praktikal untuk keluar dari perangkap "terkunci dalam satu nombor".
Langkah demi langkah: Kajian ramalan permintaan dengan AI
- Kosongkan data. Tandakan hari yang hilang, hari kehabisan stok, buka rekod yang salah; Bekerja dengan kod produk tanpa nama.
- Tag acara. Tambahkan hari kempen, cuti dan promosi pada data.
- Kurangkan corak. Minta AI meringkaskan arah aliran, kemusiman dan peristiwa penting.
- Uji ia. Simpan bahagian terakhir sejarah, biarkan AI meramalkan, bandingkan dengan realiti (MAPE dan arah bias).
- Buat senario. Minta tiga ramalan, pesimis/dijangka/optimis, dan selang keyakinan untuk setiap satu.
- Penapis pakar. AI tidak tahu tentang gangguan akan datang yang diketahui (produk baharu, krisis bekalan, perundangan); tambahkannya secara manual. Pelan terakhir adalah milik anda.
tiga kes mini
Kes 1 — Menangkap bermusim. Seorang pengedar minuman mengadu bahawa dia sentiasa kehabisan stok semasa musim panas dan ditinggalkan dengan barangan pada musim sejuk. Perancang memberikan 3 tahun jualan harian tanpa nama kepada YZ dan telah mengalih keluar kemusim: Permintaan Jun-Ogos ialah 2.4 kali purata musim sejuk, dan lonjakan bermula pada pertengahan Mei setiap tahun. Mengikut corak ini, dia menyediakan stok musim panasnya 3 minggu lebih awal; stok mati musim panas berkurangan sebanyak 70%, stok mati musim sejuk jatuh. AI menunjukkan corak; Perancang membuat keputusan saham.
Kes 2 — Mengalah kepada produk baharu. Sebuah syarikat akan melancarkan produk baharu; Tiada data jualan sejarah. Perancang bertanya kepada AI, "Apakah permintaan untuk 3 bulan pertama?" dia bertanya. AI menghasilkan nombor yang kelihatan munasabah — tetapi perancang tahu ia tidak berasas: tiada data. Sebaliknya, AI bertanya "Apakah corak produk 3 bulan pertama yang dikeluarkan dalam segmen serupa pada masa lalu?" analisis dan tetapkannya sebagai julat ramalan, dengan stok permulaan yang berhati-hati. Pertimbangan pakar mengetepikan keyakinan rekaan AI.
Kes 3 — Tanpa stok adalah perangkap hari ini. Seorang penganalisis membuat kesimpulan bahawa permintaan untuk produk telah menurun dan mengesyorkan mengurangkan inventori. Rakan sekerja kanannya menyedari bahawa hari jualan rendah dalam data sebenarnya adalah hari kehabisan stok: permintaan tidak jatuh, tiada barang. Apabila data telah diperbetulkan dengan nota ini dan diberikan semula kepada AI, ia dilihat bahawa permintaan sebenar meningkat. Data yang tidak dibersihkan dengan betul menghasilkan ramalan yang salah.
Empat templat yang boleh disalin
1) Pengekstrakan corak:
Peranan anda: pembantu penganalisis perancangan permintaan. Di bawah ialah data jualan bulanan produk (kod tanpa nama: PRODUCT-X) selama 36 bulan yang lalu. Bulan kempen [senarai bulan], bulan tanpa stok [senarai bulan]. Tugasan: Ringkaskan (1) arah aliran, (2) corak bermusim, (3) peristiwa yang ketara. Ambil kira bahawa bulan tanpa stok menyembunyikan permintaan sebenar. Bulan yang saya tidak berikan data adalah rekaan.
2) Ujian ketepatan:
Ramalkan 6 bulan terakhir menggunakan 30 pertama daripada 36 bulan di bawah. Kemudian bandingkan ramalan saya dengan 6 bulan lepas yang sebenar; Kira sisihan dan jumlah MAPE bagi setiap bulan. Beritahu saya jika anggaran anda secara konsisten berat sebelah. Tunjukkan formula.
3) Ramalan senario:
Anggarkan permintaan bulanan suku seterusnya untuk produk ini dalam 3 senario: pesimis / dijangka / optimistik. Berikan selang keyakinan untuk setiap senario dan tuliskan andaian yang berdasarkannya. Ambil perhatian bahawa ini bukan muktamad tetapi selang untuk perancangan.
4) Kawalan pecah:
Senaraikan cara ramalan berdasarkan data sejarah yang saya berikan kepada anda boleh menjadi tidak sah oleh peristiwa akan datang berikut: [produk baharu / promosi / krisis bekalan / perubahan peraturan]. Cadangkan cara saya harus melaraskan ramalan secara manual untuk setiap satu.
Gesaan lemah / Gesaan kuat
Gesaan yang lemah:
Berapakah harga yang akan saya jual pada bulan hadapan?
Tiada data, tiada produk, tiada konteks. AI sama ada menolak atau membuat; tidak ada hasilnya.
Gesaan kuat:
Peranan anda: permintaan pembantu perancangan. Di bawah ialah jualan PRODUCT-X sepanjang 24 bulan yang lalu; Bulan kempen dan bulan tanpa stok ditandakan. Berikan ramalan pesimis/jangka/optimis untuk 3 bulan akan datang, tambah selang keyakinan pada setiap satu, tunjukkan MAPE sepanjang ujian lepas. Berpura-pura saya mempunyai keputusan stok terakhir.
Pendekatan
pukul
pengurusan ketidakpastian
risiko
bergantung pada nombor tunggal
mengelirukan
tiada
Tinggi — pelan runtuh
Senario + julat
realistik
baik
rendah
hanya intuisi
Pembolehubah
lemah
sederhana tinggi
Mematuhi AI secara membuta tuli
Pembolehubah
tiada
tinggi
Kesilapan biasa
- Tersilap hari kehabisan stok untuk permintaan yang rendah. Apabila barang tidak tersedia, jualan kelihatan rendah; Ini tidak bermakna permintaan telah jatuh.
- Mengunci dalam satu nombor. Untuk melihat ramalan sebagai kebenaran mutlak adalah mengabaikan ketidakpastian; Sentiasa minta julat dan senario.
- Tidak menandai kempen. Model yang menganggap lantunan promosi adalah "biasa" memesongkan masa depan.
- Ramalan kepada produk baharu tanpa sejarah. Bilangan AI yang kelihatan selamat untuk produk tanpa data adalah tidak berasas.
- Meninggalkan pemecahan kepada AI. AI tidak mengetahui pecahan struktur seperti wabak, krisis bekalan dan perundangan; Campur tangan pakar mesti dilakukan.
Awas: Tidak kira betapa baiknya ramalan itu, ia tidak boleh lebih baik daripada kualiti data yang menjadi asasnya. "Sampah masuk, sampah keluar." Luangkan sebahagian besar masa anda membersihkan data; Bahagian model melakukan yang lain.
Secara ringkasnya
Ramalan permintaan ialah enjin rantaian bekalan, dan AI ialah pembantu berkuasa yang mempercepatkan enjin ini. Tetapi AI belajar dari masa lalu; tersilap apabila masa depan tidak menyerupai masa lalu. Tangkap arah aliran dan kemusim, peristiwa teg, ukur ketepatan dengan MAPE dan arah hanyut, sediakan ramalan sebagai senario dan julat, bukan nombor tunggal. Pertimbangan pakar diutamakan dalam produk baharu dan pecahan struktur. Pembersihan data adalah asas segala-galanya; Pelan terakhir adalah milik anda.
Tugasan permohonan
Dapatkan data jualan untuk 12-24 bulan terakhir salah satu produk anda sendiri (atau produk hipotesis), tandai kempen dan bulan kehabisan stok. Minta AI untuk tiga senario dengan templat "ramalan senario". Kemudian simpan beberapa sejarah dengan templat "Ujian ketepatan" dan bandingkan ramalan dengan realiti. Tulis MAPE yang anda temui dan senario yang anda pilih, berserta sebabnya, dalam 5 item; Juga nyatakan penimbal keselamatan yang akan anda tambahkan.
senarai semak
- [ ] Adakah saya telah mengosongkan data, menandakan kehabisan stok dan hari kempen?
- [ ] Adakah saya telah mengesahkan ramalan dengan MAPE dan arah bias melalui ujian belakang?
- [ ] Adakah saya meminta senario dan selang keyakinan dan bukannya nombor tunggal?
- [ ] Jika terdapat produk baru / pecah, adakah saya telah mengutamakan pertimbangan pakar?
- [ ] Adakah saya telah menyerahkan pelan stok akhir kepada kelulusan saya sendiri?