Winst:
- Mogelijkheid om een conceptvraagvoorspelling op SKU-basis te maken met ondersteuning voor kunstmatige intelligentie door historische verkoopgegevens, seizoenseffecten en externe factoren te combineren.
- Vermogen om de nauwkeurigheid van voorspellingen (MAPE, bias) te interpreteren en de zakelijke gevolgen van overschatting en onderschatting te onderscheiden
- Kunnen volhouden dat de door kunstmatige intelligentie geproduceerde voorspelling een voorspelling is en dat de uiteindelijke orderbeslissing aan de manager toebehoort, samen met de voorraadkosten en de cashflow.
Er zijn twee duurste fouten in de detailhandel: te veel voorraad aanhouden en het geld in de schappen laten wegkwijnen, of niet genoeg voorraad aanhouden en de klant met lege handen achterlaten. Beide hebben dezelfde bron: slechte vraagvoorspellingen. In deze unit leer je hoe je kunstmatige intelligentie kunt gebruiken als een krachtige assistent die de toekomst voorspelt op basis van verkopen uit het verleden. Maar laten we vanaf het begin zeggen: een voorspelling is geen profetie, maar een probabilistische voorspelling. AI geeft je een nummer; Het is jouw taak om dat getal te vertalen naar een bestelbeslissing.
Vraagvoorspelling: het is de taak om te voorspellen hoeveel van een product of categorie in de toekomst zal worden verkocht door te kijken naar historische gegevens en beïnvloedende factoren.
SKU (Stock Keeping Unit): Het is de unieke voorraadcode die wordt bijgehouden voor elke verschillende productvariant. ‘Rood, maat 42 sneakers’ is bijvoorbeeld een SKU; nummer 43 van hetzelfde model is een aparte SKU.
Drie informatiebronnen die de voorspelling voeden
Een goede voorspelling combineert drie dingen:
- Historische verkopen (basislijn): wekelijkse/maandelijkse verkopen van het product gedurende de afgelopen 12-24 maanden. De AI haalt een ‘normaal’ niveau uit deze serie.
- Seizoens- en kalendereffecten: feestdagen, schoolperiode, zomer-winter, weekend, betaaldag. IJs neemt bijvoorbeeld toe in de zomer en sokken in de winter.
- Externe factoren: Campagne, prijsverandering, weer, beweging van concurrenten, openen/sluiten. Deze duwen de schatting omhoog of omlaag.
Tip: Zeg niet alleen tegen de AI: "we hebben er vorige maand 100 verkocht." Zeg: "We hebben er vorige maand 100 verkocht, maar er was een korting van 20% en het was een vakantieweek." Zonder context zijn voorspellingen misleidend.
Stap voor stap genereren van voorspellingen
- Bereid de gegevens voor: Een anonieme, schone tabel: datum, SKU, verkochte hoeveelheid, prijs, promotie/geen promotie, beschikbaarheid. Markeer de dagen dat de voorraad niet op voorraad is; Anders zal de kunstmatige intelligentie denken dat er op die dag weinig vraag is.
- Geef context: schrijf het seizoen, aankomende evenementen en geplande campagnes op.
- Vraag een prognose aan: Vraag een prognose en een betrouwbaarheidsinterval (worst/best case scenario) aan voor een specifieke periode, per SKU of categorie.
- Meet de nauwkeurigheid: vergelijk uw voorspellingen uit het verleden met de werkelijkheid (MAPE hieronder).
- Maak er een beslissing van: Combineer de schatting met de veiligheidsvoorraad en het budget en neem de bestelbeslissing.
Nauwkeurigheid van voorspellingen lezen: MAPE en bias
MAPE (Mean Absolute Percent Error): Toont de gemiddelde procentuele afwijking van de prognoses ten opzichte van de werkelijke verkoop. De formule is eenvoudigweg: |actual − forecast| voor elke periode / reëel is hun gemiddelde.
- MAPE 10% → schattingen wijken gemiddeld 10% af, behoorlijk goed.
- MAPE 40% → voorspellingen zijn onbetrouwbaar, er is meer buffer (veiligheidsvoorraad) nodig om te kunnen beslissen.
Richting (bias): Ligt uw voorspelling consistent boven (risico van overbevoorrading) of onder (risico van overbevoorrading) de werkelijkheid? Bekijk dit ook; MAPE geeft geen richting aan.
Status
Betekenis
zakelijk resultaat
Aanhoudend hoge schatting
Je overdrijft de vraag
Overtollige voorraad, meltdown, margeverlies
Aanhoudende onderschatting
Je onderschat de vraag
Niet op voorraad, gemiste verkopen, ontevredenheid
Hoge MAPE, evenwichtige richting
De onzekerheid is groot
Verhoog de veiligheidsvoorraad, controleer regelmatig
Lage MAP
nauwkeurige voorspelling
Kleinere aandelen, betere cash
mini-gevallen
Geval 1 — Ontbrekende seizoensinvloeden: Een supermarkt bestelt schoolschriften op basis van de omzet in juli vorig jaar (200 stuks per maand). Wanneer de kunstmatige intelligentie in de context wordt geplaatst van “schoolperiode augustus-september, de omzet verviervoudigde vorig jaar in deze periode”, stijgt de voorspelling naar 780 eenheden in plaats van 200. Dankzij de juiste volgorde kom je tijdens het schooljaar niet zonder voorraad te zitten; De geschatte omzet van 60.000 TL, die vorig jaar ontsnapte, wordt dit jaar opgepakt.
Geval 2 — De dag dat het product niet op voorraad is, niet meegerekend: Een winkel had drie weken lang geen voorraad van een populaire koffie. Kijkend naar de onbewerkte gegevens beschouwt kunstmatige intelligentie die weken als "5 verkopen per week" en geeft een lage schatting. Wanneer de analist de dagen zonder voorraad markeert en zegt “deze weken weerspiegelen niet de vraag”, stijgt de voorspelling naar 45 per week. Er ontstaat een echte vraag.
Geval 3 – Het campagne-effect generaliseren: een textielketen beschouwt een weekuitverkoop met 50% korting (600 eenheden) als ‘normaal’ en bestelt er voortdurend 600. Wanneer de kunstmatige intelligentie wordt verteld ‘deze verkoop is gedaan met een eenmalige campagne, normale week is 180’, wordt de voorspelling gecorrigeerd. Het risico van overvoorraad en daaropvolgend afwaarderingsverlies wordt voorkomen.
Voorspellingshorizon: hoe ver kun je vooruit kijken?
Prognosehorizon: Hoe ver in de toekomst de voorspelling wordt gemaakt. De regel is simpel: hoe langer de horizon, hoe groter de onzekerheid. Je voorspelt de omzet van volgende week relatief nauwkeurig; zes maanden later met een veel groter bereik. Kies dus de prognosehorizon op basis van de behoefte aan orderbeslissingen: korte horizon en frequente updates voor verse producten die snel opraken; Een langere horizon en een grotere veiligheidsmarge voor geïmporteerde producten met lange doorlooptijden.
Een ander belangrijk onderscheid is de voorspelling van nieuwe producten. Er is geen eerdere verkoop van een nieuwe SKU; in dit geval geef je de AI de geschiedenis van vergelijkbare producten (analoog), het categoriegemiddelde en het lanceringsplan. Zeggen "Dit product heeft geen geschiedenis; geef een eerste schatting door te kijken naar de eerste acht weken van vergelijkbare producten X en Y" is een redelijke manier om de lege ruimte in te vullen. Het voorspellen van nieuwe producten is echter altijd riskanter; Herzie de voorspelling snel zodra actuele gegevens voor de eerste weken beschikbaar komen.
Let op: behandel de schatting niet als een 'doe het één keer en vergeet het'-behandeling. Vraagvoorspelling is een levend proces; Elke nieuwe verkoopweek is een gelegenheid om de prognose bij te werken. De beste voorspellers zijn degenen die het meest frequente model gebruiken, en niet het slimste model.
Zwakke prompt/sterke prompt
Zwakke prompt:
Vertel me hoeveel dit product volgende maand zal verkopen.
Er is geen context; AI verzint een willekeurig getal.
Krachtige prompt:
Jouw rol: specialist in demandplanning. Gegevens: Hieronder vindt u de maandelijkse verkoophoeveelheid en prijs voor de afgelopen 18 maanden voor SKU 4471 en of er die maand een campagne is. Context: Dit product is zomersandalen; De vraag piekt in mei-augustus. Volgende maand is juni. Er is geen campagne gepland. Prijs staat vast. Taak: (1) verwachte verkoophoeveelheid voor juni, (2) slechtste en beste scenariobereik, (3) 2 belangrijkste factoren die de voorspelling beïnvloeden. Regel: Tel maanden die als niet op voorraad zijn gemarkeerd niet mee als weinig vraag. Alleen gebaseerd op de gegeven gegevens. Gegevens: [plak tabel]
Kopieerbare promptsjablonen
1) SKU-gebaseerde voorspelling
Jouw rol: specialist in demandplanning. Genereer toekomstige [periode] prognose voor [SKU] uit de volgende anonieme maandelijkse verkoopreeksen. Output: verwachte hoeveelheid + slechtste/beste bereik + 2 aannames. Sluit perioden uit die zijn gemarkeerd als niet op voorraad. Gegevens: [plakken]
2) Verwijdering van seizoenspatronen
Vind het terugkerende seizoenspatroon in de onderstaande verkoopreeks van 24 maanden. Welke maanden zijn bovenaan en welke maanden onderaan? Geef de afwijking van het gemiddelde als percentage. Presenteer het in tabelvorm. Gegevens: [plakken]
3) Evaluatie van de nauwkeurigheid van de voorspelling
Hieronder vindt u mijn historische schattingen en werkelijke verkopen. (1) Bereken MAPE, (2) gaat mijn voorspelling voortdurend hoger of lager, (3) wat betekent dit voor het aandeel? Toon stap voor stap.Gegevens: [schatting, werkelijke kolommen]
4) Extractie van de impact van de campagne
In de onderstaande verkoopreeksen zijn campagneweken gemarkeerd. Schat de normale (niet-campagne) vraag; Geef het campagne-effect op als een apart stijgingspercentage. Dus ik wil het normale orderniveau zien. Gegevens: [plakken]
Veel voorkomende fouten
- Geen context geven: als de campagne, het seizoen en de prijsverandering niet worden gespecificeerd, zal de voorspelling misleidend zijn.
- Of dagen die niet op voorraad zijn als vraag moeten worden geteld: een periode dat er geen voorraad is, verbergt de echte vraag; markering.
- Het accepteren van promotionele verkopen als normaal: Denken dat een eenmalige verhoging permanent is, zal leiden tot overtollige voorraad.
- Vertrouwen op één getal: Het niet willen van een bereik (scenario) en vertrouwen op één enkel punt verbergt het risico.
- Er wordt helemaal geen nauwkeurigheid gemeten: als MAPE en richting niet worden gecontroleerd, wordt de voorspelling steeds slechter.
- Directe bestellingen maken met schattingen: bestellen zonder contant geld, magazijn- en houdbaarheidscontrole.
Samengevat
Goede prognoses combineren verkopen uit het verleden, seizoensinvloeden en externe factoren. Zorg ervoor dat je de AI de context geeft (campagne, seizoen, dagen dat het niet op voorraad is). Bewaak de nauwkeurigheid van de voorspellingen met MAPE en bias-richting; Verhoog de veiligheidsvoorraad bij grote onzekerheid. Een voorspelling is een voorspelling; De uiteindelijke bestelbeslissing is aan u, samen met het budget en de beperkingen.
Applicatie taak
Ontvang de verkopen van uw top 5 best verkochte SKU's van de afgelopen 12-18 maanden in een anonieme tabel en markeer de uitverkochte periodes en campagneperioden. Genereer een toekomstige prognose met de prompt "1) SKU-gebaseerde prognose" en extraheer vervolgens de MAPE van uw eerdere prognoses met "3) Evaluatie van de nauwkeurigheid van de voorspelling". Vergelijk het resultaat met uw eigen bestelbeslissing.
controlelijst
- [ ] Ik heb mijn verkoopgegevens geanonimiseerd en opgeschoond.
- [ ] Ik heb de uitverkochte periodes en de campagneperiodes gemarkeerd.
- [ ] Ik heb de context van het seizoen en de externe factoren aan de AI gegeven.
- [ ] Ik wilde een scenariobereik, geen enkel getal.
- [ ] Ik heb MAPE en gierrichting gecontroleerd.
- [ ] Ik heb de bestelbeslissing genomen op basis van budget en beperkingen.