Winst:
- Mogelijkheid om methoden voor vraagvoorspelling te onderscheiden (voortschrijdend gemiddelde, exponentiële afvlakking, seizoensinvloeden)
- Mogelijkheid om voorspellingsscenario's op te zetten met AI en de nauwkeurigheid te evalueren met statistieken zoals MAPE/MAE
- Mogelijkheid om de voorspelde output te vergelijken met de zakelijke context en promotionele/seizoensgebonden effecten
Vraagvoorspelling is de basis waarop productieplanning, voorraadbeheer en de gehele supply chain zijn gebaseerd. Verkeerde prognoses zijn in beide richtingen duur: overschatting zorgt voor voorraadkosten en verspilling, onderschatting leidt tot omzetverlies en ontevredenheid bij de klant. Kunstmatige intelligentie helpt op veel plaatsen in het voorspellingsproces, van het kiezen van een methode tot het interpreteren van historische gegevens en het genereren van scenario's; Maar het zien van de voorspelling als een ‘magische kristallen bol’ is de grootste fout. In deze unit behandelen we klassieke voorspellingsmethoden, hoe we deze correct kunnen bouwen met AI, en hoe we de nauwkeurigheid kunnen meten.
Korte kaart met voorspellingsmethoden
Niet elke reeks eisen gedraagt zich hetzelfde; Sommige zijn vlak, sommige vertonen trends, sommige zijn seizoensgebonden. Het is noodzakelijk om de methode volgens de serie te kiezen.
Methode
Wanneer is het passend?
Aandacht
Naïef (laatste waarde)
Ter vergelijking (benchmark)
Volgt niet de trend/seizoen
voortschrijdend gemiddelde
Statische, luidruchtige serie
Reageert laat op de trend
Exponentiële afvlakking (SES)
Stationaire reeksen, nadruk op nabijgelegen gegevens
Goed als er geen trend is
Holt (dubbel exponentieel)
Trendy serie
Past niet bij het seizoen
Holt-Winters
Trend + seizoensinvloeden
Vereist voldoende historische gegevens
Regressie/ML
Multivariabel, promotie effectief
Risico op overfit
Tip: Begin altijd met een "naïeve" gok. Als je complexe model niet beter is dan de naïeve gok, is het niet de moeite waard om de complexiteit te dragen. Naive is een gratis benchmark voor het meten van nauwkeurigheid.
Hoe meten we nauwkeurigheid? (Statistieken)
De nauwkeurigheid van de voorspelling kan niet worden verbeterd zonder deze te meten. De meest voorkomende statistieken:
- MAE (Mean Absolute Error): Het gemiddelde van de absolute waarde van de fouten. De eenheid is dezelfde als de vraageenheid.
- RMSE (Root Mean Square Error): Grotere fouten worden zwaarder bestraft.
- MAPE (gemiddelde absolute procentuele fout): in procenten; Goed voor vergelijking tussen artikelen, maar vertekend als de vraag bijna nul is.
- Bias: gemiddelde fout; Geeft aan of u consequent over-/onderschat.
Een kleine voorbeeldrekening. Stel dat de werkelijke vraag [100, 120, 90] is, en de prognose [110, 115, 100]:
Fouten (werkelijk - voorspeld): -10, +5, -10Absolute fouten: 10, 5, 10 → MAE = 25 / 3 ≈ 8,33Percentage fouten: 10/100, 5/120, 10/90 = 10%, 4,17%, 11,11%MAPE = (10 + 4,17 + 11.11) / 3 ≈ 8,43%Bias = (-10 + 5 - 10) / 3 = -5 → gemiddelde overschatting (voorspelling > werkelijk)
Een negatieve vertekening (echte minus schatting) geeft aan dat de schatting consequent wordt overschat; Dit betekent voorraadinflatie. Dergelijke richtingsfouten kunnen in MAPE verborgen blijven, zodat er gezamenlijk naar wordt gekeken.
Het prognoseproces opbouwen met AI
U kunt AI op twee plaatsen het meest efficiënt gebruiken: (1) om naar gegevens te kijken en de juiste methode en te ondernemen acties voor te stellen, en (2) om voorspellende code te genereren. Voor methodesuggestie:
Rol: Je bent een industrieel ingenieur met ervaring in vraagvoorspelling. Taak: Bestudeer de onderstaande maandelijkse verkoopreeksen en beveel de juiste prognosemethode aan. Evalueer of er sprake is van een trend en seizoensinvloeden, schrijf uw rechtvaardiging. Gegevens (maandelijks, afgelopen 24 maanden): {{ waarden}}Aanvullende informatie: Er is een promotie in december, de vraag neemt af in de zomermaanden. De uitvoer die ik wil: 1. Geef commentaar op het karakter van de serie (stabiel/trending/seizoensgebonden).2. 2 aanbevolen methoden en waarom.3. Welke nauwkeurigheidsmetriek moet ik bijhouden?4. Valkuilen waar ik op moet letten (uitschieter, promotioneel effect). Regel: Beloof geen absolute nauwkeurigheid zonder de gegevens te zien.
Zwakke prompt/sterke prompt
Zwakke prompt:
Hoeveel verkoop ik volgende maand?
Dit bevat geen gegevens of context; De AI wijst het af, of retourneert een compleet verzonnen getal. Dergelijke resultaten zijn gevaarlijk omdat ze betrouwbaar lijken.
Krachtige prompt:
Voorspel de komende 3 maanden met behulp van de Holt-Winters-logica met deze serie van 24 maanden. De seizoensduur is 12. Schrijf eerst de aannames van de methode op, geef vervolgens de voorspelling en bereken vervolgens de MAPE door de afgelopen zes maanden te backtesten. Markeer de actiemaanden apart. Gegevens: {{ ... }}
De tweede prompt vraagt om zowel de voorspelling als hoeveel vertrouwen je hebt om die voorspelling te vertrouwen (backtesting). Dit transformeert de voorspelling van een ‘orakel’ in een meetbaar hulpmiddel.
Backtesting: maatstaf voor vertrouwen in voorspelling
De echte test van voorspelling ligt in het verleden, niet in de toekomst. De gegevens die je hebt, verdeel je in tweeën: modelbouw (trein) en testen. Je bouwt het model met het eerste stuk, voorspelt de volgende periode en vergelijkt het met de werkelijkheid. Deze 'hold-out'-logica laat zien of een model daadwerkelijk werkt of niet.
Stel een eenvoudig backtestplan op voor de volgende reeksen: reserveer de laatste 6 maanden als testen, train 3 verschillende methoden (naïef, SES, Holt-Winters) met de resterende gegevens, bereken MAPE en bias voor elk tijdens de testperiode, en maak een vergelijkingstabel. Schrijf de winnende methode en reden op.
Let op: AI kan soms backtestresultaten "voorspellen" en u een kant-en-klaar diagram presenteren; dat wil zeggen, hij kan getallen verzinnen die redelijk lijken zonder ze daadwerkelijk te berekenen. Zorg ervoor dat u de numerieke resultaten reproduceert met code (Python/Excel). Een taalmodel voert lange rekenkundige berekeningen niet betrouwbaar uit.
Mini Case: Overvoorraad seizoensproducten
Een voedseldistributiebedrijf klaagt dat er in de winter jaarlijks te veel voorraad is van een seizoensproduct zoals ijs. Industrieel ingenieur Elif geeft maandelijkse gegevens van 3 jaar aan de AI en vraagt deze het karakter van de serie te evalueren. AI detecteert sterke seizoensinvloeden (zomerpiek) en een lichte jaarlijkse groeitrend, suggereert Holt-Winters. Elif genereert de voorspelling in Python en voert een backtest uit: MAPE is 14%, maar de bias is aanzienlijk negatief: het model voorspelt consequent te veel. Wanneer hij onderzoekt waarom, ontdekt hij dat hij een campagneperiode in historische gegevens als ‘normaal’ heeft beschouwd en het model een te hoge basis heeft gegeven. Wanneer we het campagne-effect verwijderen en het model opnieuw opbouwen, neemt de bias af en neemt de wintervoorraad aanzienlijk af. Les: AI heeft de methode correct voorgesteld, maar het was mensenwerk om de gegevens op te schonen en vooroordelen te interpreteren.
Veelvoorkomende fouten
- Geen statistieken bijhouden: nauwkeurigheid schatten en nooit meten. Voorspelling zonder meting kan niet worden verbeterd.
- Kijk alleen maar naar MAPE: vooroordelen negeren. Directionele (systematische) fouten vergroten stilletjes de inventaris.
- De cijfers van AI verwarren met berekeningen: backtest- en metrische waarden niet valideren met code.
- De uitschieter/promotie niet opruimen: een eenmalige campagne als een normale eis beschouwen en deze aan het model leren.
- Overfit: Wanneer een complex model perfect past in het verleden, maar slecht presteert in de toekomst. Houd het eenvoudige model als maatstaf.
Samengevat
- Kies de voorspellingsmethode op basis van het karakter van de reeks (stationair, trending, seizoensgebonden); Begin altijd door jezelf te vergelijken met een naïef.
- Meet nauwkeurigheid met MAE/RMSE/MAPE, maar monitor ook bias: richtingsfouten zijn het duurst.
- Gebruik AI voor methodeaanbevelingen en het genereren van code; Stel de voorspelling op als een meetbaar instrument, niet als een ‘profetie’.
- Backtesten is de echte test van hoeveel vertrouwen een model kan hebben; Zorg ervoor dat u numerieke resultaten verifieert met code.
- Het is de taak van de mens om de gegevens (uitschieter, promotie) op te schonen en het resultaat te interpreteren; AI slaat deze stappen over.
Applicatie taak
Zorg voor minimaal een serie van 18-24 perioden (echte of realistische fictie). Geef de AI eerst de serie en vraag hem om het karakter ervan (trend/seizoensgebondenheid) te interpreteren en twee methoden voor te stellen. Gebruik vervolgens de krachtige prompt "backtestplan" om de laatste 6 perioden als tests te reserveren en ten minste twee methoden te vergelijken. Cruciale stap: Bereken zelf de MAPE- en bias-waarden die door de AI worden geretourneerd met Excel of Python en vergelijk ze met de AI-uitvoer. Als u een getal vindt dat niet overeenkomt, noteer het dan. Interpreteer ten slotte het teken van de bias: overschat of onderschat uw model, en wat doet dit met uw voorraad?