Gevinster:
- Evne til å produsere et utkast til etterspørselsprognose på SKU-basis med støtte for kunstig intelligens ved å kombinere historiske salgsdata, sesongeffekter og eksterne faktorer.
- Evne til å tolke prognosenøyaktighet (MAPE, bias) og skille forretningsmessige konsekvenser av overestimering og underestimering
- Å kunne opprettholde at prognosen produsert av kunstig intelligens er en prediksjon og den endelige ordrebeslutningen tilhører forvalteren sammen med aksjekostnad og kontantstrøm.
Det er to dyreste feil i detaljhandelen: å holde for mye lager og la pengene vanke på hylla, eller ikke ha nok lager og la kunden stå tomhendt. Begge har samme kilde: dårlig etterspørselsprognose. I denne enheten lærer du hvordan du bruker kunstig intelligens som en kraftig assistent som forutsier fremtiden fra tidligere salg. Men la oss si fra begynnelsen: en spådom er ikke en profeti, men en sannsynlig spådom. AI gir deg et tall; Det er din jobb å oversette dette nummeret til en bestillingsbeslutning.
Etterspørselsprognoser: Det er oppgaven å forutsi hvor mye av et produkt eller en kategori som vil bli solgt i fremtiden ved å se på historiske data og påvirkningsfaktorer.
SKU (Stock Keeping Unit): Det er den unike lagerkoden som holdes for hver forskjellige produktvariant. For eksempel er "røde, størrelse 42 joggesko" en SKU; nummer 43 av samme modell er en egen SKU.
Tre informasjonskilder som mater prognosen
En god prognose kombinerer tre ting:
- Historisk salg (grunnlinje): Ukentlig/månedlig salg av produktet de siste 12-24 månedene. AI-en trekker ut et "normalt" nivå fra denne serien.
- Sesong- og kalendereffekter: Ferie, skoletermin, sommer-vinter, helg, lønning. For eksempel øker isen om sommeren og sokkene øker om vinteren.
- Eksterne faktorer: Kampanje, prisendring, vær, konkurrentbevegelse, åpning/lukking. Disse skyver estimatet opp eller ned.
Tips: Ikke bare fortell AI-en "vi solgte 100 forrige måned." Si: "Vi solgte 100 forrige måned, men det var 20 % rabatt og det var en ferieuke." Uten kontekst er spådom misvisende.
Steg for steg generering av prediksjon
- Klargjør dataene: Et anonymt, rent bord: dato, SKU, mengde solgt, pris, kampanje/ingen kampanje, tilgjengelighet. Merk dagene da det ikke er på lager; Ellers vil kunstig intelligens synes den dagen er «low demand».
- Gi kontekst: Skriv ned sesongen, kommende arrangementer, planlagte kampanjer.
- Be om en prognose: Be om en prognose og et konfidensintervall (worst/best case scenario) for en bestemt periode, etter SKU eller kategori.
- Mål nøyaktighet: Sammenlign dine tidligere spådommer med virkeligheten (MAPE nedenfor).
- Gjør det til en beslutning: Kombiner anslaget med sikkerhetslager og budsjett og ta bestillingsbeslutningen.
Lese prognosenøyaktighet: MAPE og skjevhet
MAPE (Mean Absolute Percent Error): Viser gjennomsnittlig prosentvis avvik for prognoser fra faktisk salg. Formelen er ganske enkelt: |faktisk − prognose| for hver periode / reell er gjennomsnittet deres.
- MAPE 10% → estimater avviker med 10% i gjennomsnitt, ganske bra.
- MAPE 40% → prognoser er upålitelige, mer buffer (sikkerhetslager) er nødvendig for å bestemme ordren.
Retning (skjevhet): Er prognosen din konsekvent over (fare for overbeholdning) eller under (risiko for utlagring) virkeligheten? Se også denne; MAPE viser ikke retning.
Status
Mening
forretningsresultat
Vedvarende høyt anslag
Du overdriver etterspørselen
Overskuddslager, nedsmelting, tap av margin
Vedvarende undervurdering
Du undervurderer etterspørselen
Ikke på lager, tapte salg, misnøye
Høy MAPE, balansert retning
Usikkerheten er stor
Øk sikkerhetslageret, gjennomgå ofte
Lav MAPE
nøyaktig prediksjon
Slankere aksjer, bedre kontanter
minisaker
Tilfelle 1 – Manglende sesongvariasjoner: En dagligvarebutikk bestiller skolenotatbøker basert på fjorårets julisalg (200 enheter per måned). Når den kunstige intelligensen får konteksten «August-september skoletermin, salget firedoblet seg i denne perioden i fjor», øker spådommen til 780 enheter i stedet for 200. Takket være riktig rekkefølge går du ikke tom for lager i løpet av skoleåret; Den estimerte omsetningen på 60 000 TL, som rømte året før, fanges opp i år.
Tilfelle 2 — Ikke medregnet utsolgt-dagen: En butikk var ikke på lager av en populær kaffe i 3 uker. Når man ser på rådataene, ser kunstig intelligens disse ukene som «5 salg per uke» og gir et lavt estimat. Når analytikeren markerer dagene uten lager og sier «disse ukene reflekterer ikke etterspørselen», øker prognosen til 45 per uke. Virkelig etterspørsel dukker opp.
Case 3 — Generalisering av kampanjeeffekten: En tekstilkjede anser et ukesalg på 50 % (600 enheter) som «normalt» og bestiller hele tiden 600. Når den kunstige intelligensen får beskjed om «dette salget ble gjort med en engangskampanje, normal uke er 180», korrigeres spådommen. Risikoen for overlager og påfølgende nedskrivningstap forhindres.
Prediksjonshorisont: hvor langt fremover kan du se?
Prognosehorisont: Hvor langt inn i fremtiden prognosen er laget. Regelen er enkel: Jo lengre horisont, jo større er usikkerheten. Du spår neste ukes salg relativt nøyaktig; seks måneder senere med et mye bredere spekter. Så velg prognosehorisonten i henhold til behovet for ordrebeslutning: kort horisont og hyppig oppdatering for ferske produkter som går raskt tom; Lengre horisont og bredere sikkerhetsmargin for importerte produkter med lange ledetider.
Et annet viktig skille er prognoser for nye produkter. Det er ikke noe tidligere salg av en ny SKU; i dette tilfellet gir du AI historien til lignende produkter (analog), kategorigjennomsnittet og lanseringsplanen. Å si "Dette produktet har ingen historie; gi et innledende estimat ved å se på de første 8 ukene av lignende produkter X og Y" er en rimelig måte å fylle ut det tomme. Imidlertid er prognoser for nye produkter alltid mer risikofylte; Revider prognosen raskt etter hvert som faktiske data for de første ukene blir tilgjengelige.
Forsiktig: Ikke behandle anslaget som en "gjør det en gang og glem det" behandling. Etterspørselsprognoser er en levende prosess; Hver ny salgsuke er en mulighet til å oppdatere prognosen. De beste prognosemakerne er de som bruker den som oppdateres hyppigst, ikke den smarteste modellen.
Svak forespørsel / Sterk forespørsel
Svak melding:
Fortell meg hvor mye dette produktet vil selge neste måned.
Det er ingen kontekst; AI utgjør et tilfeldig tall.
Kraftig ledetekst:
Din rolle: spesialist i behovsplanlegging. Data: Nedenfor er månedlig salgsantall og pris for de siste 18 månedene for SKU 4471 og om det er en kampanje den måneden. Kontekst: Dette produktet er sommersandaler; Etterspørselen topper seg i mai-august. Neste måned er juni. Det er ingen kampanje planlagt. Prisen er fast.Oppgave: (1) forventet salgsantall for juni, (2) verste og beste scenarioområde, (3) 2 hovedfaktorer som påvirker prognosen.Regel: Ikke tell måneder merket som utsolgt som lav etterspørsel.Basert kun på gitte data.Data: [lim inn tabell]
Kopierbare spørsmålsmaler
1) SKU-basert prediksjon
Din rolle: spesialist i behovsplanlegging. Generer fremtidig [periode]-prognose for [SKU] fra følgende anonyme månedlige salgsserier. Output: forventet mengde + dårligst/beste område + 2 forutsetninger. Ekskluder perioder som er merket som utsolgt. Data: [lim inn]
2) Fjerning av sesongmønster
Finn det tilbakevendende sesongmønsteret i 24-måneders salgsserien nedenfor. Hvilke måneder er de øverste og hvilke måneder er de nederste? Oppgi avviket fra gjennomsnittet i prosent. Presenter det i tabellform. Data: [lim inn]
3) Prediksjonsnøyaktighetsevaluering
Nedenfor er mine historiske estimater og faktiske salg. (1) Beregn MAPE, (2) driver prognosen min konsekvent høyere eller lavere, (3) hva betyr dette for aksjen? Vis trinn for trinn. Data: [estimat, faktiske kolonner]
4) Trekk ut kampanjeeffekten
Kampanjeuker er markert i salgsserien under. Anslå normal (ikke-kampanje) etterspørsel; Gi kampanjeeffekten som en egen løfteprosent. Så jeg vil se det normale ordrenivået. Data: [lim inn]
Vanlige feil
- Gir ikke kontekst: Hvis kampanjen, sesong, prisendring ikke er spesifisert, vil prediksjonen være misvisende.
- Om utsolgte dager skal telles som etterspørsel: En utsolgt periode skjuler reell etterspørsel; merke.
- Godta kampanjesalg som normalt: Å tenke at en engangsøkning er permanent vil føre til overflødig lagerbeholdning.
- Å stole på et enkelt tall: Å ikke ha et område (scenario) og stole på et enkelt punkt skjuler risikoen.
- Måler ikke nøyaktighet i det hele tatt: Hvis MAPE og retning ikke overvåkes, blir spådommen verre og verre.
- Foreta direkte bestillinger med estimater: Bestilling uten kontant-, lager- og holdbarhetskontroll.
Oppsummert
Gode prognoser kombinerer tidligere salg, sesongvariasjoner og eksterne faktorer. Sørg for å gi AI-en konteksten (kampanje, sesong, utsolgte dager). Overvåk prognosenøyaktighet med MAPE og forspenningsretning; Øk sikkerhetslageret i høy usikkerhet. En prediksjon er en prediksjon; Den endelige bestillingsbeslutningen er din, sammen med budsjett og begrensninger.
Søknadsoppgave
Få salget av dine topp 5 bestselgende SKU-er for de siste 12-18 månedene i en anonym tabell og marker utsolgt- og kampanjeperioder. Generer en fremtidig prognose med ledeteksten "1) SKU-basert prognose", og trekk ut MAPE-en til tidligere prognoser med "3) Evaluering av prognosenøyaktighet". Sammenlign resultatet med din egen bestillingsbeslutning.
sjekkliste
- [ ] Jeg anonymiserte og renset salgsdataene mine.
- [ ] Jeg merket utsolgt på lager og kampanjeperioder.
- [ ] Jeg ga sesongen og ekstern faktor kontekst til AI.
- [ ] Jeg ønsket et scenarioområde, ikke et enkelt tall.
- [ ] Jeg sjekket MAPE og girretning.
- [ ] Jeg tok bestillingsbeslutningen basert på budsjett og begrensninger.