ਲਾਭ:
- ਇਤਿਹਾਸਕ ਵਿਕਰੀ ਡੇਟਾ, ਮੌਸਮੀ ਪ੍ਰਭਾਵਾਂ ਅਤੇ ਬਾਹਰੀ ਕਾਰਕਾਂ ਨੂੰ ਜੋੜ ਕੇ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਸਪੋਰਟ ਦੇ ਨਾਲ ਇੱਕ SKU ਆਧਾਰ 'ਤੇ ਇੱਕ ਡਰਾਫਟ ਮੰਗ ਪੂਰਵ ਅਨੁਮਾਨ ਤਿਆਰ ਕਰਨ ਦੀ ਸਮਰੱਥਾ।
- ਪੂਰਵ ਅਨੁਮਾਨ ਦੀ ਸ਼ੁੱਧਤਾ (MAPE, ਪੱਖਪਾਤ) ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਅਤੇ ਵੱਧ ਅੰਦਾਜ਼ੇ ਅਤੇ ਘੱਟ ਅੰਦਾਜ਼ੇ ਦੇ ਕਾਰੋਬਾਰੀ ਨਤੀਜਿਆਂ ਨੂੰ ਵੱਖ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਇਹ ਬਣਾਈ ਰੱਖਣ ਦੇ ਯੋਗ ਹੋਣਾ ਕਿ ਨਕਲੀ ਬੁੱਧੀ ਦੁਆਰਾ ਪੈਦਾ ਕੀਤੀ ਗਈ ਭਵਿੱਖਬਾਣੀ ਇੱਕ ਪੂਰਵ-ਅਨੁਮਾਨ ਹੈ ਅਤੇ ਅੰਤਮ ਆਦੇਸ਼ ਦਾ ਫੈਸਲਾ ਸਟਾਕ ਦੀ ਲਾਗਤ ਅਤੇ ਨਕਦ ਪ੍ਰਵਾਹ ਦੇ ਨਾਲ ਮੈਨੇਜਰ ਦਾ ਹੈ।
ਰਿਟੇਲ ਵਿੱਚ ਦੋ ਸਭ ਤੋਂ ਮਹਿੰਗੀਆਂ ਗਲਤੀਆਂ ਹਨ: ਬਹੁਤ ਜ਼ਿਆਦਾ ਸਟਾਕ ਰੱਖਣਾ ਅਤੇ ਪੈਸੇ ਨੂੰ ਸ਼ੈਲਫ 'ਤੇ ਰੁਕਣਾ, ਜਾਂ ਲੋੜੀਂਦਾ ਸਟਾਕ ਨਾ ਰੱਖਣਾ ਅਤੇ ਗਾਹਕ ਨੂੰ ਖਾਲੀ ਹੱਥ ਛੱਡਣਾ। ਦੋਵਾਂ ਦਾ ਇੱਕੋ ਹੀ ਸਰੋਤ ਹੈ: ਮਾੜੀ ਮੰਗ ਦੀ ਭਵਿੱਖਬਾਣੀ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ ਤੁਸੀਂ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਹਾਇਕ ਵਜੋਂ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਵਰਤੋਂ ਕਰਨ ਬਾਰੇ ਸਿੱਖੋਗੇ ਜੋ ਪਿਛਲੀ ਵਿਕਰੀ ਤੋਂ ਭਵਿੱਖ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ। ਪਰ ਆਓ ਸ਼ੁਰੂ ਤੋਂ ਹੀ ਕਹੀਏ: ਇੱਕ ਭਵਿੱਖਬਾਣੀ ਇੱਕ ਭਵਿੱਖਬਾਣੀ ਨਹੀਂ ਹੈ, ਪਰ ਇੱਕ ਸੰਭਾਵੀ ਭਵਿੱਖਬਾਣੀ ਹੈ। AI ਤੁਹਾਨੂੰ ਇੱਕ ਨੰਬਰ ਦਿੰਦਾ ਹੈ; ਉਸ ਨੰਬਰ ਦਾ ਆਰਡਰਿੰਗ ਫੈਸਲੇ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰਨਾ ਤੁਹਾਡਾ ਕੰਮ ਹੈ।
ਡਿਮਾਂਡ ਪੂਰਵ ਅਨੁਮਾਨ: ਇਹ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦਾ ਕੰਮ ਹੈ ਕਿ ਇਤਿਹਾਸਕ ਡੇਟਾ ਅਤੇ ਪ੍ਰਭਾਵ ਵਾਲੇ ਕਾਰਕਾਂ ਨੂੰ ਦੇਖ ਕੇ ਭਵਿੱਖ ਵਿੱਚ ਕਿੰਨਾ ਉਤਪਾਦ ਜਾਂ ਸ਼੍ਰੇਣੀ ਵੇਚੀ ਜਾਵੇਗੀ।
SKU (ਸਟਾਕ ਕੀਪਿੰਗ ਯੂਨਿਟ): ਇਹ ਹਰੇਕ ਵੱਖ-ਵੱਖ ਉਤਪਾਦ-ਵਰਗ ਲਈ ਰੱਖਿਆ ਗਿਆ ਵਿਲੱਖਣ ਸਟਾਕ ਕੋਡ ਹੈ। ਉਦਾਹਰਨ ਲਈ, “ਲਾਲ, ਸਾਈਜ਼ 42 ਸਨੀਕਰਸ” ਇੱਕ SKU ਹੈ; ਉਸੇ ਮਾਡਲ ਦਾ ਨੰਬਰ 43 ਇੱਕ ਵੱਖਰਾ SKU ਹੈ।
ਜਾਣਕਾਰੀ ਦੇ ਤਿੰਨ ਸਰੋਤ ਜੋ ਪੂਰਵ ਅਨੁਮਾਨ ਨੂੰ ਪੂਰਾ ਕਰਦੇ ਹਨ
ਇੱਕ ਚੰਗੀ ਭਵਿੱਖਬਾਣੀ ਤਿੰਨ ਚੀਜ਼ਾਂ ਨੂੰ ਜੋੜਦੀ ਹੈ:
- ਇਤਿਹਾਸਕ ਵਿਕਰੀ (ਬੇਸਲਾਈਨ): ਪਿਛਲੇ 12-24 ਮਹੀਨਿਆਂ ਵਿੱਚ ਉਤਪਾਦ ਦੀ ਹਫ਼ਤਾਵਾਰੀ/ਮਾਸਿਕ ਵਿਕਰੀ। AI ਇਸ ਲੜੀ ਤੋਂ ਇੱਕ "ਆਮ" ਪੱਧਰ ਕੱਢਦਾ ਹੈ।
- ਮੌਸਮੀ ਅਤੇ ਕੈਲੰਡਰ ਪ੍ਰਭਾਵ: ਛੁੱਟੀਆਂ, ਸਕੂਲ ਦੀ ਮਿਆਦ, ਗਰਮੀਆਂ-ਸਰਦੀਆਂ, ਸ਼ਨੀਵਾਰ, ਤਨਖਾਹ। ਉਦਾਹਰਨ ਲਈ, ਗਰਮੀਆਂ ਵਿੱਚ ਆਈਸਕ੍ਰੀਮ ਵਧ ਜਾਂਦੀ ਹੈ ਅਤੇ ਸਰਦੀਆਂ ਵਿੱਚ ਜੁਰਾਬਾਂ ਵਧ ਜਾਂਦੀਆਂ ਹਨ।
- ਬਾਹਰੀ ਕਾਰਕ: ਮੁਹਿੰਮ, ਕੀਮਤ ਤਬਦੀਲੀ, ਮੌਸਮ, ਪ੍ਰਤੀਯੋਗੀ ਅੰਦੋਲਨ, ਖੁੱਲਣਾ/ਬੰਦ ਕਰਨਾ। ਇਹ ਅੰਦਾਜ਼ੇ ਨੂੰ ਉੱਪਰ ਜਾਂ ਹੇਠਾਂ ਧੱਕਦੇ ਹਨ।
ਸੁਝਾਅ: AI ਨੂੰ ਸਿਰਫ਼ ਇਹ ਨਾ ਦੱਸੋ ਕਿ "ਅਸੀਂ ਪਿਛਲੇ ਮਹੀਨੇ 100 ਵੇਚੇ ਹਨ।" ਕਹੋ, "ਅਸੀਂ ਪਿਛਲੇ ਮਹੀਨੇ 100 ਵੇਚੇ, ਪਰ 20% ਦੀ ਛੂਟ ਸੀ ਅਤੇ ਇਹ ਛੁੱਟੀਆਂ ਦਾ ਹਫ਼ਤਾ ਸੀ।" ਸੰਦਰਭ ਤੋਂ ਬਿਨਾਂ, ਭਵਿੱਖਬਾਣੀ ਗੁੰਮਰਾਹਕੁੰਨ ਹੈ।
ਕਦਮ ਦਰ ਕਦਮ ਭਵਿੱਖਬਾਣੀ ਪੀੜ੍ਹੀ
- ਡੇਟਾ ਤਿਆਰ ਕਰੋ: ਇੱਕ ਅਗਿਆਤ, ਸਾਫ਼ ਸਾਰਣੀ: ਮਿਤੀ, SKU, ਵੇਚੀ ਗਈ ਮਾਤਰਾ, ਕੀਮਤ, ਪ੍ਰੋਮੋਸ਼ਨ/ਕੋਈ ਪ੍ਰਮੋਸ਼ਨ, ਉਪਲਬਧਤਾ। ਆਊਟ-ਆਫ-ਸਟਾਕ ਦੇ ਦਿਨਾਂ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕਰੋ; ਨਹੀਂ ਤਾਂ, ਨਕਲੀ ਬੁੱਧੀ ਉਸ ਦਿਨ ਨੂੰ "ਘੱਟ ਮੰਗ" ਬਾਰੇ ਸੋਚੇਗੀ।
- ਸੰਦਰਭ ਦਿਓ: ਸੀਜ਼ਨ, ਆਗਾਮੀ ਸਮਾਗਮਾਂ, ਯੋਜਨਾਬੱਧ ਮੁਹਿੰਮਾਂ ਨੂੰ ਲਿਖੋ।
- ਇੱਕ ਪੂਰਵ ਅਨੁਮਾਨ ਦੀ ਬੇਨਤੀ ਕਰੋ: SKU ਜਾਂ ਸ਼੍ਰੇਣੀ ਦੁਆਰਾ, ਇੱਕ ਖਾਸ ਮਿਆਦ ਲਈ ਇੱਕ ਪੂਰਵ ਅਨੁਮਾਨ ਅਤੇ ਇੱਕ ਭਰੋਸੇ ਦੇ ਅੰਤਰਾਲ (ਸਭ ਤੋਂ ਮਾੜੀ/ਸਭ ਤੋਂ ਵਧੀਆ ਸਥਿਤੀ) ਦੀ ਬੇਨਤੀ ਕਰੋ।
- ਸ਼ੁੱਧਤਾ ਨੂੰ ਮਾਪੋ: ਆਪਣੀਆਂ ਪਿਛਲੀਆਂ ਭਵਿੱਖਬਾਣੀਆਂ ਦੀ ਅਸਲੀਅਤ ਨਾਲ ਤੁਲਨਾ ਕਰੋ (ਹੇਠਾਂ MAPE)।
- ਇਸਨੂੰ ਇੱਕ ਫੈਸਲੇ ਵਿੱਚ ਬਦਲੋ: ਅਨੁਮਾਨ ਨੂੰ ਸੁਰੱਖਿਆ ਸਟਾਕ ਅਤੇ ਬਜਟ ਨਾਲ ਜੋੜੋ ਅਤੇ ਆਰਡਰਿੰਗ ਦਾ ਫੈਸਲਾ ਕਰੋ।
ਪੂਰਵ ਅਨੁਮਾਨ ਦੀ ਸ਼ੁੱਧਤਾ ਪੜ੍ਹਨਾ: MAPE ਅਤੇ ਪੱਖਪਾਤ
MAPE (ਔਸਤਨ ਸੰਪੂਰਨ ਪ੍ਰਤੀਸ਼ਤ ਗਲਤੀ): ਅਸਲ ਵਿਕਰੀ ਤੋਂ ਪੂਰਵ ਅਨੁਮਾਨਾਂ ਦੀ ਔਸਤ ਪ੍ਰਤਿਸ਼ਤ ਭਟਕਣਾ ਦਿਖਾਉਂਦਾ ਹੈ। ਫਾਰਮੂਲਾ ਸਿਰਫ਼ ਹੈ: |ਅਸਲ − ਪੂਰਵ ਅਨੁਮਾਨ| ਹਰੇਕ ਪੀਰੀਅਡ ਲਈ/ਅਸਲ ਉਹਨਾਂ ਦੀ ਔਸਤ ਹੈ।
- MAPE 10% → ਅਨੁਮਾਨ ਔਸਤਨ 10% ਤੋਂ ਭਟਕ ਜਾਂਦੇ ਹਨ, ਬਹੁਤ ਵਧੀਆ।
- MAPE 40% → ਪੂਰਵ-ਅਨੁਮਾਨ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਹਨ, ਆਰਡਰ ਦੇ ਫੈਸਲੇ ਵਿੱਚ ਵਧੇਰੇ ਬਫਰ (ਸੁਰੱਖਿਆ ਸਟਾਕ) ਦੀ ਲੋੜ ਹੈ।
ਦਿਸ਼ਾ (ਪੱਖਪਾਤ): ਕੀ ਤੁਹਾਡੀ ਭਵਿੱਖਬਾਣੀ ਲਗਾਤਾਰ ਉੱਪਰ ਹੈ (ਓਵਰਸਟਾਕਿੰਗ ਦਾ ਜੋਖਮ) ਜਾਂ ਹੇਠਾਂ (ਸਟਾਕ ਕਰਨ ਦਾ ਜੋਖਮ) ਅਸਲੀਅਤ ਹੈ? ਇਹ ਵੀ ਦੇਖੋ; MAPE ਦਿਸ਼ਾ ਨਹੀਂ ਦਿਖਾਉਂਦਾ।
ਸਥਿਤੀ
ਭਾਵ
ਕਾਰੋਬਾਰ ਦਾ ਨਤੀਜਾ
ਲਗਾਤਾਰ ਉੱਚ ਅਨੁਮਾਨ
ਤੁਸੀਂ ਮੰਗ ਨੂੰ ਵਧਾ-ਚੜ੍ਹਾ ਕੇ ਦੱਸ ਰਹੇ ਹੋ
ਵਾਧੂ ਸਟਾਕ, ਗਿਰਾਵਟ, ਹਾਸ਼ੀਏ ਦਾ ਨੁਕਸਾਨ
ਲਗਾਤਾਰ ਘੱਟ ਅਨੁਮਾਨ
ਤੁਸੀਂ ਮੰਗ ਨੂੰ ਘੱਟ ਸਮਝਦੇ ਹੋ
ਸਟਾਕ ਤੋਂ ਬਾਹਰ, ਖੁੰਝੀ ਵਿਕਰੀ, ਅਸੰਤੁਸ਼ਟੀ
ਉੱਚ MAPE, ਸੰਤੁਲਿਤ ਦਿਸ਼ਾ
ਅਨਿਸ਼ਚਿਤਤਾ ਜ਼ਿਆਦਾ ਹੈ
ਸੁਰੱਖਿਆ ਸਟਾਕ ਵਧਾਓ, ਅਕਸਰ ਸਮੀਖਿਆ ਕਰੋ
ਘੱਟ MAPE
ਸਹੀ ਭਵਿੱਖਬਾਣੀ
ਲੀਨਰ ਸਟਾਕ, ਬਿਹਤਰ ਨਕਦ
ਮਿੰਨੀ ਕੇਸ
ਕੇਸ 1 - ਮੌਸਮ ਦੀ ਘਾਟ: ਇੱਕ ਕਰਿਆਨੇ ਦੀ ਦੁਕਾਨ ਪਿਛਲੇ ਸਾਲ ਜੁਲਾਈ ਦੀ ਵਿਕਰੀ (200 ਯੂਨਿਟ ਪ੍ਰਤੀ ਮਹੀਨਾ) ਦੇ ਆਧਾਰ 'ਤੇ ਸਕੂਲੀ ਨੋਟਬੁੱਕਾਂ ਦਾ ਆਰਡਰ ਦਿੰਦੀ ਹੈ। ਜਦੋਂ ਨਕਲੀ ਬੁੱਧੀ ਨੂੰ "ਅਗਸਤ-ਸਤੰਬਰ ਸਕੂਲ ਦੀ ਮਿਆਦ, ਪਿਛਲੇ ਸਾਲ ਇਸ ਮਿਆਦ ਵਿੱਚ ਵਿਕਰੀ ਚੌਗੁਣੀ ਹੋ ਗਈ" ਦਾ ਸੰਦਰਭ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਭਵਿੱਖਬਾਣੀ 200 ਦੀ ਬਜਾਏ 780 ਯੂਨਿਟਾਂ ਤੱਕ ਵਧ ਜਾਂਦੀ ਹੈ। ਸਹੀ ਕ੍ਰਮ ਲਈ ਧੰਨਵਾਦ, ਸਕੂਲੀ ਸਾਲ ਦੌਰਾਨ ਤੁਹਾਡਾ ਸਟਾਕ ਖਤਮ ਨਹੀਂ ਹੁੰਦਾ; 60,000 TL ਦਾ ਅਨੁਮਾਨਿਤ ਟਰਨਓਵਰ, ਜੋ ਪਿਛਲੇ ਸਾਲ ਬਚ ਗਿਆ ਸੀ, ਇਸ ਸਾਲ ਫੜਿਆ ਜਾ ਰਿਹਾ ਹੈ।
ਕੇਸ 2 — ਸਟਾਕ ਤੋਂ ਬਾਹਰ ਹੋਣ ਵਾਲੇ ਦਿਨ ਦੀ ਗਿਣਤੀ ਨਹੀਂ: ਇੱਕ ਸਟੋਰ 3 ਹਫ਼ਤਿਆਂ ਲਈ ਇੱਕ ਪ੍ਰਸਿੱਧ ਕੌਫੀ ਦੇ ਸਟਾਕ ਤੋਂ ਬਾਹਰ ਸੀ। ਕੱਚੇ ਡੇਟਾ ਨੂੰ ਦੇਖਦੇ ਹੋਏ, ਨਕਲੀ ਬੁੱਧੀ ਉਹਨਾਂ ਹਫ਼ਤਿਆਂ ਨੂੰ "ਪ੍ਰਤੀ ਹਫ਼ਤੇ 5 ਵਿਕਰੀ" ਵਜੋਂ ਦੇਖਦੀ ਹੈ ਅਤੇ ਘੱਟ ਅਨੁਮਾਨ ਦਿੰਦੀ ਹੈ। ਜਦੋਂ ਵਿਸ਼ਲੇਸ਼ਕ ਸਟਾਕ ਤੋਂ ਬਿਨਾਂ ਦਿਨਾਂ ਦੀ ਨਿਸ਼ਾਨਦੇਹੀ ਕਰਦਾ ਹੈ ਅਤੇ ਕਹਿੰਦਾ ਹੈ ਕਿ "ਇਹ ਹਫ਼ਤੇ ਮੰਗ ਨੂੰ ਨਹੀਂ ਦਰਸਾਉਂਦੇ", ਪੂਰਵ ਅਨੁਮਾਨ ਪ੍ਰਤੀ ਹਫ਼ਤੇ 45 ਤੱਕ ਵਧ ਜਾਂਦਾ ਹੈ। ਅਸਲ ਮੰਗ ਉਭਰਦੀ ਹੈ।
ਕੇਸ 3 — ਮੁਹਿੰਮ ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਸਾਧਾਰਨ ਬਣਾਉਣਾ: ਇੱਕ ਟੈਕਸਟਾਈਲ ਚੇਨ 50% ਛੂਟ ਵਾਲੇ ਹਫ਼ਤੇ ਦੀ ਵਿਕਰੀ (600 ਯੂਨਿਟਾਂ) ਨੂੰ "ਆਮ" ਮੰਨਦੀ ਹੈ ਅਤੇ ਲਗਾਤਾਰ 600 ਦਾ ਆਰਡਰ ਦਿੰਦੀ ਹੈ। ਜਦੋਂ ਨਕਲੀ ਬੁੱਧੀ ਨੂੰ ਦੱਸਿਆ ਜਾਂਦਾ ਹੈ ਕਿ "ਇਹ ਵਿਕਰੀ ਇੱਕ ਵਾਰ ਦੀ ਮੁਹਿੰਮ ਨਾਲ ਕੀਤੀ ਗਈ ਸੀ, ਆਮ ਹਫ਼ਤਾ 180 ਹੈ", ਭਵਿੱਖਬਾਣੀ ਸਹੀ ਹੋ ਜਾਂਦੀ ਹੈ। ਓਵਰਸਟਾਕ ਅਤੇ ਬਾਅਦ ਵਿੱਚ ਮਾਰਕਡਾਊਨ ਨੁਕਸਾਨ ਦੇ ਜੋਖਮ ਨੂੰ ਰੋਕਿਆ ਜਾਂਦਾ ਹੈ।
ਪੂਰਵ ਅਨੁਮਾਨ: ਤੁਸੀਂ ਕਿੰਨੀ ਦੂਰ ਦੇਖ ਸਕਦੇ ਹੋ?
ਪੂਰਵ ਅਨੁਮਾਨ ਦੀ ਦੂਰੀ: ਭਵਿੱਖਬਾਣੀ ਕਿੰਨੀ ਦੂਰ ਤੱਕ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਨਿਯਮ ਸਧਾਰਨ ਹੈ: ਦੂਰੀ ਜਿੰਨੀ ਲੰਬੀ ਹੋਵੇਗੀ, ਅਨਿਸ਼ਚਿਤਤਾ ਓਨੀ ਹੀ ਜ਼ਿਆਦਾ ਹੋਵੇਗੀ। ਤੁਸੀਂ ਅਗਲੇ ਹਫਤੇ ਦੀ ਵਿਕਰੀ ਦੀ ਮੁਕਾਬਲਤਨ ਸਹੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦੇ ਹੋ; ਛੇ ਮਹੀਨੇ ਬਾਅਦ ਇੱਕ ਬਹੁਤ ਵਿਆਪਕ ਸੀਮਾ ਦੇ ਨਾਲ. ਇਸ ਲਈ ਆਰਡਰ ਦੇ ਫੈਸਲੇ ਦੀ ਜ਼ਰੂਰਤ ਦੇ ਅਨੁਸਾਰ ਪੂਰਵ-ਅਨੁਮਾਨ ਦੇ ਰੁਖ ਦੀ ਚੋਣ ਕਰੋ: ਛੋਟੀ ਦੂਰੀ ਅਤੇ ਤਾਜ਼ਾ ਉਤਪਾਦ ਲਈ ਅਕਸਰ ਅਪਡੇਟ ਜੋ ਤੇਜ਼ੀ ਨਾਲ ਖਤਮ ਹੋ ਜਾਂਦਾ ਹੈ; ਲੰਬੇ ਲੀਡ ਸਮੇਂ ਦੇ ਨਾਲ ਆਯਾਤ ਕੀਤੇ ਉਤਪਾਦ ਲਈ ਲੰਬੀ ਦੂਰੀ ਅਤੇ ਸੁਰੱਖਿਆ ਦਾ ਵਿਸ਼ਾਲ ਮਾਰਜਿਨ।
ਇੱਕ ਹੋਰ ਮਹੱਤਵਪੂਰਨ ਅੰਤਰ ਹੈ ਨਵੇਂ ਉਤਪਾਦ ਦੀ ਭਵਿੱਖਬਾਣੀ। ਇੱਕ ਨਵੇਂ SKU ਦੀ ਕੋਈ ਪਿਛਲੀ ਵਿਕਰੀ ਨਹੀਂ ਹੈ; ਇਸ ਸਥਿਤੀ ਵਿੱਚ, ਤੁਸੀਂ AI ਨੂੰ ਸਮਾਨ ਉਤਪਾਦਾਂ (ਐਨਾਲਾਗ), ਸ਼੍ਰੇਣੀ ਔਸਤ, ਅਤੇ ਲਾਂਚ ਯੋਜਨਾ ਦਾ ਇਤਿਹਾਸ ਦਿੰਦੇ ਹੋ। ਇਹ ਕਹਿਣਾ "ਇਸ ਉਤਪਾਦ ਦਾ ਕੋਈ ਇਤਿਹਾਸ ਨਹੀਂ ਹੈ; ਸਮਾਨ ਉਤਪਾਦਾਂ ਦੇ X ਅਤੇ Y ਦੇ ਪਹਿਲੇ 8 ਹਫ਼ਤਿਆਂ ਨੂੰ ਦੇਖ ਕੇ ਇੱਕ ਸ਼ੁਰੂਆਤੀ ਅਨੁਮਾਨ ਦਿਓ" ਖਾਲੀ ਥਾਂ ਨੂੰ ਭਰਨ ਦਾ ਇੱਕ ਉਚਿਤ ਤਰੀਕਾ ਹੈ। ਹਾਲਾਂਕਿ, ਨਵੇਂ ਉਤਪਾਦ ਦੀ ਭਵਿੱਖਬਾਣੀ ਹਮੇਸ਼ਾ ਜੋਖਮ ਭਰੀ ਹੁੰਦੀ ਹੈ; ਪੂਰਵ ਅਨੁਮਾਨ ਨੂੰ ਤੁਰੰਤ ਸੋਧੋ ਕਿਉਂਕਿ ਪਹਿਲੇ ਹਫ਼ਤਿਆਂ ਲਈ ਅਸਲ ਡੇਟਾ ਉਪਲਬਧ ਹੋ ਜਾਂਦਾ ਹੈ।
ਸਾਵਧਾਨ: ਅੰਦਾਜ਼ੇ ਨੂੰ "ਇੱਕ ਵਾਰ ਕਰੋ ਅਤੇ ਇਸਨੂੰ ਭੁੱਲ ਜਾਓ" ਦੇ ਇਲਾਜ ਵਜੋਂ ਨਾ ਸਮਝੋ। ਮੰਗ ਪੂਰਵ ਅਨੁਮਾਨ ਇੱਕ ਲਾਈਵ ਪ੍ਰਕਿਰਿਆ ਹੈ; ਹਰ ਨਵਾਂ ਵਿਕਰੀ ਹਫ਼ਤਾ ਪੂਰਵ ਅਨੁਮਾਨ ਨੂੰ ਅਪਡੇਟ ਕਰਨ ਦਾ ਇੱਕ ਮੌਕਾ ਹੁੰਦਾ ਹੈ। ਸਭ ਤੋਂ ਵਧੀਆ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਉਹ ਹੁੰਦੇ ਹਨ ਜੋ ਉਸ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ ਜੋ ਅਕਸਰ ਅਪਡੇਟ ਹੁੰਦਾ ਹੈ, ਨਾ ਕਿ ਸਭ ਤੋਂ ਚੁਸਤ ਮਾਡਲ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:
ਮੈਨੂੰ ਦੱਸੋ ਕਿ ਇਹ ਉਤਪਾਦ ਅਗਲੇ ਮਹੀਨੇ ਕਿੰਨੇ ਵਿੱਚ ਵਿਕੇਗਾ।
ਕੋਈ ਪ੍ਰਸੰਗ ਨਹੀਂ ਹੈ; AI ਇੱਕ ਬੇਤਰਤੀਬ ਨੰਬਰ ਬਣਾਉਂਦਾ ਹੈ।
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:
ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਮੰਗ ਯੋਜਨਾ ਮਾਹਿਰ। ਡੇਟਾ: ਹੇਠਾਂ SKU 4471 ਲਈ ਪਿਛਲੇ 18 ਮਹੀਨਿਆਂ ਦੀ ਮਾਸਿਕ ਵਿਕਰੀ ਮਾਤਰਾ ਅਤੇ ਕੀਮਤ ਹੈ ਅਤੇ ਕੀ ਉਸ ਮਹੀਨੇ ਕੋਈ ਮੁਹਿੰਮ ਹੈ। ਪ੍ਰਸੰਗ: ਇਹ ਉਤਪਾਦ ਗਰਮੀਆਂ ਦੇ ਸੈਂਡਲ ਹਨ; ਮਈ-ਅਗਸਤ ਵਿੱਚ ਮੰਗ ਸਿਖਰ 'ਤੇ ਹੁੰਦੀ ਹੈ। ਅਗਲਾ ਮਹੀਨਾ ਜੂਨ ਹੈ। ਕੋਈ ਮੁਹਿੰਮ ਦੀ ਯੋਜਨਾ ਨਹੀਂ ਹੈ। ਕੀਮਤ ਨਿਸ਼ਚਿਤ ਕੀਤੀ ਗਈ ਹੈ। ਕੰਮ: (1) ਜੂਨ ਲਈ ਸੰਭਾਵਿਤ ਵਿਕਰੀ ਮਾਤਰਾ, (2) ਸਭ ਤੋਂ ਮਾੜੀ ਅਤੇ ਸਭ ਤੋਂ ਵਧੀਆ ਸਥਿਤੀ ਦੀ ਰੇਂਜ, (3) ਪੂਰਵ ਅਨੁਮਾਨ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਨ ਵਾਲੇ 2 ਮੁੱਖ ਕਾਰਕ। ਨਿਯਮ: ਘੱਟ ਮੰਗ ਦੇ ਤੌਰ 'ਤੇ ਸਟਾਕ ਤੋਂ ਬਾਹਰ ਵਜੋਂ ਚਿੰਨ੍ਹਿਤ ਮਹੀਨਿਆਂ ਦੀ ਗਿਣਤੀ ਨਾ ਕਰੋ। ਸਿਰਫ਼ ਦਿੱਤੇ ਡੇਟਾ ਦੇ ਆਧਾਰ 'ਤੇ। ਡੇਟਾ: [ਪੇਸਟ ਸਾਰਣੀ]
ਕਾਪੀ ਕਰਨ ਯੋਗ ਪ੍ਰੋਂਪਟ ਟੈਂਪਲੇਟਸ
1) SKU based prediction
ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਮੰਗ ਯੋਜਨਾ ਮਾਹਿਰ। ਅੱਗੇ ਦਿੱਤੀ ਅਗਿਆਤ ਮਾਸਿਕ ਵਿਕਰੀ ਲੜੀ ਤੋਂ [SKU] ਲਈ ਭਵਿੱਖ [ਪੀਰੀਅਡ] ਪੂਰਵ ਅਨੁਮਾਨ ਤਿਆਰ ਕਰੋ। ਆਉਟਪੁੱਟ: ਅਨੁਮਾਨਿਤ ਮਾਤਰਾ + ਸਭ ਤੋਂ ਮਾੜੀ/ਵਧੀਆ ਰੇਂਜ + 2 ਧਾਰਨਾਵਾਂ। ਸਟਾਕ ਤੋਂ ਬਾਹਰ ਚਿੰਨ੍ਹਿਤ ਮਿਆਦਾਂ ਨੂੰ ਬਾਹਰ ਕੱਢੋ। ਡੇਟਾ: [ਪੇਸਟ]
2) ਮੌਸਮੀ ਪੈਟਰਨ ਨੂੰ ਹਟਾਉਣਾ
ਹੇਠਾਂ 24-ਮਹੀਨੇ ਦੀ ਵਿਕਰੀ ਲੜੀ ਵਿੱਚ ਆਵਰਤੀ ਮੌਸਮੀ ਪੈਟਰਨ ਲੱਭੋ। ਕਿਹੜੇ ਮਹੀਨੇ ਚੋਟੀ ਦੇ ਹਨ ਅਤੇ ਕਿਹੜੇ ਮਹੀਨੇ ਹੇਠਲੇ ਹਨ? ਇੱਕ ਪ੍ਰਤੀਸ਼ਤ ਵਜੋਂ ਮੱਧਮਾਨ ਤੋਂ ਭਟਕਣਾ ਦਿਓ। ਇਸਨੂੰ ਸਾਰਣੀ ਦੇ ਰੂਪ ਵਿੱਚ ਪੇਸ਼ ਕਰੋ। ਡੇਟਾ: [ਪੇਸਟ]
3) Prediction accuracy evaluation
ਹੇਠਾਂ ਮੇਰੇ ਇਤਿਹਾਸਕ ਅਨੁਮਾਨ ਅਤੇ ਅਸਲ ਵਿਕਰੀ ਹਨ. (1) MAPE ਦੀ ਗਣਨਾ ਕਰੋ, (2) ਕੀ ਮੇਰਾ ਪੂਰਵ ਅਨੁਮਾਨ ਲਗਾਤਾਰ ਉੱਚਾ ਜਾਂ ਨੀਵਾਂ ਹੋ ਰਿਹਾ ਹੈ, (3) ਸਟਾਕ ਲਈ ਇਸਦਾ ਕੀ ਅਰਥ ਹੈ? ਕਦਮ ਦਰ ਕਦਮ ਦਿਖਾਓ। ਡੇਟਾ: [ਅਨੁਮਾਨ, ਅਸਲ ਕਾਲਮ]
4) ਮੁਹਿੰਮ ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਐਕਸਟਰੈਕਟ ਕਰੋ
ਮੁਹਿੰਮ ਦੇ ਹਫ਼ਤੇ ਹੇਠਾਂ ਵਿਕਰੀ ਲੜੀ ਵਿੱਚ ਚਿੰਨ੍ਹਿਤ ਕੀਤੇ ਗਏ ਹਨ। ਆਮ (ਗੈਰ-ਮੁਹਿੰਮ) ਮੰਗ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਓ; ਇੱਕ ਵੱਖਰੀ ਲਿਫਟ ਪ੍ਰਤੀਸ਼ਤ ਵਜੋਂ ਮੁਹਿੰਮ ਪ੍ਰਭਾਵ ਦਿਓ। ਇਸ ਲਈ ਮੈਂ ਆਮ ਆਰਡਰ ਦਾ ਪੱਧਰ ਦੇਖਣਾ ਚਾਹੁੰਦਾ ਹਾਂ। ਡੇਟਾ: [ਪੇਸਟ]
ਆਮ ਗਲਤੀਆਂ
- ਸੰਦਰਭ ਨਹੀਂ ਦੇਣਾ: ਜੇਕਰ ਮੁਹਿੰਮ, ਸੀਜ਼ਨ, ਕੀਮਤ ਵਿੱਚ ਤਬਦੀਲੀ ਨਿਰਧਾਰਤ ਨਹੀਂ ਕੀਤੀ ਗਈ ਹੈ, ਤਾਂ ਭਵਿੱਖਬਾਣੀ ਗੁੰਮਰਾਹਕੁੰਨ ਹੋਵੇਗੀ।
- ਕੀ ਮੰਗ ਦੇ ਤੌਰ 'ਤੇ ਸਟਾਕ ਤੋਂ ਬਾਹਰ ਦੇ ਦਿਨਾਂ ਦੀ ਗਿਣਤੀ ਕਰਨੀ ਹੈ: ਇੱਕ ਆਊਟ-ਆਫ-ਸਟਾਕ ਮਿਆਦ ਅਸਲ ਮੰਗ ਨੂੰ ਲੁਕਾਉਂਦੀ ਹੈ; ਨਿਸ਼ਾਨ
- ਪ੍ਰਚਾਰ ਸੰਬੰਧੀ ਵਿਕਰੀ ਨੂੰ ਆਮ ਵਾਂਗ ਸਵੀਕਾਰ ਕਰਨਾ: ਇਹ ਸੋਚਣਾ ਕਿ ਇੱਕ ਵਾਰ ਵਾਧਾ ਸਥਾਈ ਹੈ, ਵਾਧੂ ਸਟਾਕ ਵੱਲ ਲੈ ਜਾਵੇਗਾ।
- ਇੱਕ ਸਿੰਗਲ ਨੰਬਰ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ: ਇੱਕ ਸੀਮਾ (ਦ੍ਰਿਸ਼ਟੀ) ਦੀ ਇੱਛਾ ਨਾ ਕਰਨਾ ਅਤੇ ਇੱਕ ਸਿੰਗਲ ਬਿੰਦੂ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ ਜੋਖਮ ਨੂੰ ਛੁਪਾਉਂਦਾ ਹੈ।
- ਸਟੀਕਤਾ ਨੂੰ ਬਿਲਕੁਲ ਨਾ ਮਾਪਣਾ: ਜੇਕਰ MAPE ਅਤੇ ਦਿਸ਼ਾ ਦੀ ਨਿਗਰਾਨੀ ਨਹੀਂ ਕੀਤੀ ਜਾਂਦੀ, ਤਾਂ ਭਵਿੱਖਬਾਣੀ ਵਿਗੜਦੀ ਜਾਂਦੀ ਹੈ।
- ਅਨੁਮਾਨਾਂ ਦੇ ਨਾਲ ਸਿੱਧੇ ਆਰਡਰ ਕਰਨਾ: ਨਕਦ, ਵੇਅਰਹਾਊਸ ਅਤੇ ਸ਼ੈਲਫ ਲਾਈਫ ਕੰਟਰੋਲ ਤੋਂ ਬਿਨਾਂ ਆਰਡਰ ਕਰਨਾ।
ਸਾਰੰਸ਼ ਵਿੱਚ
ਚੰਗੀ ਭਵਿੱਖਬਾਣੀ ਪਿਛਲੀ ਵਿਕਰੀ, ਮੌਸਮੀਤਾ ਅਤੇ ਬਾਹਰੀ ਕਾਰਕਾਂ ਨੂੰ ਜੋੜਦੀ ਹੈ। AI ਨੂੰ ਸੰਦਰਭ ਦੇਣਾ ਯਕੀਨੀ ਬਣਾਓ (ਮੁਹਿੰਮ, ਸੀਜ਼ਨ, ਆਊਟ-ਆਫ-ਸਟਾਕ ਦਿਨ)। MAPE ਅਤੇ ਪੱਖਪਾਤ ਦਿਸ਼ਾ ਦੇ ਨਾਲ ਪੂਰਵ ਅਨੁਮਾਨ ਦੀ ਸ਼ੁੱਧਤਾ ਦੀ ਨਿਗਰਾਨੀ ਕਰੋ; ਉੱਚ ਅਨਿਸ਼ਚਿਤਤਾ ਵਿੱਚ ਸੁਰੱਖਿਆ ਸਟਾਕ ਵਧਾਓ। ਇੱਕ ਭਵਿੱਖਬਾਣੀ ਇੱਕ ਭਵਿੱਖਬਾਣੀ ਹੈ; ਅੰਤਮ ਆਰਡਰਿੰਗ ਦਾ ਫੈਸਲਾ ਤੁਹਾਡਾ ਹੈ, ਬਜਟ ਅਤੇ ਰੁਕਾਵਟਾਂ ਦੇ ਨਾਲ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਇੱਕ ਅਗਿਆਤ ਸਾਰਣੀ ਵਿੱਚ ਪਿਛਲੇ 12-18 ਮਹੀਨਿਆਂ ਲਈ ਆਪਣੇ ਚੋਟੀ ਦੇ 5 ਸਭ ਤੋਂ ਵੱਧ ਵਿਕਣ ਵਾਲੇ SKUs ਦੀ ਵਿਕਰੀ ਪ੍ਰਾਪਤ ਕਰੋ ਅਤੇ ਸਟਾਕ ਤੋਂ ਬਾਹਰ ਅਤੇ ਮੁਹਿੰਮ ਦੀ ਮਿਆਦ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕਰੋ। "1) SKU-ਅਧਾਰਿਤ ਪੂਰਵ-ਅਨੁਮਾਨ" ਪ੍ਰੋਂਪਟ ਦੇ ਨਾਲ ਇੱਕ ਭਵਿੱਖ ਦੀ ਭਵਿੱਖਬਾਣੀ ਤਿਆਰ ਕਰੋ, ਫਿਰ "3) ਪੂਰਵ ਅਨੁਮਾਨ ਸ਼ੁੱਧਤਾ ਮੁਲਾਂਕਣ" ਦੇ ਨਾਲ ਆਪਣੇ ਪਿਛਲੇ ਪੂਰਵ ਅਨੁਮਾਨਾਂ ਦੇ MAPE ਨੂੰ ਐਕਸਟਰੈਕਟ ਕਰੋ। ਨਤੀਜੇ ਦੀ ਤੁਲਨਾ ਆਪਣੇ ਖੁਦ ਦੇ ਆਰਡਰਿੰਗ ਫੈਸਲੇ ਨਾਲ ਕਰੋ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ ਆਪਣਾ ਵਿਕਰੀ ਡੇਟਾ ਗੁਮਨਾਮ ਅਤੇ ਸਾਫ਼ ਕੀਤਾ।
- [ ] ਮੈਂ ਆਊਟ-ਆਫ-ਸਟਾਕ ਅਤੇ ਮੁਹਿੰਮ ਦੀ ਮਿਆਦ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕੀਤਾ ਹੈ।
- [ ] ਮੈਂ AI ਨੂੰ ਸੀਜ਼ਨ ਅਤੇ ਬਾਹਰੀ ਕਾਰਕ ਸੰਦਰਭ ਦਿੱਤਾ ਹੈ।
- [ ] ਮੈਂ ਇੱਕ ਦ੍ਰਿਸ਼ ਸੀਮਾ ਚਾਹੁੰਦਾ ਸੀ, ਇੱਕ ਵੀ ਸੰਖਿਆ ਨਹੀਂ।
- [ ] ਮੈਂ MAPE ਅਤੇ yaw ਦਿਸ਼ਾ ਦੀ ਜਾਂਚ ਕੀਤੀ।
- [ ] ਮੈਂ ਬਜਟ ਅਤੇ ਰੁਕਾਵਟਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਆਰਡਰਿੰਗ ਦਾ ਫੈਸਲਾ ਲਿਆ ਹੈ।