ਮੰਗ ਪੂਰਵ ਅਨੁਮਾਨ: ਸਮਾਂ ਲੜੀ, ਮੌਸਮੀਤਾ ਅਤੇ ਅਨਿਸ਼ਚਿਤਤਾ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨਾ

ਲਾਭ:

• ਸਮੇਂ ਦੀ ਲੜੀ, ਰੁਝਾਨ, ਮੌਸਮੀਤਾ ਅਤੇ ਮੁਹਿੰਮ ਦੇ ਪ੍ਰਭਾਵ ਦੀਆਂ ਧਾਰਨਾਵਾਂ ਨੂੰ ਸਮਝਣ ਦੀ ਸਮਰੱਥਾ ਅਤੇ ਸਹੀ ਸਵਾਲਾਂ ਅਤੇ ਸਾਫ਼ ਡੇਟਾ ਦੇ ਨਾਲ ਮੰਗ ਦੀ ਭਵਿੱਖਬਾਣੀ ਲਈ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਸਮਰੱਥਾ।
• ਪੂਰਵ ਅਨੁਮਾਨ ਦੀ ਸ਼ੁੱਧਤਾ (MAPE, ਭਟਕਣਾ) ਅਤੇ ਅਨਿਸ਼ਚਿਤਤਾ (ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲ, ਦ੍ਰਿਸ਼) ਅਤੇ ਇੱਕ ਸਿੰਗਲ ਨੰਬਰ ਦੀ ਬਜਾਏ ਇੱਕ ਰੇਂਜ 'ਤੇ ਅਧਾਰ ਯੋਜਨਾ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
• ਇਹ ਫਰਕ ਕਰਨ ਦੇ ਯੋਗ ਹੋਣਾ ਕਿ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਭਵਿੱਖਬਾਣੀ ਇਤਿਹਾਸਕ ਡੇਟਾ 'ਤੇ ਅਧਾਰਤ ਹੈ ਅਤੇ ਨਵੇਂ ਉਤਪਾਦਾਂ, ਤਰੱਕੀਆਂ ਜਾਂ ਸਪਲਾਈ ਸੰਕਟ ਵਰਗੇ ਬ੍ਰੇਕਾਂ ਦੇ ਮਾਮਲਿਆਂ ਵਿੱਚ ਮਾਹਰ ਦਾ ਨਿਰਣਾ ਸਾਹਮਣੇ ਆਉਂਦਾ ਹੈ।

ਸਪਲਾਈ ਲੜੀ ਦਾ ਹਰ ਫੈਸਲਾ ਇੱਕ ਸਵਾਲ 'ਤੇ ਅਧਾਰਤ ਹੁੰਦਾ ਹੈ: ਮੰਗ ਕਿੰਨੀ ਹੋਵੇਗੀ? ਜਿੰਨਾ ਜ਼ਿਆਦਾ ਸਹੀ ਢੰਗ ਨਾਲ ਤੁਸੀਂ ਇਸ ਸਵਾਲ ਦਾ ਜਵਾਬ ਦਿੰਦੇ ਹੋ, ਓਨਾ ਹੀ ਘੱਟ ਸਟਾਕ ਤੁਹਾਡੇ ਕੋਲ ਹੈ, ਜਿੰਨਾ ਘੱਟ ਸਟਾਕ ਤੁਸੀਂ ਬਾਹਰ ਰਹਿੰਦੇ ਹੋ, ਅਤੇ ਜਿੰਨਾ ਘੱਟ ਪੈਸਾ ਤੁਸੀਂ ਜੋੜਦੇ ਹੋ। ਮੰਗ ਪੂਰਵ ਅਨੁਮਾਨ ਸਪਲਾਈ ਲੜੀ ਦਾ ਇੰਜਣ ਹੈ; ਸਟਾਕ, ਖਰੀਦਦਾਰੀ, ਉਤਪਾਦਨ ਅਤੇ ਆਵਾਜਾਈ ਦੀਆਂ ਯੋਜਨਾਵਾਂ ਸਭ ਨੂੰ ਇੱਥੋਂ ਖੁਆਇਆ ਜਾਂਦਾ ਹੈ। ਨਕਲੀ ਬੁੱਧੀ ਇਸ ਖੇਤਰ ਵਿੱਚ ਬਹੁਤ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ ਕਿਉਂਕਿ ਇਹ ਹਜ਼ਾਰਾਂ ਉਤਪਾਦਾਂ ਦੇ ਇਤਿਹਾਸ ਨੂੰ ਇੱਕ ਮਨੁੱਖ ਨਾਲੋਂ ਬਹੁਤ ਤੇਜ਼ੀ ਨਾਲ ਸਕੈਨ ਕਰਦੀ ਹੈ ਅਤੇ ਪੈਟਰਨ ਕੱਢਦੀ ਹੈ। ਪਰ ਇਸਦੀ ਸ਼ਕਤੀ ਦਾ ਸਰੋਤ ਵੀ ਇਸਦੀ ਸੀਮਾ ਹੈ: AI ਅਤੀਤ ਤੋਂ ਸਿੱਖਦਾ ਹੈ; ਜੇਕਰ ਭਵਿੱਖ ਅਤੀਤ ਵਰਗਾ ਨਹੀਂ ਹੈ, ਤਾਂ ਇਹ ਗਲਤ ਹੈ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਅਸੀਂ ਪੂਰਵ-ਅਨੁਮਾਨ ਦੀ ਭਾਸ਼ਾ, ਸ਼ੁੱਧਤਾ ਨੂੰ ਮਾਪਣ, ਅਨਿਸ਼ਚਿਤਤਾ ਦਾ ਪ੍ਰਬੰਧਨ, ਅਤੇ AI ਨੂੰ ਤੁਹਾਡੇ ਲਈ ਕਿੱਥੇ ਸਮਰਪਣ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ, ਬਾਰੇ ਸਿੱਖਾਂਗੇ।

ਪੂਰਵ ਅਨੁਮਾਨ ਦੀ ਭਾਸ਼ਾ: ਸਮਾਂ ਲੜੀ, ਰੁਝਾਨ, ਮੌਸਮੀ

ਡਿਮਾਂਡ ਡੇਟਾ ਆਮ ਤੌਰ 'ਤੇ ਇੱਕ ਸਮਾਂ ਲੜੀ ਹੁੰਦਾ ਹੈ — ਸਮੇਂ ਦੁਆਰਾ ਕ੍ਰਮਬੱਧ ਸੰਖਿਆਵਾਂ ਦੀ ਇੱਕ ਲੜੀ, ਜਿਵੇਂ ਕਿ ਇੱਕ ਉਤਪਾਦ ਦੀ ਹਰ ਦਿਨ ਦੀ ਵਿਕਰੀ। ਇਸ ਕ੍ਰਮ ਨੂੰ ਤਿੰਨ ਭਾਗਾਂ ਵਿੱਚ ਵੰਡਣਾ ਭਵਿੱਖਬਾਣੀ ਦਾ ਆਧਾਰ ਹੈ:

ਰੁਝਾਨ, ਲੰਬੇ ਸਮੇਂ ਦੀ ਦਿਸ਼ਾ: ਕੀ ਵਿਕਰੀ ਸਾਲ-ਦਰ-ਸਾਲ ਵਧ ਰਹੀ ਹੈ ਜਾਂ ਘਟ ਰਹੀ ਹੈ? ਮੌਸਮੀ, ਨਿਯਮਤ ਤੌਰ 'ਤੇ ਆਵਰਤੀ ਉਤਰਾਅ-ਚੜ੍ਹਾਅ: ਆਈਸ ਕਰੀਮ ਗਰਮੀਆਂ ਵਿੱਚ ਵਿਕਦੀ ਹੈ, ਹੀਟਰ ਸਰਦੀਆਂ ਵਿੱਚ ਵਿਕਦਾ ਹੈ; ਸ਼ੁੱਕਰਵਾਰ ਅਤੇ ਸ਼ਨੀਵਾਰ ਨੂੰ ਬਾਜ਼ਾਰ ਰੁੱਝਿਆ ਰਹਿੰਦਾ ਹੈ। ਰੌਲਾ, ਬੇਤਰਤੀਬੇ ਖੇਡਣਾ. ਇੱਕ ਚੰਗੀ ਪੂਰਵ ਅਨੁਮਾਨ ਰੁਝਾਨ ਅਤੇ ਮੌਸਮੀਤਾ ਨੂੰ ਕੈਪਚਰ ਕਰਦਾ ਹੈ ਅਤੇ ਰੌਲੇ-ਰੱਪੇ ਦੁਆਰਾ ਮੂਰਖ ਨਹੀਂ ਬਣਾਇਆ ਜਾਂਦਾ ਹੈ। ਇਹਨਾਂ ਦੇ ਸਿਖਰ 'ਤੇ, ਸਮਾਗਮਾਂ ਦਾ ਢੇਰ: ਮੁਹਿੰਮ, ਪ੍ਰਚਾਰ, ਜਨਤਕ ਛੁੱਟੀਆਂ, ਮੌਸਮ, ਪ੍ਰਤੀਯੋਗੀ ਚਾਲ। ਜਦੋਂ ਤੁਸੀਂ AI ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦੇ ਹੋ, ਤਾਂ ਤੁਹਾਨੂੰ ਇਹ ਘਟਨਾਵਾਂ ਦੱਸਣੀਆਂ ਪੈਣਗੀਆਂ; ਜੇਕਰ ਤੁਸੀਂ ਉਸਨੂੰ ਨਹੀਂ ਦੱਸਦੇ, ਤਾਂ ਉਹ ਸੋਚੇਗਾ ਕਿ ਮੁਹਿੰਮ ਵਾਲੇ ਦਿਨ ਛਾਲ ਮਾਰਨਾ "ਆਮ" ਹੈ ਅਤੇ ਭਵਿੱਖ ਬਾਰੇ ਗਲਤੀ ਕਰੇਗਾ।

ਨੁਕਤਾ: AI ਨੂੰ ਕੱਚਾ ਵਿਕਰੀ ਡੇਟਾ ਦਿੰਦੇ ਸਮੇਂ, ਮੁਹਿੰਮਾਂ, ਛੁੱਟੀਆਂ ਅਤੇ ਆਊਟ-ਆਫ-ਸਟਾਕ ਦਿਨਾਂ ਦੀ ਨਿਸ਼ਾਨਦੇਹੀ ਕਰੋ। ਸਟਾਕ ਤੋਂ ਬਿਨਾਂ ਦਿਨ ਮਹੱਤਵਪੂਰਨ ਹੈ: ਉਸ ਦਿਨ ਵਿਕਰੀ ਘੱਟ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ, ਪਰ ਅਸਲ ਮੰਗ ਜ਼ਿਆਦਾ ਸੀ, ਇੱਥੇ ਕੋਈ ਵਸਤੂਆਂ ਉਪਲਬਧ ਨਹੀਂ ਸਨ। ਜੇਕਰ ਤੁਸੀਂ ਇਸ ਨੂੰ ਸਪਸ਼ਟ ਨਹੀਂ ਕਰਦੇ, ਤਾਂ AI ਅਸਲ ਮੰਗ ਨੂੰ ਘੱਟ ਸਮਝੇਗਾ।

ਮਾਪਣ ਦੀ ਸ਼ੁੱਧਤਾ: MAPE ਅਤੇ ਪੱਖਪਾਤ

"ਕੀ ਭਵਿੱਖਬਾਣੀ ਚੰਗੀ ਹੈ?" ਸਵਾਲ ਦਾ ਜਵਾਬ ਮਾਪ ਤੋਂ ਮਿਲਦਾ ਹੈ, ਭਾਵਨਾ ਤੋਂ ਨਹੀਂ। ਸਭ ਤੋਂ ਆਮ ਸੂਚਕ MAPE ਹੈ (ਔਸਤਨ ਸੰਪੂਰਨ ਪ੍ਰਤੀਸ਼ਤ ਗਲਤੀ — ਔਸਤਨ ਕਿੰਨੇ ਪ੍ਰਤੀਸ਼ਤ ਅੰਕ ਭਵਿੱਖਬਾਣੀ ਅਸਲੀਅਤ ਤੋਂ ਭਟਕਦੇ ਹਨ)। ਜੇਕਰ MAPE 10% ਹੈ, ਤਾਂ ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਤੁਹਾਡੀਆਂ ਭਵਿੱਖਬਾਣੀਆਂ ਅਸਲ ਮੁੱਲ ਨੂੰ ਔਸਤਨ 10% ਗੁਆ ਦਿੰਦੀਆਂ ਹਨ; ਹੇਠਲਾ MAPE ਬਿਹਤਰ ਹੈ। ਦੂਜੀ ਮਹੱਤਵਪੂਰਨ ਧਾਰਨਾ ਪੱਖਪਾਤ ਹੈ: ਕੀ ਤੁਹਾਡੀ ਭਵਿੱਖਬਾਣੀ ਲਗਾਤਾਰ ਉੱਪਰ (ਓਵਰਸਟੌਕ ਪੈਦਾ ਕਰਨਾ) ਜਾਂ ਅੰਡਰਸਟੌਕਿੰਗ (ਅੰਡਰਸਟਾਕ ਨੂੰ ਛੱਡਣਾ) ਅਸਲੀਅਤ ਹੈ? ਭਾਵੇਂ ਇੱਕ ਪੂਰਵ ਅਨੁਮਾਨ ਵਿੱਚ ਘੱਟ MAPE ਹੈ, ਜੇਕਰ ਇਹ ਹਮੇਸ਼ਾਂ ਉਸੇ ਦਿਸ਼ਾ ਵਿੱਚ ਭਟਕਦਾ ਹੈ, ਤਾਂ ਇੱਕ ਯੋਜਨਾਬੱਧ ਸਮੱਸਿਆ ਹੈ।

ਤੁਸੀਂ AI ਨੂੰ ਇਤਿਹਾਸ ਦਾ ਹਿੱਸਾ "ਸਿਖਲਾਈ" ਦੇ ਰੂਪ ਵਿੱਚ ਅਤੇ ਇਸਦੇ ਇੱਕ ਹਿੱਸੇ ਨੂੰ "ਟੈਸਟਿੰਗ" ਦੇ ਰੂਪ ਵਿੱਚ ਦੇ ਸਕਦੇ ਹੋ ਅਤੇ ਇਸਦੀ ਭਵਿੱਖਬਾਣੀ ਦੀ ਅਸਲੀਅਤ ਨਾਲ ਤੁਲਨਾ ਕਰ ਸਕਦੇ ਹੋ। ਇਹ ਭਰੋਸਾ ਬਣਾਉਣ ਦਾ ਇਮਾਨਦਾਰ ਤਰੀਕਾ ਹੈ: ਉਸ ਡੇਟਾ 'ਤੇ ਮਾਡਲ ਦੀ ਜਾਂਚ ਕਰਨਾ ਜੋ ਇਸ ਨੇ ਨਹੀਂ ਦੇਖਿਆ ਹੈ। ਇੱਕ ਭਵਿੱਖਬਾਣੀ ਭਵਿੱਖ ਵਿੱਚ ਲਾਗੂ ਕਰਨ ਦੇ ਯੋਗ ਹੈ ਜੇਕਰ ਇਹ ਅਤੀਤ ਵਿੱਚ ਇਕਸਾਰ ਸਾਬਤ ਹੋਈ ਹੈ।

ਸਾਵਧਾਨ: ਕੋਈ ਵੀ ਭਵਿੱਖਬਾਣੀ 100% ਸਹੀ ਨਹੀਂ ਹੈ; ਅਜਿਹਾ ਹੋਣ ਦੀ ਉਮੀਦ ਨਹੀਂ ਹੈ। ਟੀਚਾ ਇੱਕ ਸੰਪੂਰਨ ਸਿੰਗਲ ਨੰਬਰ ਪੈਦਾ ਕਰਨਾ ਨਹੀਂ ਹੈ ਪਰ ਇੱਕ ਪ੍ਰਬੰਧਨਯੋਗ ਰੇਂਜ, ਭਟਕਣਾ ਨੂੰ ਜਾਣਨਾ ਹੈ। "ਭਵਿੱਖਬਾਣੀ ਸੱਚ ਹੋ ਗਈ/ਇਸ ਨੇ ਕੰਮ ਨਹੀਂ ਕੀਤਾ" ਦਾ ਬਾਈਨਰੀ ਵਿਚਾਰ ਗਲਤ ਹੈ; ਸਹੀ ਸਵਾਲ ਇਹ ਹੈ ਕਿ "ਇਹ ਕਿੰਨਾ ਭਟਕ ਗਿਆ ਅਤੇ ਮੈਂ ਉਸ ਅਨੁਸਾਰ ਕਿੰਨਾ ਬਫਰ ਰੱਖਿਆ?"

ਅਨਿਸ਼ਚਿਤਤਾ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨਾ: ਰੇਂਜ, ਸਿੰਗਲ ਨੰਬਰ ਨਹੀਂ

ਯੋਜਨਾਕਾਰ ਦੀ ਸਭ ਤੋਂ ਖ਼ਤਰਨਾਕ ਆਦਤ ਪੂਰਵ ਅਨੁਮਾਨ ਨੂੰ ਇੱਕ ਸਿੰਗਲ ਹਾਰਡ ਨੰਬਰ ਵਜੋਂ ਮੰਨਣਾ ਹੈ। ਵਾਸਤਵ ਵਿੱਚ, ਹਰੇਕ ਪੂਰਵ ਅਨੁਮਾਨ ਦਾ ਇੱਕ ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲ ਹੁੰਦਾ ਹੈ - ਜਿਵੇਂ ਕਿ "ਅਗਲੇ ਮਹੀਨੇ ਦੀ ਮੰਗ 900 ਅਤੇ 1,100 ਦੇ ਵਿਚਕਾਰ ਸਭ ਤੋਂ ਵੱਧ ਸੰਭਾਵਨਾ ਹੈ।" ਇਹ ਰੇਂਜ ਜਿੰਨੀ ਜ਼ਿਆਦਾ ਹੋਵੇਗੀ, ਅਨਿਸ਼ਚਿਤਤਾ ਓਨੀ ਹੀ ਜ਼ਿਆਦਾ ਹੋਵੇਗੀ। ਰੇਂਜ ਨੂੰ ਜਾਣਨਾ ਤੁਹਾਡੇ ਸਟਾਕ ਦੇ ਫੈਸਲੇ ਨੂੰ ਸਿੱਧਾ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ: ਤੰਗ ਸੀਮਾ ਲਈ ਘੱਟ ਸੁਰੱਖਿਆ ਸਟਾਕ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਵਿਆਪਕ ਰੇਂਜ ਲਈ ਵਧੇਰੇ ਬਫਰ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

ਇਸ ਲਈ ਹਮੇਸ਼ਾਂ AI ਨੂੰ ਸਥਿਤੀਆਂ ਲਈ ਪੁੱਛੋ: ਨਿਰਾਸ਼ਾਵਾਦੀ (ਜੇ ਮੰਗ ਘੱਟ ਜਾਂਦੀ ਹੈ), ਉਮੀਦ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਅਤੇ ਆਸ਼ਾਵਾਦੀ (ਜੇ ਮੰਗ ਵੱਧ ਜਾਂਦੀ ਹੈ)। ਤਿੰਨ ਦ੍ਰਿਸ਼ਾਂ ਨੂੰ ਦੇਖਦੇ ਹੋਏ, ਇਹ ਯੋਜਨਾ ਕਿਸੇ ਇੱਕ ਧਾਰਨਾ 'ਤੇ ਨਹੀਂ ਬਲਕਿ ਸੰਭਾਵਿਤ ਸੰਭਾਵਨਾਵਾਂ ਦੀ ਇੱਕ ਸੀਮਾ 'ਤੇ ਅਧਾਰਤ ਹੈ। "ਸਿੰਗਲ ਨੰਬਰ ਵਿੱਚ ਬੰਦ" ਦੇ ਜਾਲ ਵਿੱਚੋਂ ਬਾਹਰ ਨਿਕਲਣ ਦਾ ਇਹ ਸਭ ਤੋਂ ਵਿਹਾਰਕ ਤਰੀਕਾ ਹੈ।

ਕਦਮ ਦਰ ਕਦਮ: AI ਨਾਲ ਪੂਰਵ ਅਨੁਮਾਨ ਅਧਿਐਨ ਦੀ ਮੰਗ ਕਰੋ

1. ਡਾਟਾ ਸਾਫ਼ ਕਰੋ। ਗੁੰਮ ਹੋਏ ਦਿਨ, ਆਊਟ-ਆਫ-ਸਟਾਕ ਦਿਨ, ਗਲਤ ਰਿਕਾਰਡ ਖੋਲ੍ਹੋ; ਅਗਿਆਤ ਉਤਪਾਦ ਕੋਡ ਨਾਲ ਕੰਮ ਕਰੋ।
2. ਇਵੈਂਟਾਂ ਨੂੰ ਟੈਗ ਕਰੋ। ਡੇਟਾ ਵਿੱਚ ਮੁਹਿੰਮ, ਛੁੱਟੀਆਂ ਅਤੇ ਪ੍ਰਚਾਰ ਦੇ ਦਿਨ ਸ਼ਾਮਲ ਕਰੋ।
3. ਪੈਟਰਨ ਨੂੰ ਘਟਾਓ. AI ਨੂੰ ਰੁਝਾਨਾਂ, ਮੌਸਮੀਤਾ, ਅਤੇ ਮਹੱਤਵਪੂਰਨ ਘਟਨਾਵਾਂ ਦਾ ਸਾਰ ਦੇਣ ਲਈ ਕਹੋ।
4. ਇਸ ਦੀ ਜਾਂਚ ਕਰੋ। ਇਤਿਹਾਸ ਦੇ ਆਖਰੀ ਹਿੱਸੇ ਨੂੰ ਸਟੋਰ ਕਰੋ, AI ਨੂੰ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦਿਓ, ਅਸਲੀਅਤ (MAPE ਅਤੇ ਪੱਖਪਾਤ ਦੀ ਦਿਸ਼ਾ) ਨਾਲ ਤੁਲਨਾ ਕਰੋ।
5. ਇੱਕ ਦ੍ਰਿਸ਼ ਬਣਾਓ। ਤਿੰਨ ਪੂਰਵ-ਅਨੁਮਾਨਾਂ, ਨਿਰਾਸ਼ਾਵਾਦੀ/ਉਮੀਦ/ਆਸ਼ਾਵਾਦੀ, ਅਤੇ ਹਰੇਕ ਲਈ ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲ ਲਈ ਪੁੱਛੋ।
6. ਮਾਹਰ ਫਿਲਟਰ। AI ਜਾਣੇ ਜਾਣ ਵਾਲੇ ਆਉਣ ਵਾਲੇ ਰੁਕਾਵਟਾਂ (ਨਵਾਂ ਉਤਪਾਦ, ਸਪਲਾਈ ਸੰਕਟ, ਕਾਨੂੰਨ) ਬਾਰੇ ਨਹੀਂ ਜਾਣਦਾ; ਉਹਨਾਂ ਨੂੰ ਹੱਥੀਂ ਸ਼ਾਮਲ ਕਰੋ। ਅੰਤਿਮ ਯੋਜਨਾ ਤੁਹਾਡੀ ਹੈ।

ਤਿੰਨ ਛੋਟੇ ਕੇਸ

ਕੇਸ 1 - ਮੌਸਮੀਤਾ ਨੂੰ ਕੈਪਚਰ ਕਰਨਾ। ਇੱਕ ਪੀਣ ਵਾਲੇ ਵਿਤਰਕ ਨੇ ਸ਼ਿਕਾਇਤ ਕੀਤੀ ਸੀ ਕਿ ਉਹ ਗਰਮੀਆਂ ਦੇ ਮਹੀਨਿਆਂ ਵਿੱਚ ਲਗਾਤਾਰ ਸਟਾਕ ਤੋਂ ਬਾਹਰ ਸੀ ਅਤੇ ਸਰਦੀਆਂ ਵਿੱਚ ਸਾਮਾਨ ਦੇ ਨਾਲ ਰਹਿ ਗਿਆ ਸੀ। ਯੋਜਨਾਕਾਰ ਨੇ YZ ਨੂੰ 3 ਸਾਲ ਦੀ ਅਗਿਆਤ ਰੋਜ਼ਾਨਾ ਵਿਕਰੀ ਦਿੱਤੀ ਸੀ ਅਤੇ ਮੌਸਮੀਤਾ ਨੂੰ ਹਟਾ ਦਿੱਤਾ ਸੀ: ਜੂਨ-ਅਗਸਤ ਦੀ ਮੰਗ ਸਰਦੀਆਂ ਦੀ ਔਸਤ ਨਾਲੋਂ 2.4 ਗੁਣਾ ਸੀ, ਅਤੇ ਹਰ ਸਾਲ ਮਈ ਦੇ ਅੱਧ ਵਿੱਚ ਛਾਲ ਸ਼ੁਰੂ ਹੋਈ। ਇਸ ਪੈਟਰਨ ਦੇ ਅਨੁਸਾਰ, ਉਸਨੇ ਆਪਣਾ ਗਰਮੀਆਂ ਦਾ ਸਟਾਕ 3 ਹਫ਼ਤੇ ਪਹਿਲਾਂ ਸਥਾਪਤ ਕੀਤਾ; ਗਰਮੀਆਂ ਦਾ ਡੈੱਡ ਸਟਾਕ 70% ਘਟਿਆ, ਸਰਦੀਆਂ ਦਾ ਸਟਾਕ ਡਿੱਗ ਗਿਆ। ਏਆਈ ਨੇ ਪੈਟਰਨ ਦਿਖਾਇਆ; ਯੋਜਨਾਕਾਰ ਨੇ ਸਟਾਕ ਦਾ ਫੈਸਲਾ ਕੀਤਾ।

ਕੇਸ 2 - ਨਵੇਂ ਉਤਪਾਦ ਨੂੰ ਦੇਣਾ। ਇੱਕ ਕੰਪਨੀ ਇੱਕ ਬਿਲਕੁਲ ਨਵਾਂ ਉਤਪਾਦ ਲਾਂਚ ਕਰਨ ਜਾ ਰਹੀ ਸੀ; ਕੋਈ ਇਤਿਹਾਸਕ ਵਿਕਰੀ ਡੇਟਾ ਨਹੀਂ ਸੀ। ਯੋਜਨਾਕਾਰ ਨੇ ਏਆਈ ਨੂੰ ਪੁੱਛਿਆ, "ਪਹਿਲੇ 3 ਮਹੀਨਿਆਂ ਦੀ ਮੰਗ ਕੀ ਹੋਵੇਗੀ?" ਉਸ ਨੇ ਪੁੱਛਿਆ। AI ਨੇ ਇੱਕ ਸੰਖਿਆ ਤਿਆਰ ਕੀਤੀ ਜੋ ਜਾਇਜ਼ ਜਾਪਦੀ ਸੀ — ਪਰ ਯੋਜਨਾਕਾਰ ਨੂੰ ਪਤਾ ਸੀ ਕਿ ਇਹ ਬੇਬੁਨਿਆਦ ਸੀ: ਕੋਈ ਡਾਟਾ ਨਹੀਂ ਸੀ। ਇਸ ਦੀ ਬਜਾਏ, AI ਪੁੱਛਦਾ ਹੈ "ਅਤੀਤ ਵਿੱਚ ਸਮਾਨ ਹਿੱਸਿਆਂ ਵਿੱਚ ਜਾਰੀ ਕੀਤੇ ਉਤਪਾਦਾਂ ਦਾ ਪਹਿਲਾ 3-ਮਹੀਨੇ ਦਾ ਪੈਟਰਨ ਕੀ ਸੀ?" ਸਾਵਧਾਨ ਸ਼ੁਰੂਆਤੀ ਸਟਾਕ ਦੇ ਨਾਲ, ਵਿਸ਼ਲੇਸ਼ਣ ਕਰੋ ਅਤੇ ਇਸਨੂੰ ਪੂਰਵ ਅਨੁਮਾਨ ਸੀਮਾ ਦੇ ਤੌਰ ਤੇ ਸੈਟ ਕਰੋ। ਮਾਹਿਰਾਂ ਦੇ ਨਿਰਣੇ ਨੇ AI ਦੇ ਫਰਜ਼ੀ ਭਰੋਸੇ ਨੂੰ ਰੱਦ ਕਰ ਦਿੱਤਾ।

ਕੇਸ 3 - ਸਟਾਕ ਰਹਿਤ ਦਿਨ ਦਾ ਜਾਲ ਹੈ। ਇੱਕ ਵਿਸ਼ਲੇਸ਼ਕ ਨੇ ਸਿੱਟਾ ਕੱਢਿਆ ਕਿ ਇੱਕ ਉਤਪਾਦ ਦੀ ਮੰਗ ਘਟ ਗਈ ਹੈ ਅਤੇ ਵਸਤੂ ਨੂੰ ਘਟਾਉਣ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕੀਤੀ ਹੈ। ਉਸਦੇ ਸੀਨੀਅਰ ਸਹਿਯੋਗੀ ਨੇ ਦੇਖਿਆ ਕਿ ਡੇਟਾ ਵਿੱਚ ਘੱਟ ਵਿਕਰੀ ਵਾਲੇ ਦਿਨ ਅਸਲ ਵਿੱਚ ਸਟਾਕ ਤੋਂ ਬਾਹਰ ਦੇ ਦਿਨ ਸਨ: ਮੰਗ ਨਹੀਂ ਘਟੀ ਸੀ, ਕੋਈ ਵਸਤੂਆਂ ਨਹੀਂ ਸਨ। ਜਦੋਂ ਇਸ ਨੋਟ ਨਾਲ ਡੇਟਾ ਨੂੰ ਠੀਕ ਕੀਤਾ ਗਿਆ ਅਤੇ ਏਆਈ ਨੂੰ ਦੁਬਾਰਾ ਦਿੱਤਾ ਗਿਆ, ਤਾਂ ਇਹ ਦੇਖਿਆ ਗਿਆ ਕਿ ਅਸਲ ਮੰਗ ਵਧ ਗਈ ਹੈ। ਗਲਤ ਢੰਗ ਨਾਲ ਸਾਫ਼ ਕੀਤਾ ਡਾਟਾ ਗਲਤ ਪੂਰਵ-ਅਨੁਮਾਨਾਂ ਪੈਦਾ ਕਰਦਾ ਹੈ।

ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟ

1) ਪੈਟਰਨ ਕੱਢਣ:

ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਸਹਾਇਕ ਮੰਗ ਯੋਜਨਾ ਵਿਸ਼ਲੇਸ਼ਕ। ਹੇਠਾਂ ਪਿਛਲੇ 36 ਮਹੀਨਿਆਂ ਲਈ ਕਿਸੇ ਉਤਪਾਦ (ਅਗਿਆਤ ਕੋਡ: PRODUCT-X) ਦਾ ਮਹੀਨਾਵਾਰ ਵਿਕਰੀ ਡੇਟਾ ਹੈ। ਮੁਹਿੰਮ ਦੇ ਮਹੀਨੇ [ਮਹੀਨੇ ਦੀ ਸੂਚੀ], ਸਟਾਕ-ਮੁਕਤ ਮਹੀਨੇ [ਮਹੀਨੇ ਦੀ ਸੂਚੀ]। ਟਾਸਕ: (1) ਰੁਝਾਨ, (2) ਮੌਸਮੀ ਪੈਟਰਨ, (3) ਧਿਆਨ ਦੇਣ ਵਾਲੀਆਂ ਘਟਨਾਵਾਂ ਨੂੰ ਸੰਖੇਪ ਕਰੋ। ਇਸ ਗੱਲ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖੋ ਕਿ ਸਟਾਕ ਤੋਂ ਬਿਨਾਂ ਮਹੀਨੇ ਸੱਚੀ ਮੰਗ ਨੂੰ ਲੁਕਾਉਂਦੇ ਹਨ. ਜਿਸ ਮਹੀਨੇ ਲਈ ਮੈਂ ਡੇਟਾ ਪ੍ਰਦਾਨ ਨਹੀਂ ਕੀਤਾ, ਉਹ ਮਨਘੜਤ ਹੈ।

2) ਸ਼ੁੱਧਤਾ ਟੈਸਟ:

ਹੇਠਾਂ ਦਿੱਤੇ 36 ਮਹੀਨਿਆਂ ਵਿੱਚੋਂ ਪਹਿਲੇ 30 ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪਿਛਲੇ 6 ਮਹੀਨਿਆਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰੋ। ਫਿਰ ਮੇਰੀ ਭਵਿੱਖਬਾਣੀ ਦੀ ਅਸਲ ਪਿਛਲੇ 6 ਮਹੀਨਿਆਂ ਨਾਲ ਤੁਲਨਾ ਕਰੋ; ਹਰ ਮਹੀਨੇ ਲਈ ਭਟਕਣ ਅਤੇ ਕੁੱਲ MAPE ਦੀ ਗਣਨਾ ਕਰੋ। ਮੈਨੂੰ ਦੱਸੋ ਕਿ ਕੀ ਤੁਹਾਡਾ ਅੰਦਾਜ਼ਾ ਲਗਾਤਾਰ ਪੱਖਪਾਤੀ ਹੈ। ਫਾਰਮੂਲਾ ਦਿਖਾਓ।

3) ਦ੍ਰਿਸ਼ ਪੂਰਵ ਅਨੁਮਾਨ:

ਇਸ ਉਤਪਾਦ ਲਈ ਅਗਲੀ ਤਿਮਾਹੀ ਦੀ ਮਾਸਿਕ ਮੰਗ ਦਾ 3 ਦ੍ਰਿਸ਼ਾਂ ਵਿੱਚ ਅੰਦਾਜ਼ਾ ਲਗਾਓ: ਨਿਰਾਸ਼ਾਵਾਦੀ / ਉਮੀਦ / ਆਸ਼ਾਵਾਦੀ। ਹਰੇਕ ਦ੍ਰਿਸ਼ ਲਈ ਇੱਕ ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲ ਦਿਓ ਅਤੇ ਲਿਖੋ ਕਿ ਇਹ ਕਿਸ ਧਾਰਨਾ 'ਤੇ ਅਧਾਰਤ ਹੈ। ਨੋਟ ਕਰੋ ਕਿ ਇਹ ਨਿਸ਼ਚਿਤ ਨਹੀਂ ਹੈ ਪਰ ਯੋਜਨਾਬੰਦੀ ਲਈ ਇੱਕ ਅੰਤਰਾਲ ਹੈ।

4) ਬਰੇਕੇਜ ਕੰਟਰੋਲ:

ਸੂਚੀ ਬਣਾਓ ਕਿ ਮੇਰੇ ਵੱਲੋਂ ਤੁਹਾਨੂੰ ਦਿੱਤੇ ਗਏ ਇਤਿਹਾਸਕ ਡੇਟਾ ਦੇ ਆਧਾਰ 'ਤੇ ਭਵਿੱਖਬਾਣੀ ਨੂੰ ਅੱਗੇ ਦਿੱਤੀਆਂ ਆਉਣ ਵਾਲੀਆਂ ਘਟਨਾਵਾਂ ਦੁਆਰਾ ਕਿਵੇਂ ਅਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ: [ਨਵਾਂ ਉਤਪਾਦ / ਪ੍ਰਚਾਰ / ਸਪਲਾਈ ਸੰਕਟ / ਰੈਗੂਲੇਟਰੀ ਤਬਦੀਲੀ]। ਸੁਝਾਅ ਦਿਓ ਕਿ ਮੈਨੂੰ ਹਰੇਕ ਲਈ ਪੂਰਵ ਅਨੁਮਾਨ ਨੂੰ ਹੱਥੀਂ ਕਿਵੇਂ ਵਿਵਸਥਿਤ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ।

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:

ਮੈਂ ਅਗਲੇ ਮਹੀਨੇ ਕਿੰਨਾ ਵੇਚਾਂਗਾ?

ਕੋਈ ਡਾਟਾ ਨਹੀਂ, ਕੋਈ ਉਤਪਾਦ ਨਹੀਂ, ਕੋਈ ਪ੍ਰਸੰਗ ਨਹੀਂ। AI ਜਾਂ ਤਾਂ ਰੱਦ ਕਰਦਾ ਹੈ ਜਾਂ ਬਣਾਉਂਦਾ ਹੈ; ਕੋਈ ਵੀ ਨਤੀਜਾ ਕੰਮ ਨਹੀਂ ਕਰਦਾ।

ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:

ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਮੰਗ ਯੋਜਨਾ ਸਹਾਇਕ। ਹੇਠਾਂ ਪਿਛਲੇ 24 ਮਹੀਨਿਆਂ ਵਿੱਚ PRODUCT-X ਦੀਆਂ ਵਿਕਰੀਆਂ ਹਨ; ਮੁਹਿੰਮ ਦੇ ਮਹੀਨੇ ਅਤੇ ਸਟਾਕ-ਮੁਕਤ ਮਹੀਨੇ ਚਿੰਨ੍ਹਿਤ ਕੀਤੇ ਗਏ ਹਨ। ਅਗਲੇ 3 ਮਹੀਨਿਆਂ ਲਈ ਨਿਰਾਸ਼ਾਵਾਦੀ/ਉਮੀਦਿਤ/ਆਸ਼ਾਵਾਦੀ ਪੂਰਵ ਅਨੁਮਾਨ ਦਿਓ, ਹਰੇਕ ਲਈ ਭਰੋਸੇ ਦਾ ਅੰਤਰਾਲ ਜੋੜੋ, ਪਿਛਲੇ ਟੈਸਟ ਦੇ ਮੁਕਾਬਲੇ MAPE ਦਿਖਾਓ। ਦਿਖਾਵਾ ਕਰੋ ਕਿ ਮੇਰੇ ਕੋਲ ਅੰਤਿਮ ਸਟਾਕ ਦਾ ਫੈਸਲਾ ਹੈ.

ਪਹੁੰਚ

ਹਿੱਟ

ਅਨਿਸ਼ਚਿਤਤਾ ਪ੍ਰਬੰਧਨ

ਜੋਖਮ

ਸਿੰਗਲ ਨੰਬਰ 'ਤੇ ਭਰੋਸਾ ਕਰੋ

ਗੁੰਮਰਾਹਕੁੰਨ

ਕੋਈ ਨਹੀਂ

ਉੱਚ — ਯੋਜਨਾ ਢਹਿ ਗਈ

ਦ੍ਰਿਸ਼ + ਰੇਂਜ

ਯਥਾਰਥਵਾਦੀ

ਚੰਗਾ

ਘੱਟ

ਸਿਰਫ਼ ਅਨੁਭਵ

ਵੇਰੀਏਬਲ

ਕਮਜ਼ੋਰ

ਮੱਧਮ-ਉੱਚਾ

ਅੰਨ੍ਹੇਵਾਹ AI ਦਾ ਪਾਲਣ ਕਰਨਾ

ਵੇਰੀਏਬਲ

ਕੋਈ ਨਹੀਂ

ਉੱਚ

ਆਮ ਗਲਤੀਆਂ

• ਅਸਲ ਘੱਟ ਮੰਗ ਲਈ ਇੱਕ ਸਟਾਕ-ਆਊਟ ਦਿਨ ਨੂੰ ਗਲਤ ਕਰਨਾ. ਜਦੋਂ ਚੀਜ਼ਾਂ ਉਪਲਬਧ ਨਹੀਂ ਹੁੰਦੀਆਂ, ਤਾਂ ਵਿਕਰੀ ਘੱਟ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ; ਇਸ ਦਾ ਮਤਲਬ ਇਹ ਨਹੀਂ ਕਿ ਮੰਗ ਘਟ ਗਈ ਹੈ।
• ਇੱਕ ਸਿੰਗਲ ਨੰਬਰ ਵਿੱਚ ਤਾਲਾਬੰਦੀ. ਭਵਿੱਖਬਾਣੀ ਨੂੰ ਇੱਕ ਪੂਰਨ ਸੱਚ ਵਜੋਂ ਵੇਖਣਾ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ ਹੈ; ਹਮੇਸ਼ਾ ਰੇਂਜ ਅਤੇ ਦ੍ਰਿਸ਼ ਲਈ ਪੁੱਛੋ।
• ਮੁਹਿੰਮ ਨੂੰ ਟੈਗ ਨਹੀਂ ਕਰ ਰਿਹਾ। ਉਹ ਮਾਡਲ ਜੋ ਸੋਚਦਾ ਹੈ ਕਿ ਪ੍ਰਚਾਰਕ ਉਛਾਲ "ਆਮ" ਹੈ ਭਵਿੱਖ ਨੂੰ ਵਿਗਾੜਦਾ ਹੈ।
• ਇਤਿਹਾਸ ਤੋਂ ਬਿਨਾਂ ਨਵੇਂ ਉਤਪਾਦ ਦੀ ਭਵਿੱਖਬਾਣੀ। ਬਿਨਾਂ ਡੇਟਾ ਦੇ ਉਤਪਾਦ ਲਈ AI ਦੀ ਪ੍ਰਤੀਤ ਹੁੰਦੀ ਸੁਰੱਖਿਅਤ ਸੰਖਿਆ ਬੇਬੁਨਿਆਦ ਹੈ।
• ਬ੍ਰੇਕਿੰਗ ਨੂੰ AI 'ਤੇ ਛੱਡਣਾ। AI ਢਾਂਚਾਗਤ ਬਰੇਕਾਂ ਨੂੰ ਨਹੀਂ ਜਾਣਦਾ ਜਿਵੇਂ ਕਿ ਮਹਾਂਮਾਰੀ, ਸਪਲਾਈ ਸੰਕਟ, ਅਤੇ ਕਾਨੂੰਨ; ਮਾਹਿਰਾਂ ਦੀ ਦਖਲਅੰਦਾਜ਼ੀ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ।

ਸਾਵਧਾਨ: ਕੋਈ ਫ਼ਰਕ ਨਹੀਂ ਪੈਂਦਾ ਕਿ ਕੋਈ ਭਵਿੱਖਬਾਣੀ ਕਿੰਨੀ ਚੰਗੀ ਲੱਗਦੀ ਹੈ, ਇਹ ਉਸ ਡੇਟਾ ਦੀ ਗੁਣਵੱਤਾ ਨਾਲੋਂ ਬਿਹਤਰ ਨਹੀਂ ਹੋ ਸਕਦੀ ਜਿਸ 'ਤੇ ਇਹ ਅਧਾਰਤ ਹੈ। "ਕੂੜਾ ਅੰਦਰ, ਕੂੜਾ ਬਾਹਰ." ਡਾਟਾ ਸਾਫ਼ ਕਰਨ ਲਈ ਆਪਣਾ ਜ਼ਿਆਦਾਤਰ ਸਮਾਂ ਬਿਤਾਓ; ਮਾਡਲ ਹਿੱਸਾ ਬਾਕੀ ਕਰਦਾ ਹੈ.

ਸਾਰੰਸ਼ ਵਿੱਚ

ਮੰਗ ਪੂਰਵ ਅਨੁਮਾਨ ਸਪਲਾਈ ਲੜੀ ਦਾ ਇੰਜਣ ਹੈ, ਅਤੇ AI ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਹਾਇਕ ਹੈ ਜੋ ਇਸ ਇੰਜਣ ਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ। ਪਰ AI ਅਤੀਤ ਤੋਂ ਸਿੱਖਦਾ ਹੈ; ਗਲਤੀ ਹੁੰਦੀ ਹੈ ਜਦੋਂ ਭਵਿੱਖ ਅਤੀਤ ਵਰਗਾ ਨਹੀਂ ਹੁੰਦਾ। ਰੁਝਾਨ ਅਤੇ ਮੌਸਮੀਤਾ ਨੂੰ ਕੈਪਚਰ ਕਰੋ, ਇਵੈਂਟਾਂ ਨੂੰ ਟੈਗ ਕਰੋ, MAPE ਅਤੇ ਵਹਿਣ ਦੀ ਦਿਸ਼ਾ ਨਾਲ ਸ਼ੁੱਧਤਾ ਨੂੰ ਮਾਪੋ, ਦ੍ਰਿਸ਼ ਅਤੇ ਰੇਂਜ ਦੇ ਤੌਰ 'ਤੇ ਪੂਰਵ ਅਨੁਮਾਨ ਸੈਟ ਕਰੋ, ਨਾ ਕਿ ਸਿੰਗਲ ਨੰਬਰ। ਨਵੇਂ ਉਤਪਾਦਾਂ ਅਤੇ ਢਾਂਚਾਗਤ ਬਰੇਕਾਂ ਵਿੱਚ ਮਾਹਿਰਾਂ ਦਾ ਨਿਰਣਾ ਪਹਿਲਾਂ ਆਉਂਦਾ ਹੈ। ਡਾਟਾ ਕਲੀਨਿੰਗ ਹਰ ਚੀਜ਼ ਦੀ ਬੁਨਿਆਦ ਹੈ; ਅੰਤਿਮ ਯੋਜਨਾ ਤੁਹਾਡੀ ਹੈ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਆਪਣੇ ਖੁਦ ਦੇ ਉਤਪਾਦਾਂ ਵਿੱਚੋਂ ਇੱਕ (ਜਾਂ ਇੱਕ ਕਾਲਪਨਿਕ ਉਤਪਾਦ) ਦੇ ਪਿਛਲੇ 12-24 ਮਹੀਨਿਆਂ ਲਈ ਵਿਕਰੀ ਡੇਟਾ ਪ੍ਰਾਪਤ ਕਰੋ, ਮੁਹਿੰਮ ਅਤੇ ਆਊਟ-ਆਫ-ਸਟਾਕ ਮਹੀਨਿਆਂ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕਰੋ। AI ਨੂੰ "ਸੀਨਾਰੀਓ ਪੂਰਵ-ਅਨੁਮਾਨ" ਟੈਮਪਲੇਟ ਨਾਲ ਤਿੰਨ ਦ੍ਰਿਸ਼ਾਂ ਲਈ ਪੁੱਛੋ। ਫਿਰ ਕੁਝ ਇਤਿਹਾਸ ਨੂੰ "ਸ਼ੁੱਧਤਾ ਟੈਸਟ" ਟੈਂਪਲੇਟ ਨਾਲ ਸਟੋਰ ਕਰੋ ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਦੀ ਅਸਲੀਅਤ ਨਾਲ ਤੁਲਨਾ ਕਰੋ। 5 ਆਈਟਮਾਂ ਵਿੱਚ ਤੁਹਾਡੇ ਦੁਆਰਾ ਲੱਭਿਆ MAPE ਅਤੇ ਤੁਹਾਡੇ ਦੁਆਰਾ ਚੁਣਿਆ ਗਿਆ ਦ੍ਰਿਸ਼, ਇਸਦੇ ਕਾਰਨ ਸਮੇਤ, ਲਿਖੋ; ਇਹ ਵੀ ਦੱਸੋ ਕਿ ਤੁਸੀਂ ਕਿਹੜਾ ਸੁਰੱਖਿਆ ਬਫਰ ਸ਼ਾਮਲ ਕਰੋਗੇ।

ਚੈੱਕਲਿਸਟ

• [ ] ਕੀ ਮੈਂ ਡਾਟਾ ਕਲੀਅਰ ਕਰ ਦਿੱਤਾ ਹੈ, ਆਊਟ-ਆਫ-ਸਟਾਕ ਅਤੇ ਮੁਹਿੰਮ ਦੇ ਦਿਨਾਂ ਦੀ ਨਿਸ਼ਾਨਦੇਹੀ ਕੀਤੀ ਹੈ?
• [ ] ਕੀ ਮੈਂ ਬੈਕਟੈਸਟਿੰਗ ਦੁਆਰਾ MAPE ਅਤੇ ਪੱਖਪਾਤ ਦਿਸ਼ਾ ਨਾਲ ਭਵਿੱਖਬਾਣੀ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਹੈ?
• [ ] ਕੀ ਮੈਂ ਇੱਕ ਸੰਖਿਆ ਦੀ ਬਜਾਏ ਇੱਕ ਦ੍ਰਿਸ਼ ਅਤੇ ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲ ਲਈ ਕਿਹਾ ਸੀ?
• [ ] ਜੇਕਰ ਕੋਈ ਨਵਾਂ ਉਤਪਾਦ / ਟੁੱਟਣਾ ਹੈ, ਤਾਂ ਕੀ ਮੈਂ ਮਾਹਿਰਾਂ ਦੇ ਨਿਰਣੇ ਨੂੰ ਤਰਜੀਹ ਦਿੱਤੀ ਹੈ?
• [ ] ਕੀ ਮੈਂ ਅੰਤਿਮ ਸਟਾਕ ਯੋਜਨਾ ਨੂੰ ਆਪਣੀ ਮਨਜ਼ੂਰੀ ਦੇ ਅਧੀਨ ਕੀਤਾ ਹੈ?