Gevinster:
- Evne til å forstå begrepene tidsserier, trender, sesongvariasjoner og kampanjepåvirkning og bruke kunstig intelligens for etterspørselsprognoser med de riktige spørsmålene og rene data.
- Evne til å tolke prognosenøyaktighet (MAPE, avvik) og usikkerhet (konfidensintervall, scenarier) og basere planlegging på et område i stedet for et enkelt tall
- Å kunne skille at prediksjon av kunstig intelligens er basert på historiske data og at ekspertvurderinger kommer til syne i tilfeller av brudd som nye produkter, kampanjer eller forsyningskriser.
Hver beslutning i forsyningskjeden er basert på ett spørsmål: hvor stor etterspørsel vil det være? Jo mer nøyaktig du svarer på dette spørsmålet, jo mindre aksjer har du, jo mindre aksjer holder du deg unna, og jo mindre penger binder du opp. Etterspørselsprognoser er motoren i forsyningskjeden; Lager-, innkjøps-, produksjons- og transportplaner mates herfra. Kunstig intelligens er ekstremt kraftig på dette feltet fordi den skanner historien til tusenvis av produkter mye raskere enn et menneske og trekker ut mønstre. Men kilden til kraften er også grensen: AI lærer av fortiden; Hvis fremtiden ikke ligner fortiden, er det feil. I denne enheten lærer vi språket for prediksjon, måling av nøyaktighet, håndtering av usikkerhet og hvor AI bør overgi seg til deg.
Språk for prognoser: tidsserier, trend, sesongvariasjoner
Etterspørselsdata er vanligvis en tidsserie - en serie tall sortert etter tid, for eksempel hver dags salg av et produkt. Å dele denne sekvensen i tre deler er grunnlaget for prediksjon:
Trend, langsiktig retning: øker eller synker salget fra år til år? Sesongvariasjoner, regelmessig tilbakevendende svingninger: iskrem selges om sommeren, varmeapparatet selger om vinteren; Markedet er travelt fredag og lørdag. Støy, uforklarlig tilfeldig spilling. En god prognose fanger opp trender og sesongvariasjoner og lar seg ikke lure av støy. På toppen av disse hoper det seg opp hendelser: kampanje, kampanje, helligdag, vær, konkurrenttrekk. Når du får AI til å forutsi, må du fortelle den disse hendelsene; Hvis du ikke forteller ham det, vil han tro at det å hoppe på kampanjedagen er «normalt» og vil gjøre en feil om fremtiden.
Tips: Når du gir rå salgsdata til AI, merk kampanjer, helligdager og utsolgte dager. Dagen uten lager er viktig: Salget ser ut til å være lavt den dagen, men den reelle etterspørselen var høy, det var bare ingen varer tilgjengelig. Hvis du ikke spesifiserer dette, vil AI undervurdere den faktiske etterspørselen.
Målenøyaktighet: MAPE og skjevhet
– Er prognosen bra? Svaret på spørsmålet kommer fra måling, ikke følelse. Den vanligste indikatoren er MAPE (Mean Absolute Percent Error — hvor mange prosentpoeng i gjennomsnitt avviker spådommer fra virkeligheten). Hvis MAPE er 10 %, betyr det at spådommene dine går glipp av den reelle verdien med et gjennomsnitt på 10 %; lavere MAPE er bedre. Det andre viktige konseptet er skjevhet: er prognosen din konsekvent over (produserer overlager) eller understocking (etterlater underlager) virkeligheten? Selv om en prognose har en lav MAPE, hvis den alltid avviker i samme retning, er det et systematisk problem.
Du kan gi AI en del av historien som "trening" og en del av den som "testing" og sammenligne dens prediksjon med virkeligheten. Dette er den ærlige måten å bygge tillit på: å teste modellen på data den ikke har sett. En spådom er bare verdt å bruke på fremtiden hvis den har vist seg konsistent i fortiden.
Forsiktig: Ingen prediksjon er 100 % nøyaktig; Det forventes ikke å skje. Målet er ikke å produsere et perfekt enkelt tall, men et håndterbart område, vel vitende om avviket. Den binære ideen om "spådommen gikk i oppfyllelse/den fungerte ikke" er feil; Det riktige spørsmålet er "hvor mye avvek det og hvor mye buffer holdt jeg deretter?"
Håndtere usikkerhet: rekkevidde, ikke enkelt tall
Planleggerens farligste vane er å behandle prognosen som et enkelt hardt tall. I virkeligheten har hver prognose et konfidensintervall - som "etterspørselen neste måned er mest sannsynlig mellom 900 og 1100." Jo bredere dette området er, desto større er usikkerheten. Å kjenne til utvalget påvirker aksjebeslutningen direkte: Smal rekkevidde krever mindre sikkerhetslager, stort utvalg krever mer buffer.
Så spør alltid AI om scenarier: pessimistisk (hvis etterspørselen viser seg lav), forventet og optimistisk (hvis etterspørselen viser seg høy). Når vi ser tre scenarier, er planen ikke basert på en enkelt forutsetning, men på en rekke mulige muligheter. Dette er den mest praktiske måten å komme seg ut av "låst i enkeltnummer"-fellen.
Trinn for trinn: Etterspørselsprognosestudie med AI
- Slett data. Merk manglende dager, utsolgte dager, åpne feilregistreringer; Arbeid med anonym produktkode.
- Merk hendelser. Legg til kampanje-, ferie- og kampanjedager i dataene.
- Trekk fra mønsteret. Be AI om å oppsummere trender, sesongvariasjoner og bemerkelsesverdige hendelser.
- Test det. Lagre den siste delen av historien, la AI forutsi, sammenligne med virkeligheten (MAPE og bias-retning).
- Lag et scenario. Be om tre spådommer, pessimistisk/forventet/optimistisk, og konfidensintervallet for hver.
- Ekspertfilter. AI vet ikke om kjente kommende forstyrrelser (nytt produkt, forsyningskrise, lovgivning); legge dem til manuelt. Den endelige planen er din.
tre minisaker
Tilfelle 1 – Fange sesongvariasjoner. En drikkevaredistributør klaget over at han stadig var utsolgt i sommermånedene og satt igjen med varer om vinteren. Planleggeren ga 3 år med anonymt daglig salg til YZ og fikk fjernet sesongvariasjoner: Etterspørselen fra juni-august var 2,4 ganger vintergjennomsnittet, og hoppet startet i midten av mai hvert år. Etter dette mønsteret satte han opp sommerlageret 3 uker i forveien; sommerdøde bestander falt med 70 %, vinterdøde bestander falt. AI viste mønsteret; Planleggeren tok aksjebeslutningen.
Tilfelle 2 — Å gi etter for det nye produktet. Et selskap skulle lansere et helt nytt produkt; Det var ingen historiske salgsdata. Planleggeren spurte AI: "Hva vil etterspørselen være for de første 3 månedene?" spurte han. AI produserte et tall som virket rimelig - men planleggeren visste at det var ubegrunnet: det var ingen data. I stedet spør AI "Hva var det første 3-månedersmønsteret med produkter utgitt i lignende segmenter tidligere?" analyse og sett det opp som et prognoseområde, med forsiktig startlager. Ekspertvurdering overstyrte AIs fiktive selvtillit.
Tilfelle 3 — Lagerløs er dagens felle. En analytiker konkluderte med at etterspørselen etter et produkt hadde falt og anbefalte å redusere varelageret. Hans seniorkollega la merke til at de lave salgsdagene i dataene faktisk var utsolgte dager: etterspørselen hadde ikke falt, det var ingen varer. Da dataene ble korrigert med denne merknaden og gitt til AI på nytt, så man at den reelle etterspørselen økte. Feil rensede data gir feil spådommer.
Fire kopierbare maler
1) Mønsterutvinning:
Din rolle: assistent behovsplanleggingsanalytiker. Nedenfor er de månedlige salgsdataene for et produkt (anonym kode: PRODUCT-X) for de siste 36 månedene. Kampanjemåneder [månedsliste], lagerfrie måneder [månedsliste]. Oppgave: Oppsummer (1) trenden, (2) sesongmønsteret, (3) de bemerkelsesverdige hendelsene. Ta hensyn til at måneder uten lager skjuler ekte etterspørsel. Måneden jeg ikke oppga data for er oppdiktet.
2) Nøyaktighetstest:
Forutsi de siste 6 månedene ved å bruke de første 30 av de 36 månedene nedenfor. Sammenlign deretter spådommen min med de faktiske siste 6 månedene; Beregn avviket og total MAPE for hver måned. Fortell meg om anslaget ditt er konsekvent partisk. Vis formel.
3) Scenarioprognose:
Estimer neste kvartals månedlige etterspørsel etter dette produktet i 3 scenarier: pessimistisk / forventet / optimistisk. Gi et konfidensintervall for hvert scenario og skriv ned hvilken forutsetning det er basert på. Merk at dette ikke er definitivt, men et intervall for planlegging.
4) Bruddkontroll:
List opp hvordan prognosen basert på historiske data jeg ga deg kan bli ugyldig av følgende kommende hendelser: [nytt produkt / kampanje / forsyningskrise / reguleringsendring]. Foreslå hvordan jeg manuelt skal justere prognosen for hver.
Svak forespørsel / Sterk forespørsel
Svak melding:
Hvor mye vil jeg selge neste måned?
Ingen data, ingen produkt, ingen kontekst. AI enten avviser eller gjør opp; ingen av resultatene fungerer.
Kraftig ledetekst:
Din rolle: behovsplanleggingsassistent. Nedenfor er salget av PRODUCT-X de siste 24 månedene; Kampanjemåneder og lagerfrie måneder er markert. Gi pessimistisk/forventet/optimistisk prognose for de neste 3 månedene, legg til konfidensintervall for hver, vis MAPE over tidligere tester. Lat som om jeg har den endelige aksjeavgjørelsen.
Tilnærming
treffer
usikkerhetshåndtering
Risiko
stole på enkeltnummer
villedende
Ingen
Høy — planen kollapser
Scenario + rekkevidde
realistisk
bra
lav
bare intuisjon
Variabel
svak
middels høy
Blindt adlyde AI
Variabel
Ingen
høy
Vanlige feil
- Forveksler en lager-ut-dag med virkelig lav etterspørsel. Når varer ikke er tilgjengelige, virker salget lavt; Det betyr ikke at etterspørselen har falt.
- Låser inn et enkelt nummer. Å se spådommen som en absolutt sannhet er å ignorere usikkerheten; Spør alltid om rekkevidde og scenario.
- Tagger ikke kampanjen. Modellen som mener reklamesprett er "normal" forvrenger fremtiden.
- Forutsigelse til nytt produkt uten historie. Det tilsynelatende sikre antallet AI for produkter uten data er ubegrunnet.
- Overlater bruddet til AI. AI kjenner ikke til strukturelle brudd som epidemier, forsyningskriser og lovgivning; Ekspertintervensjon må gjøres.
Forsiktig: Uansett hvor god en prediksjon ser ut, kan den ikke være bedre enn kvaliteten på dataene den er basert på. "Søppel inn, søppel ut." Bruk mesteparten av tiden din på å rense data; Modelldelen gjør resten.
Oppsummert
Etterspørselsprognoser er motoren i forsyningskjeden, og AI er en kraftig assistent som akselererer denne motoren. Men AI lærer av fortiden; tar feil når fremtiden ikke ligner fortiden. Fang opp trender og sesongvariasjoner, merk hendelser, mål nøyaktighet med MAPE og driftretning, sett opp prognose som scenario og rekkevidde, ikke enkelt tall. Ekspertvurdering kommer først i nye produkter og strukturelle brudd. Datarensing er grunnlaget for alt; Den endelige planen er din.
Søknadsoppgave
Få salgsdata for de siste 12-24 månedene for et av dine egne produkter (eller et hypotetisk produkt), merk kampanjen og utsolgte måneder. Spør AI om tre scenarier med "scenarioprediksjon"-malen. Lagre deretter noe av historien med malen "Nøyaktighetstest" og sammenlign prediksjonen med virkeligheten. Skriv ned MAPE du fant og scenariet du valgte, sammen med årsaken, i 5 punkter; Spesifiser også hvilken sikkerhetsbuffer du vil legge til.
sjekkliste
- [ ] Har jeg slettet dataene, merket utsolgt og kampanjedager?
- [ ] Har jeg validert prediksjonen med MAPE og bias-retning gjennom backtesting?
- [ ] Spurte jeg om et scenario og et konfidensintervall i stedet for et enkelt tall?
- [ ] Hvis det er et nytt produkt / brudd, har jeg prioritert ekspertvurdering?
- [ ] Har jeg underlagt den endelige lagerplanen min egen godkjenning?