Winst:
- Vermogen om de concepten van tijdreeksen, trends, seizoensinvloeden en campagne-impact te begrijpen en kunstmatige intelligentie te gebruiken voor vraagvoorspelling met de juiste vragen en schone gegevens.
- Mogelijkheid om de nauwkeurigheid van voorspellingen (MAPE, afwijking) en onzekerheid (betrouwbaarheidsinterval, scenario's) te interpreteren en de planning te baseren op een bereik in plaats van op een enkel getal
- Kunnen onderscheiden dat voorspellingen van kunstmatige intelligentie gebaseerd zijn op historische gegevens en dat het oordeel van deskundigen op de voorgrond treedt in geval van breuken zoals nieuwe producten, promoties of aanbodcrises.
Elke beslissing in de supply chain is gebaseerd op één vraag: hoeveel vraag zal er zijn? Hoe nauwkeuriger u deze vraag beantwoordt, hoe minder aandelen u aanhoudt, hoe minder aandelen u buiten beschouwing laat en hoe minder geld u vastlegt. Vraagvoorspelling is de motor van de supply chain; Van hieruit worden voorraad-, inkoop-, productie- en transportplannen gevoed. Kunstmatige intelligentie is op dit gebied buitengewoon krachtig omdat het veel sneller dan een mens de geschiedenis van duizenden producten scant en er patronen uit haalt. Maar de bron van zijn kracht is ook zijn limiet: AI leert van het verleden; Als de toekomst niet op het verleden lijkt, is het verkeerd. In deze unit leren we de taal van voorspellen, het meten van nauwkeurigheid, het omgaan met onzekerheid en waar AI zich aan u moet overgeven.
Taal van prognoses: tijdreeksen, trends, seizoensinvloeden
Vraaggegevens zijn meestal een tijdreeks: een reeks getallen geordend op tijd, zoals de dagelijkse verkoop van een product. Het verdelen van deze reeks in drie delen is de basis van de voorspelling:
Trend, richting op lange termijn: stijgt of daalt de omzet van jaar tot jaar? Seizoensgebondenheid, regelmatig terugkerende schommelingen: ijs wordt verkocht in de zomer, de verwarming wordt verkocht in de winter; Op vrijdag en zaterdag is het druk op de markt. Lawaai, onverklaarbaar willekeurig afspelen. Een goede voorspelling legt trends en seizoensinvloeden vast en laat zich niet misleiden door ruis. Bovendien stapelen de gebeurtenissen zich op: campagne, promotie, feestdag, weer, beweging van concurrenten. Wanneer je AI laat voorspellen, moet je deze gebeurtenissen vertellen; Als je het hem niet vertelt, zal hij denken dat springen op de campagnedag 'normaal' is en een fout maken over de toekomst.
Tip: Wanneer u ruwe verkoopgegevens aan AI verstrekt, markeer dan campagnes, feestdagen en dagen waarop de voorraad niet op voorraad is. De dag zonder voorraad is belangrijk: de omzet lijkt die dag laag, maar de echte vraag was groot, er waren gewoon geen goederen beschikbaar. Als je dit niet specificeert, zal de AI de daadwerkelijke vraag onderschatten.
Meetnauwkeurigheid: MAPE en bias
“Is de voorspelling goed?” Het antwoord op de vraag komt voort uit meting, niet uit gevoel. De meest voorkomende indicator is MAPE (Mean Absolute Percent Error: hoeveel procentpunten wijken voorspellingen gemiddeld af van de werkelijkheid). Als MAPE 10% is, betekent dit dat uw voorspellingen de werkelijke waarde gemiddeld 10% missen; lagere MAPE is beter. Het tweede belangrijke concept is vooringenomenheid: ligt uw voorspelling consistent boven de werkelijkheid (productie van overvoorraad) of ondervoorraad (waarbij er ondervoorraad blijft)? Zelfs als een voorspelling een lage MAPE heeft, is er sprake van een systematisch probleem als deze altijd in dezelfde richting afwijkt.
Je kunt AI een deel van de geschiedenis geven als ‘training’ en een deel ervan als ‘testen’ en de voorspelling ervan vergelijken met de werkelijkheid. Dit is de eerlijke manier om vertrouwen op te bouwen: het model testen op gegevens die het nog niet heeft gezien. Een voorspelling is alleen de moeite waard om op de toekomst toe te passen als deze in het verleden consistent is gebleken.
Let op: geen enkele voorspelling is 100% accuraat; Er wordt niet verwacht dat dit zal gebeuren. Het doel is niet om één perfect enkel getal te produceren, maar een beheersbaar bereik, waarbij de afwijking bekend is. Het binaire idee van “de voorspelling is uitgekomen/het werkte niet” is verkeerd; De juiste vraag is: "Hoeveel is er afgeweken en hoeveel buffer heb ik dienovereenkomstig behouden?"
Omgaan met onzekerheid: bereik, niet één getal
De gevaarlijkste gewoonte van de planner is om de voorspelling als één enkel hard getal te beschouwen. In werkelijkheid heeft elke voorspelling een betrouwbaarheidsinterval, zoals “de vraag volgende maand ligt waarschijnlijk tussen de 900 en 1.100.” Hoe groter dit bereik, hoe groter de onzekerheid. Het kennen van het assortiment heeft direct invloed op uw voorraadbeslissing: een smal assortiment vereist minder veiligheidsvoorraad, een breed assortiment vereist meer buffer.
Vraag de AI dus altijd om scenario’s: pessimistisch (als de vraag laag blijkt), verwacht en optimistisch (als de vraag hoog blijkt). Gezien drie scenario's is het plan niet gebaseerd op één enkele aanname, maar op een reeks mogelijke mogelijkheden. Dit is de meest praktische manier om uit de valkuil van ‘opgesloten in één nummer’ te komen.
Stap voor stap: Onderzoek naar vraagvoorspelling met AI
- Gegevens wissen. Markeer ontbrekende dagen, dagen die niet op voorraad zijn, open foutieve records; Werk met anonieme productcode.
- Gebeurtenissen taggen. Voeg campagne-, vakantie- en promotiedagen toe aan de gegevens.
- Trek het patroon af. Vraag de AI om trends, seizoensinvloeden en opmerkelijke gebeurtenissen samen te vatten.
- Test het. Bewaar het laatste deel van de geschiedenis, laat de AI voorspellen, vergelijk met de werkelijkheid (MAPE en bias direction).
- Creëer een scenario. Vraag om drie voorspellingen, pessimistisch/verwacht/optimistisch, en het betrouwbaarheidsinterval voor elk.
- Expertfilter. AI is niet op de hoogte van bekende aankomende verstoringen (nieuw product, aanbodcrisis, wetgeving); voeg ze handmatig toe. Het uiteindelijke plan is van jou.
drie minikoffers
Geval 1 — Seizoensinvloeden vastleggen. Een drankendistributeur klaagde dat hij tijdens de zomermaanden voortdurend geen voorraad meer had en in de winter met goederen bleef zitten. De planner gaf YZ drie jaar anonieme dagelijkse verkopen en liet de seizoensinvloeden wegnemen: de vraag tussen juni en augustus was 2,4 maal het wintergemiddelde en de sprong begon elk jaar medio mei. Volgens dit patroon legde hij zijn zomervoorraad drie weken van tevoren aan; De dode voorraad in de zomer daalde met 70%, de dode voorraad in de winter daalde. AI liet het patroon zien; De planner nam de voorraadbeslissing.
Geval 2 — Toegeven aan het nieuwe product. Een bedrijf ging een gloednieuw product lanceren; Er waren geen historische verkoopgegevens. De planner vroeg de AI: "Wat zal de vraag zijn voor de eerste drie maanden?" vroeg hij. De AI produceerde een getal dat redelijk leek – maar de planner wist dat het ongegrond was: er waren geen gegevens. In plaats daarvan vraagt AI: "Wat was het eerste driemaandelijkse patroon van producten die in het verleden in vergelijkbare segmenten zijn uitgebracht?" analyse en stel deze in als een voorspellingsbereik, met een voorzichtige startvoorraad. Het oordeel van deskundigen overstemde het fictieve vertrouwen van de AI.
Geval 3 — Zonder voorraad is de valkuil van de dag. Een analist concludeerde dat de vraag naar een product was gedaald en adviseerde de voorraad te verminderen. Zijn senior collega merkte op dat de lage verkoopdagen in de data feitelijk uitverkochte dagen waren: de vraag was niet gedaald, er waren geen goederen. Toen de gegevens met dit briefje werden gecorrigeerd en opnieuw aan de AI werden doorgegeven, bleek dat de werkelijke vraag toenam. Onjuist opgeschoonde gegevens leveren onjuiste voorspellingen op.
Vier kopieerbare sjablonen
1) Patroonextractie:
Jouw rol: assistent demand planning analist. Hieronder vindt u de maandelijkse verkoopgegevens van een product (anonieme code: PRODUCT-X) van de afgelopen 36 maanden. Campagnemaanden [maandenlijst], voorraadvrije maanden [maandenlijst]. Taak: Vat (1) de trend, (2) het seizoenspatroon en (3) de opmerkelijke gebeurtenissen samen. Houd er rekening mee dat maanden zonder voorraad de echte vraag verbergen. De maand waarvoor ik geen gegevens heb verstrekt, is verzonnen.
2) Nauwkeurigheidstest:
Voorspel de laatste 6 maanden aan de hand van de eerste 30 van de onderstaande 36 maanden. Vergelijk dan mijn voorspelling met de werkelijke afgelopen 6 maanden; Bereken de afwijking en de totale MAPE voor elke maand. Vertel mij of uw schatting voortdurend vertekend is. Formule weergeven.
3) Scenariovoorspelling:
Schat de maandelijkse vraag naar dit product in het volgende kwartaal in 3 scenario's: pessimistisch / verwacht / optimistisch. Geef voor elk scenario een betrouwbaarheidsinterval en schrijf op op welke aanname het gebaseerd is. Houd er rekening mee dat dit niet definitief is, maar een interval voor planning.
4) Breukcontrole:
Noem op hoe de voorspelling op basis van historische gegevens die ik u heb gegeven, ontkracht zou kunnen worden door de volgende aankomende gebeurtenissen: [nieuw product / promotie / aanbodcrisis / wijziging in de regelgeving]. Stel voor hoe ik de prognose voor elk handmatig moet aanpassen.
Zwakke prompt/sterke prompt
Zwakke prompt:
Hoeveel verkoop ik volgende maand?
Geen data, geen product, geen context. AI wijst het af of maakt het goed; geen van beide resultaten werkt.
Krachtige prompt:
Jouw rol: assistent vraagplanning. Hieronder vindt u de verkopen van PRODUCT-X gedurende de afgelopen 24 maanden; Campagnemaanden en voorraadvrije maanden zijn gemarkeerd. Geef een pessimistische/verwachte/optimistische voorspelling voor de komende drie maanden, voeg aan elke maand een betrouwbaarheidsinterval toe en toon MAPE over de afgelopen test. Doe alsof ik de definitieve aandelenbeslissing heb.
Benadering
raken
onzekerheidsbeheer
Risico
vertrouwen op één nummer
misleidend
Geen
Hoog – plan stort in
Scenario + bereik
realistisch
goed
laag
gewoon intuïtie
Variabel
zwak
middelhoog
Blindelings gehoorzamen aan AI
Variabel
Geen
hoog
Veel voorkomende fouten
- Een dag waarop de voorraad op is, wordt aangezien voor een echt lage vraag. Wanneer goederen niet beschikbaar zijn, lijkt de omzet laag; Dit betekent niet dat de vraag is gedaald.
- Vastleggen van één nummer. Als je de voorspelling als een absolute waarheid ziet, negeer je de onzekerheid; Vraag altijd naar bereik en scenario.
- De campagne niet taggen. Het model dat denkt dat promotie-bounce ‘normaal’ is, vertekent de toekomst.
- Voorspelling van een nieuw product zonder geschiedenis. Het ogenschijnlijk veilige aantal AI voor producten zonder data is ongegrond.
- Het breken wordt aan de AI overgelaten. AI kent geen structurele breuken zoals epidemieën, aanbodcrises en wetgeving; Er moet deskundig ingegrepen worden.
Let op: Hoe goed een voorspelling er ook uitziet, deze kan niet beter zijn dan de kwaliteit van de gegevens waarop deze is gebaseerd. "Afval erin, afval eruit." Besteed het grootste deel van uw tijd aan het opschonen van gegevens; Het modelgedeelte doet de rest.
Samengevat
Vraagvoorspelling is de motor van de supply chain, en AI is een krachtige assistent die deze motor versnelt. Maar AI leert van het verleden; zich vergist als de toekomst niet op het verleden lijkt. Leg trends en seizoensinvloeden vast, tag gebeurtenissen, meet de nauwkeurigheid met MAPE en driftrichting, stel prognoses in als scenario en bereik, niet als één getal. Het oordeel van deskundigen staat voorop bij nieuwe producten en structurele breuken. Het opschonen van gegevens is de basis van alles; Het uiteindelijke plan is van jou.
Applicatie taak
Ontvang verkoopgegevens voor de laatste 12-24 maanden van een van uw eigen producten (of een hypothetisch product), markeer de campagne en maanden die niet op voorraad zijn. Vraag de AI om drie scenario’s met de template ‘scenariovoorspelling’. Sla vervolgens een deel van de geschiedenis op met het sjabloon "Nauwkeurigheidstest" en vergelijk de voorspelling met de werkelijkheid. Noteer de MAPE die je hebt gevonden en het scenario dat je hebt gekozen, samen met de reden ervan, in 5 items; Geef ook aan welke beveiligingsbuffer u toevoegt.
controlelijst
- [ ] Heb ik de gegevens gewist, uitverkochte artikelen en campagnedagen gemarkeerd?
- [ ] Heb ik de voorspelling gevalideerd met MAPE en bias-richting door middel van backtesting?
- [ ] Heb ik om een scenario en een betrouwbaarheidsinterval gevraagd in plaats van om één getal?
- [ ] Als er een nieuw product/breuk is, heb ik dan prioriteit gegeven aan het oordeel van deskundigen?
- [ ] Heb ik het definitieve aandelenplan aan mijn eigen goedkeuring onderworpen?