माग पूर्वानुमान: बिक्री पूर्वानुमान, मौसमी र प्रवृत्ति विश्लेषण

लाभ:

• ऐतिहासिक बिक्री डाटा, मौसमी प्रभाव र बाह्य कारकहरू संयोजन गरेर कृत्रिम बुद्धिमत्ता समर्थनको साथ SKU आधारमा मस्यौदा माग पूर्वानुमान उत्पादन गर्ने क्षमता।
• पूर्वानुमान सटीकता (MAPE, पूर्वाग्रह) को व्याख्या गर्ने क्षमता र अधिक मूल्याङ्कन र कम मूल्याङ्कनको व्यापार परिणामहरू छुट्याउने क्षमता
• कृत्रिम बुद्धिमत्ता द्वारा उत्पादित पूर्वानुमान एक भविष्यवाणी हो र अन्तिम आदेश निर्णय स्टक लागत र नगद प्रवाह संग प्रबन्धक को हो भनेर कायम राख्न सक्षम हुनु।

रिटेलमा दुईवटा महँगो गल्तीहरू छन्: धेरै स्टक राख्नु र पैसा शेल्फमा सुस्त राख्नु, वा पर्याप्त स्टक नराख्ने र ग्राहकलाई खाली हात छोड्नु। दुबैको एउटै स्रोत छ: खराब माग पूर्वानुमान। यस एकाइमा तपाईले कृत्रिम बुद्धिमत्तालाई शक्तिशाली सहायकको रूपमा कसरी प्रयोग गर्ने भनेर सिक्नुहुनेछ जसले विगतको बिक्रीबाट भविष्यको भविष्यवाणी गर्दछ। तर सुरुदेखि नै भनौं: भविष्यवाणी भनेको भविष्यवाणी होइन, तर सम्भाव्य भविष्यवाणी हो। AI ले तपाईंलाई नम्बर दिन्छ; त्यो नम्बरलाई अर्डर गर्ने निर्णयमा अनुवाद गर्ने काम तपाईंको हो।

माग पूर्वानुमान: ऐतिहासिक तथ्याङ्क र प्रभावकारी कारकहरू हेरेर भविष्यमा कति उत्पादन वा वर्ग बिक्री हुनेछ भनेर भविष्यवाणी गर्ने कार्य हो।

SKU (स्टक किपिङ युनिट): यो प्रत्येक फरक उत्पादन-भ्यारिएन्टको लागि राखिएको अद्वितीय स्टक कोड हो। उदाहरण को लागी, "रातो, आकार 42 स्नीकर्स" एक SKU हो; एउटै मोडेल को नम्बर 43 एक अलग SKU हो।

जानकारीको तीन स्रोतहरू जसले पूर्वानुमान फीड गर्दछ

राम्रो भविष्यवाणीले तीनवटा कुराहरू जोड्छ:

1. ऐतिहासिक बिक्री (आधार रेखा): पछिल्लो 12-24 महिनाहरूमा उत्पादनको साप्ताहिक/मासिक बिक्री। AI ले यस श्रृंखलाबाट "सामान्य" स्तर निकाल्छ।
2. मौसमी र ​​क्यालेन्डर प्रभावहरू: बिदाहरू, विद्यालय अवधि, गर्मी-जाडो, सप्ताहन्त, वेतन दिन। उदाहरणका लागि, गर्मीमा आइसक्रिम बढ्छ र जाडोमा मोजा बढ्छ।
3. बाह्य कारकहरू: अभियान, मूल्य परिवर्तन, मौसम, प्रतिस्पर्धी आन्दोलन, उद्घाटन / बन्द। यसले अनुमानलाई माथि वा तल धकेल्छ।

सुझाव: AI लाई मात्र नभन्नुहोस् "हामीले गत महिना 100 बेच्यौं।" भन्नुहोस्, "हामीले गत महिना 100 बेचे, तर त्यहाँ 20% छुट थियो र यो छुट्टीको हप्ता थियो।" सन्दर्भ बिना, भविष्यवाणी भ्रामक छ।

चरण-दर-चरण भविष्यवाणी उत्पादन

1. डेटा तयार गर्नुहोस्: एक बेनामी, सफा तालिका: मिति, SKU, बिक्री मात्रा, मूल्य, पदोन्नति/कुनै पदोन्नति, उपलब्धता। स्टक बाहिरका दिनहरू चिन्ह लगाउनुहोस्; अन्यथा, आर्टिफिशियल इन्टेलिजेन्सले त्यो दिन "कम माग" हो भनेर सोच्नेछ।
2. सन्दर्भ दिनुहोस्: सिजन, आगामी घटनाहरू, योजनाबद्ध अभियानहरू लेख्नुहोस्।
3. पूर्वानुमान अनुरोध गर्नुहोस्: SKU वा वर्ग द्वारा, एक निश्चित अवधिको लागि पूर्वानुमान र विश्वास अन्तराल (सबैभन्दा खराब/उत्तम अवस्था) अनुरोध गर्नुहोस्।
4. सटीकता मापन गर्नुहोस्: तपाईंको विगतका भविष्यवाणीहरूलाई वास्तविकतासँग तुलना गर्नुहोस् (तलको MAPE)।
5. यसलाई निर्णयमा परिणत गर्नुहोस्: अनुमानलाई सुरक्षा स्टक र बजेटसँग जोड्नुहोस् र अर्डर गर्ने निर्णय गर्नुहोस्।

पढ्ने पूर्वानुमान सटीकता: MAPE र पूर्वाग्रह

MAPE (मीन पूर्ण प्रतिशत त्रुटि): वास्तविक बिक्रीबाट पूर्वानुमानको औसत प्रतिशत विचलन देखाउँछ। सूत्र सरल छ: | वास्तविक − पूर्वानुमान | प्रत्येक अवधिको लागि / वास्तविक तिनीहरूको औसत हो।

• MAPE 10% → अनुमानहरू औसतमा 10% ले विचलित हुन्छन्, धेरै राम्रो।
• MAPE 40% → पूर्वानुमानहरू अविश्वसनीय छन्, अर्डर निर्णयमा थप बफर (सुरक्षा स्टक) आवश्यक छ।

दिशा (पूर्वाग्रह): के तपाइँको पूर्वानुमान लगातार माथि (ओभरस्टकिङ को जोखिम) वा तल (स्टक बाहिर को जोखिम) वास्तविकता हो? यो पनि हेर्नुहोस्; MAPE ले दिशा देखाउँदैन।

स्थिति

अर्थ

व्यापार परिणाम

लगातार उच्च अनुमान

तपाईले मागलाई बढाइचढाइ गर्दै हुनुहुन्छ

अतिरिक्त स्टक, गिरावट, मार्जिन हानि

निरन्तर अवमूल्यन

तपाईंले मागलाई कम मूल्याङ्कन गर्नुहुन्छ

स्टक बाहिर, बिक्री छुटे, असन्तुष्टि

उच्च MAPE, सन्तुलित दिशा

अनिश्चितता उच्च छ

सुरक्षा स्टक बढाउनुहोस्, बारम्बार समीक्षा गर्नुहोस्

कम MAPE

सही भविष्यवाणी

कमजोर स्टक, राम्रो नगद

मिनी केसहरू

केस 1 - मौसमीता छुटेको छ: एउटा किराना पसलले गत वर्ष जुलाईको बिक्री (प्रति महिना २०० युनिट) मा आधारित स्कूल नोटबुकहरू अर्डर गर्दछ। जब आर्टिफिसियल इन्टेलिजेन्सलाई "अगस्ट-सेप्टेम्बर स्कूल अवधि, गत वर्ष यस अवधिमा बिक्री चार गुणा बढेको" सन्दर्भमा दिइन्छ, भविष्यवाणी 200 को सट्टा 780 इकाइहरूमा बढ्छ। सही क्रमको लागि धन्यवाद, विद्यालय वर्षमा तपाईंको स्टक समाप्त हुँदैन; अघिल्लो वर्ष फरार रहेको ६० हजार टिएलको अनुमानित कारोबार यस वर्ष समातिएको छ ।

केस 2 - स्टक समाप्त भएको दिन गणना गर्दैन: एउटा स्टोरमा 3 हप्ताको लागि लोकप्रिय कफीको स्टक बाहिर थियो। कच्चा डेटा हेर्दा, कृत्रिम बुद्धिमत्ताले ती हप्ताहरूलाई "प्रति हप्ता 5 बिक्री" को रूपमा हेर्छ र कम अनुमान दिन्छ। जब विश्लेषकले स्टक बिना दिनहरू चिन्ह लगाउँछन् र भन्छन् "यी हप्ताहरूले मागलाई प्रतिबिम्बित गर्दैनन्", पूर्वानुमान प्रति हप्ता 45 सम्म बढ्छ। वास्तविक माग प्रकट हुन्छ।

केस 3 - अभियान प्रभाव सामान्यीकरण: एक कपडा चेनले 50% छुट हप्ताको बिक्री (600 एकाइ) लाई "सामान्य" मान्छ र लगातार 600 अर्डर गर्दछ। जब कृत्रिम बुद्धिमत्तालाई "यो बिक्री एक पटकको अभियानको साथ गरिएको थियो, सामान्य हप्ता 180 हो" भनिन्छ, भविष्यवाणी सही हुन्छ। ओभरस्टक र त्यसपछिको मार्कडाउन हानिको जोखिमलाई रोकिएको छ।

भविष्यवाणी क्षितिज: तपाईं कति टाढा देख्न सक्नुहुन्छ?

पूर्वानुमान क्षितिज: भविष्यमा कति टाढा भविष्यवाणी गरिएको छ। नियम सरल छ: क्षितिज लामो, ठूलो अनिश्चितता। तपाइँ अर्को हप्ताको बिक्री अपेक्षाकृत सही भविष्यवाणी गर्नुहुन्छ; छ महिना पछि धेरै फराकिलो दायरा संग। त्यसैले अर्डर निर्णयको आवश्यकता अनुसार पूर्वानुमान क्षितिज छनोट गर्नुहोस्: छोटो क्षितिज र ताजा उत्पादनको लागि बारम्बार अद्यावधिक जुन छिटो समाप्त हुन्छ; लामो क्षितिज र लामो नेतृत्व समय संग आयातित उत्पादन को लागी सुरक्षा को फराकिलो मार्जिन।

अर्को महत्त्वपूर्ण भिन्नता नयाँ उत्पादन पूर्वानुमान हो। नयाँ SKU को कुनै विगत बिक्री छैन; यस अवस्थामा, तपाईले AI लाई समान उत्पादनहरूको इतिहास (एनालग), श्रेणी औसत, र प्रक्षेपण योजना दिनुहुन्छ। "यस उत्पादनको कुनै इतिहास छैन; उस्तै उत्पादनहरू X र Y को पहिलो 8 हप्ता हेरेर प्रारम्भिक अनुमान दिनुहोस्" भन्नाले खाली ठाउँ भर्ने उचित तरिका हो। यद्यपि, नयाँ उत्पादन पूर्वानुमान सधैं जोखिमपूर्ण हुन्छ; पहिलो हप्ताको लागि वास्तविक डेटा उपलब्ध हुनासाथ पूर्वानुमानलाई द्रुत रूपमा परिमार्जन गर्नुहोस्।

सावधानी: अनुमानलाई "एक पटक यो गर्नुहोस् र यसलाई बिर्सनुहोस्" उपचारको रूपमा व्यवहार नगर्नुहोस्। माग पूर्वानुमान एक प्रत्यक्ष प्रक्रिया हो; प्रत्येक नयाँ बिक्री हप्ता पूर्वानुमान अपडेट गर्ने अवसर हो। सबै भन्दा राम्रो पूर्वानुमानकर्ताहरू ती हुन् जसले धेरै पटक अपडेट हुने एक प्रयोग गर्छन्, स्मार्ट मोडेल होइन।

कमजोर प्रम्प्ट / बलियो प्रम्प्ट

कमजोर प्रम्प्ट:

मलाई भन्नुहोस् कि यो उत्पादन अर्को महिना कति बिक्री हुनेछ।

त्यहाँ कुनै सन्दर्भ छैन; AI ले अनियमित संख्या बनाउँछ।

शक्तिशाली प्रम्प्ट:

तपाईंको भूमिका: माग योजना विशेषज्ञ। डेटा: तल SKU 4471 को लागि पछिल्लो 18 महिनाको मासिक बिक्री मात्रा र मूल्य र त्यो महिना कुनै अभियान छ कि छैन। सन्दर्भ: यो उत्पादन गर्मी चप्पल हो; मे-अगस्टमा माग उच्च हुन्छ। अर्को महिना जुन हो। अभियानको कुनै योजना छैन । मूल्य निश्चित छ। कार्य: (१) जुनको लागि अपेक्षित बिक्री मात्रा, (२) सबैभन्दा खराब र उत्कृष्ट परिदृश्य दायरा, (३) पूर्वानुमानलाई असर गर्ने २ मुख्य कारकहरू। नियम: कम मागको रूपमा स्टक नभएको भनी चिन्ह लगाइएको महिनाहरू गणना नगर्नुहोस्। दिइएको डाटामा मात्र आधारित। डाटा: [टेबल टाँस्नुहोस्]

प्रतिलिपि गर्न मिल्ने प्रम्प्ट टेम्प्लेटहरू

1) SKU आधारित भविष्यवाणी

तपाईंको भूमिका: माग योजना विशेषज्ञ। निम्न अज्ञात मासिक बिक्री श्रृंखलाबाट [SKU] को लागि भविष्य [अवधि] पूर्वानुमान उत्पन्न गर्नुहोस्। आउटपुट: अपेक्षित मात्रा + सबैभन्दा खराब/उत्तम दायरा + 2 अनुमानहरू। स्टक बाहिर चिन्ह लगाइएको अवधिहरू समावेश नगर्नुहोस्। डाटा: [पेस्ट]

2) मौसमी ढाँचा हटाउने

तलको 24-महिनाको बिक्री श्रृंखलामा आवर्ती मौसमी ढाँचा फेला पार्नुहोस्। कुन महिना शीर्ष र कुन महिना तल छन्? माध्यबाट विचलनलाई प्रतिशतको रूपमा दिनुहोस्। यसलाई तालिकाको रूपमा प्रस्तुत गर्नुहोस्। डाटा: [पेस्ट]

3) भविष्यवाणी शुद्धता मूल्याङ्कन

तल मेरो ऐतिहासिक अनुमान र वास्तविक बिक्री छन्। (1) MAPE गणना गर्नुहोस्, (2) के मेरो पूर्वानुमान लगातार उच्च वा तल बहिरहेछ, (3) स्टकको लागि यसको अर्थ के हो? चरण-दर-चरण देखाउनुहोस्।डेटा: [अनुमान, वास्तविक स्तम्भहरू]

4) अभियान प्रभाव निकाल्नुहोस्

अभियान हप्ताहरू तल बिक्री श्रृंखलामा चिन्ह लगाइएको छ। सामान्य (गैर-अभियान) माग अनुमान गर्नुहोस्; अभियान प्रभावलाई छुट्टै लिफ्ट प्रतिशतको रूपमा दिनुहोस्। त्यसैले म सामान्य अर्डर स्तर हेर्न चाहन्छु। डाटा: [पेस्ट]

सामान्य गल्तीहरू

• सन्दर्भ नदिईएको: यदि अभियान, सिजन, मूल्य परिवर्तन निर्दिष्ट गरिएको छैन भने, भविष्यवाणी भ्रामक हुनेछ।
• स्टक बाहिरका दिनहरू मागको रूपमा गणना गर्ने कि: स्टक बाहिरको अवधिले वास्तविक माग लुकाउँछ; चिन्ह।
• प्रवर्द्धनात्मक बिक्रीलाई सामान्य रूपमा स्वीकार गर्दै: एक पटकको वृद्धि स्थायी हो भन्ने सोच्दा अतिरिक्त स्टक निम्त्याउँछ।
• एउटै संख्यामा भर पर्नु: दायरा (परिदृश्य) नचाहेर एउटै बिन्दुमा भर पर्नुले जोखिम लुकाउँछ।
• सटीकता मापन गर्दैन: यदि MAPE र दिशा अनुगमन गरिएन भने, भविष्यवाणी झन् खराब हुँदै जान्छ।
• अनुमानका साथ प्रत्यक्ष अर्डरहरू बनाउँदै: नगद, गोदाम र शेल्फ जीवन नियन्त्रण बिना अर्डर गर्दै।

संक्षेपमा

राम्रो पूर्वानुमानले विगतको बिक्री, मौसमी र ​​बाह्य कारकहरू संयोजन गर्दछ। AI लाई सन्दर्भ (अभियान, सिजन, स्टक बाहिरका दिनहरू) दिन निश्चित हुनुहोस्। MAPE र पूर्वाग्रह दिशा संग पूर्वानुमान सटीकता निगरानी; उच्च अनिश्चिततामा सुरक्षा स्टक बढाउनुहोस्। भविष्यवाणी भनेको भविष्यवाणी हो; अन्तिम अर्डर गर्ने निर्णय तपाईको हो, बजेट र बाधाहरू सहित।

आवेदन कार्य

पछिल्लो १२-१८ महिनाका लागि आफ्नो शीर्ष ५ सबैभन्दा बढी बिक्रि हुने SKU हरूको बिक्री अज्ञात तालिकामा प्राप्त गर्नुहोस् र स्टक बाहिर र अभियान अवधिहरू चिन्ह लगाउनुहोस्। "1) SKU-आधारित पूर्वानुमान" प्रम्प्टको साथ भविष्यको पूर्वानुमान उत्पन्न गर्नुहोस्, त्यसपछि "3) पूर्वानुमान सटीकता मूल्याङ्कन" को साथ तपाईंको विगतका पूर्वानुमानहरूको MAPE निकाल्नुहोस्। तपाईंको आफ्नै आदेश निर्णय संग परिणाम तुलना गर्नुहोस्।

चेकलिस्ट

• [ ] मैले मेरो बिक्री डेटा गुमनाम र सफा गरें।
• [ ] मैले स्टक बाहिर र अभियान अवधि चिन्ह लगाइदिएँ।
• [ ] मैले AI लाई मौसम र बाह्य कारक सन्दर्भ दिएँ।
• [ ] म परिदृश्य दायरा चाहन्थे, एकल संख्या होइन।
• [ ] मैले MAPE र yaw दिशा जाँच गरें।
• [ ] मैले बजेट र बाधाहरूको आधारमा अर्डर गर्ने निर्णय गरें।