Zyski:
- Możliwość stworzenia wstępnej prognozy popytu na podstawie SKU przy wsparciu sztucznej inteligencji poprzez połączenie historycznych danych sprzedażowych, efektów sezonowych i czynników zewnętrznych.
- Umiejętność interpretacji trafności prognoz (MAPE, stronniczość) i rozróżnienia konsekwencji biznesowych przeszacowania i niedoszacowania
- Możliwość utrzymania, że prognoza stworzona przez sztuczną inteligencję jest przewidywaniem, a ostateczna decyzja o zamówieniu należy do menedżera wraz z kosztem zapasów i przepływem środków pieniężnych.
Istnieją dwa najkosztowniejsze błędy w handlu detalicznym: utrzymywanie zbyt dużej ilości zapasów i pozwalanie, aby pieniądze marnowały się na półce, lub niedostateczne przechowywanie zapasów i zostawianie klienta z pustymi rękami. Obydwa mają to samo źródło: złe prognozy popytu. W tym module dowiesz się, jak wykorzystać sztuczną inteligencję jako potężnego asystenta, który przewiduje przyszłość na podstawie przeszłych sprzedaży. Ale powiedzmy od początku: przepowiednia nie jest proroctwem, ale przepowiednią probabilistyczną. AI daje ci numer; Twoim zadaniem jest przełożenie tej liczby na decyzję dotyczącą zamówienia.
Prognozowanie popytu: Jest to zadanie polegające na przewidzeniu, jaka część produktu lub kategorii zostanie sprzedana w przyszłości, na podstawie danych historycznych i czynników wpływających.
SKU (jednostka magazynowa): Jest to unikalny kod magazynowy przechowywany dla każdego wariantu produktu. Na przykład „czerwone tenisówki w rozmiarze 42” to SKU; numer 43 tego samego modelu to oddzielny SKU.
Trzy źródła informacji, które zasilają prognozę
Dobra prognoza łączy w sobie trzy rzeczy:
- Sprzedaż historyczna (bazowa): Tygodniowa/miesięczna sprzedaż produktu w ciągu ostatnich 12-24 miesięcy. Sztuczna inteligencja wyodrębnia z tej serii „normalny” poziom.
- Efekty sezonowe i kalendarzowe: Święta, semestr szkolny, lato-zima, weekend, chwilówka. Na przykład, ilość lodów rośnie latem, a skarpetek zimą.
- Czynniki zewnętrzne: kampania, zmiana cen, pogoda, ruch konkurencji, otwarcie/zamknięcie. Popychają one szacunki w górę lub w dół.
Wskazówka: nie mów AI „w zeszłym miesiącu sprzedaliśmy 100 sztuk”. Powiedz: „W zeszłym miesiącu sprzedaliśmy 100 egzemplarzy, ale obowiązywała 20% zniżka i był to tydzień świąteczny”. Bez kontekstu przewidywania wprowadzają w błąd.
Generowanie prognoz krok po kroku
- Przygotuj dane: Anonimowa, przejrzysta tabela: data, SKU, sprzedana ilość, cena, promocja/brak promocji, dostępność. Zaznacz dni wyczerpania zapasów; W przeciwnym razie sztuczna inteligencja uzna, że ten dzień jest „niskim popytem”.
- Podaj kontekst: zapisz sezon, nadchodzące wydarzenia, planowane kampanie.
- Poproś o prognozę: poproś o prognozę i przedział ufności (najgorszy/najlepszy scenariusz) dla określonego okresu, według SKU lub kategorii.
- Zmierz dokładność: porównaj swoje wcześniejsze przewidywania z rzeczywistością (MAPE poniżej).
- Zamień to w decyzję: połącz kosztorys z zapasami bezpieczeństwa i budżetem i podejmij decyzję o zamówieniu.
Dokładność prognozy odczytu: MAPE i stronniczość
MAPE (średni bezwzględny błąd procentowy): Pokazuje średnie procentowe odchylenie prognoz od rzeczywistej sprzedaży. Formuła jest prosta: |rzeczywista − prognoza| dla każdego okresu / real to ich średnia.
- MAPE 10% → szacunki różnią się średnio o 10%, całkiem nieźle.
- MAPE 40% → prognozy są niewiarygodne, do podjęcia decyzji o zamówieniu potrzebny jest większy bufor (zapas bezpieczeństwa).
Kierunek (błąd): Czy Twoja prognoza jest stale wyższa (ryzyko nadmiernego magazynowania) lub niższa (ryzyko wyczerpania zapasów) od rzeczywistości? Obejrzyj także to; MAPE nie pokazuje kierunku.
Stan
Znaczenie
wynik biznesowy
Utrzymująca się wysoka ocena
Przesadzasz z wymaganiami
Nadmiar zapasów, krach, utrata marży
Ciągłe niedocenianie
Nie doceniasz zapotrzebowania
Brak towaru w magazynie, brak sprzedaży, niezadowolenie
Wysoki MAPE, zrównoważony kierunek
Niepewność jest wysoka
Zwiększaj zapasy bezpieczeństwa, często je przeglądaj
Niski MAPE
dokładne przewidywanie
Mniejsze zapasy, lepsza gotówka
mini etui
Przypadek 1 — Brak sezonowości: Sklep spożywczy zamawia zeszyty szkolne na podstawie sprzedaży z lipca ubiegłego roku (200 sztuk miesięcznie). Gdy spojrzymy na sztuczną inteligencję w kontekście „semeksu szkolnego od sierpnia do września, sprzedaż w zeszłym roku wzrosła czterokrotnie w tym okresie”, prognoza wzrasta do 780 jednostek zamiast 200. Dzięki prawidłowemu zamówieniu nie zabraknie Ci zapasów w ciągu roku szkolnego; Szacunkowy obrót wynoszący 60 000 TL, który upłynął w roku poprzednim, zostanie złapany w tym roku.
Przypadek 2 — Nie licząc dnia wyczerpania zapasów: W sklepie brakowało popularnej kawy przez 3 tygodnie. Patrząc na surowe dane, sztuczna inteligencja postrzega te tygodnie jako „5 sprzedaży tygodniowo” i podaje niski szacunek. Kiedy analityk zaznacza dni bez zapasów i stwierdza, że „te tygodnie nie odzwierciedlają popytu”, prognoza wzrasta do 45 tygodniowo. Pojawia się realny popyt.
Przypadek 3 — Uogólnienie efektu kampanii: Sieć tekstylna uważa tygodniową wyprzedaż z 50% rabatem (600 sztuk) za „normalną” i stale zamawia 600 sztuk. Kiedy sztuczna inteligencja otrzymuje informację, że „ta sprzedaż została dokonana w ramach jednorazowej kampanii, normalny tydzień wynosi 180”, przewidywania są korygowane. Zapobiega się ryzyku przekroczenia zapasów i późniejszej utraty przecen.
Horyzont prognozy: jak daleko przed sobą widzisz?
Horyzont prognozy: Jak daleko w przyszłość sporządzono prognozę. Zasada jest prosta: im dłuższy horyzont, tym większa niepewność. Stosunkowo dokładnie przewidujesz sprzedaż w przyszłym tygodniu; sześć miesięcy później ze znacznie szerszym zakresem. Zatem wybierz horyzont prognozy zgodnie z potrzebą decyzji o zamówieniu: krótki horyzont i częste aktualizacje świeżych produktów, które szybko się kończą; Dłuższy horyzont i większy margines bezpieczeństwa dla produktów importowanych z długimi terminami realizacji.
Kolejnym ważnym rozróżnieniem jest prognozowanie nowych produktów. Nie było żadnej wcześniejszej sprzedaży nowego SKU; w tym przypadku przekazujesz AI historię podobnych produktów (analogowych), średnią kategorii i plan wprowadzenia na rynek. Powiedzenie: „Ten produkt nie ma historii; podaj wstępną ocenę, przyglądając się pierwszym 8 tygodniom podobnych produktów X i Y” jest rozsądnym sposobem na wypełnienie tej luki. Jednak prognozowanie nowych produktów jest zawsze bardziej ryzykowne; Szybko zrewiduj prognozę, gdy tylko pojawią się aktualne dane za pierwsze tygodnie.
Uwaga: nie traktuj wyceny jako metody „zrób to raz i zapomnij”. Prognozowanie popytu jest procesem ciągłym; Każdy nowy tydzień sprzedażowy jest okazją do aktualizacji prognoz. Najlepsi prognostycy to ci, którzy korzystają z tego, który aktualizuje się najczęściej, a nie z najmądrzejszego modelu.
Słaba zachęta/silna zachęta
Słaba zachęta:
Powiedz mi, ile ten produkt będzie sprzedawać w przyszłym miesiącu.
Nie ma kontekstu; AI tworzy losową liczbę.
Potężny monit:
Twoja rola: specjalista ds. planowania popytu. Dane: Poniżej znajduje się miesięczna wielkość sprzedaży i cena za ostatnie 18 miesięcy dla SKU 4471 oraz informacja, czy w tym miesiącu odbyła się kampania. Kontekst: ten produkt to letnie sandały; Szczyt zapotrzebowania przypada na maj-sierpień. Następny miesiąc to czerwiec. Nie jest planowana żadna kampania. Cena jest stała.Zadanie: (1) przewidywana wielkość sprzedaży w czerwcu, (2) przedział najgorszego i najlepszego scenariusza, (3) 2 główne czynniki wpływające na prognozę.Zasada: Nie zaliczaj miesięcy oznaczonych jako brak na magazynie jako niskiego popytu.Na podstawie podanych danych.Dane: [wklej tabelę]
Kopiowalne szablony podpowiedzi
1) Prognozy oparte na SKU
Twoja rola: specjalista ds. planowania popytu. Wygeneruj przyszłą prognozę [okres] dla [SKU] z następujących anonimowych miesięcznych serii sprzedaży. Wynik: oczekiwana ilość + najgorszy/najlepszy zakres + 2 założenia. Wyklucz okresy oznaczone jako niedostępne. Dane: [wklej]
2) Usuwanie wzorców sezonowych
Znajdź powtarzający się wzór sezonowy w 24-miesięcznych seriach sprzedaży poniżej. Które miesiące są najwyższe, a które najniższe? Podaj odchylenie od średniej w procentach. Przedstaw to w formie tabeli. Dane: [wklej]
3) Ocena trafności prognoz
Poniżej znajdują się moje historyczne szacunki i rzeczywista sprzedaż. (1) Oblicz MAPE, (2) czy moja prognoza stale dryfuje w górę czy w dół, (3) co to oznacza dla akcji? Pokaż krok po kroku. Dane: [szacunkowe, rzeczywiste kolumny]
4) Wyodrębnij wpływ kampanii
Tygodnie kampanii zaznaczono w poniższej serii sprzedaży. Oszacuj normalne zapotrzebowanie (niezwiązane z kampanią); Podaj efekt kampanii jako oddzielny procent wzrostu. Chcę więc zobaczyć normalny poziom zamówienia. Dane: [wklej]
Typowe błędy
- Brak podania kontekstu: Jeśli nie zostanie określona kampania, sezon, zmiana ceny, prognoza będzie myląca.
- Czy liczyć dni braku zapasów jako popyt: Okres braku zapasów ukrywa rzeczywisty popyt; ocena.
- Akceptowanie sprzedaży promocyjnej w normalny sposób: Myślenie, że jednorazowa podwyżka jest trwała, doprowadzi do nadwyżki zapasów.
- Poleganie na jednej liczbie: Brak zakresu (scenariusza) i poleganie na jednym punkcie ukrywa ryzyko.
- Brak pomiaru dokładności: jeśli MAPE i kierunek nie są monitorowane, przewidywania stają się coraz gorsze.
- Składanie zamówień bezpośrednich z kosztorysami: Zamawianie bez gotówki, kontrola magazynu i okresu przydatności do spożycia.
Podsumowując
Dobre prognozowanie uwzględnia dotychczasową sprzedaż, sezonowość i czynniki zewnętrzne. Pamiętaj, aby podać AI kontekst (kampania, sezon, dni wyczerpania zapasów). Monitoruj dokładność prognoz za pomocą MAPE i kierunku odchylenia; Zwiększ zapasy bezpieczeństwa w przypadku dużej niepewności. Przewidywanie jest przewidywaniem; Ostateczna decyzja dotycząca zamówienia należy do Ciebie, wraz z budżetem i ograniczeniami.
Zadanie aplikacji
Uzyskaj sprzedaż swoich 5 najlepiej sprzedających się jednostek SKU w ciągu ostatnich 12-18 miesięcy w anonimowej tabeli i zaznacz okresy wyczerpania zapasów oraz okresy kampanii. Wygeneruj przyszłą prognozę za pomocą polecenia „1) Prognoza oparta na SKU”, a następnie wyodrębnij MAPE swoich przeszłych prognoz za pomocą opcji „3) Ocena dokładności prognozy”. Porównaj wynik z własną decyzją dotyczącą zamówienia.
lista kontrolna
- [ ] Zanonimizowałem i wyczyściłem moje dane sprzedażowe.
- [ ] Zaznaczyłem okresy wyczerpania zapasów i kampanii.
- [ ] Dałem AI kontekst związany z porą roku i czynnikami zewnętrznymi.
- [ ] Chciałem zakres scenariusza, a nie pojedynczą liczbę.
- [ ] Sprawdziłem MAPE i kierunek odchylenia.
- [ ] Decyzję o zamówieniu podjąłem w oparciu o budżet i ograniczenia.