Câștiguri:
- Abilitatea de a distinge metodele de prognoză a cererii (media mobilă, netezire exponențială, sezonalitate)
- Abilitatea de a configura scenarii de predicție cu AI și de a evalua acuratețea cu valori precum MAPE/MAE
- Abilitatea de a verifica încrucișarea rezultatelor prognozelor cu contextul de afaceri și efectele promoționale/sezoniere
Prognoza cererii este baza pe care se bazează planificarea producției, managementul stocurilor și întregul lanț de aprovizionare. Prognoza greșită este costisitoare în ambele sensuri: supraestimarea creează costuri de inventar și risipă, subestimarea duce la pierderea vânzărilor și la nemulțumirea clienților. Inteligența artificială ajută în multe locuri în procesul de prognoză, de la alegerea unei metode până la interpretarea datelor istorice și generarea de scenarii; Dar a vedea prognoza ca o „minge magică de cristal” este cea mai mare greșeală. În această unitate, vom acoperi metodele clasice de prognoză, cum să le construim corect cu AI și cum să măsuram precizia.
Harta scurtă a metodelor de prognoză
Nu toate serii de cereri se comportă la fel; Unele sunt plate, altele au tendințe, altele sunt sezoniere. Este necesar să alegeți metoda în funcție de serie.
Metoda
Când este potrivit?
Atenție
Naiv (ultima valoare)
Pentru comparație (benchmark)
Nu urmează tendința/sezonul
medie mobilă
Serii statice, zgomotoase
Reacționează târziu la tendință
Netezire exponențială (SES)
Serii staționare, accent pe datele din apropiere
Bine dacă nu există tendință
Holt (exponențial dublu)
Serial la modă
Nu prinde sezonul
Holt-Winters
Tendință + sezonalitate
Necesită date istorice suficiente
Regresie/ML
Multivariabil, promovare eficientă
Risc de supraadaptare
Sfat: începeți întotdeauna cu o presupunere „naivă”. Dacă modelul dvs. complex nu este mai bun decât presupunerea naivă, nu merită să suportați complexitatea. Naive este un etalon gratuit pentru măsurarea preciziei.
Cum măsurăm precizia? (Metrici)
Precizia predicției nu poate fi îmbunătățită fără măsurarea acesteia. Cele mai comune valori:
- MAE (Mean Absolute Error): Media valorii absolute a erorilor. Unitatea este aceeași cu unitatea de cerere.
- RMSE (Root Mean Square Error): penalizează mai mult erorile mai mari.
- MAPE (Eroare procentuală medie absolută): În procente; Bun pentru comparație între articole, dar distorsionat atunci când cererea este aproape de zero.
- Bias: eroare medie; Indică dacă supraestimezi/subestimezi în mod constant.
Un mic eșantion de cont. Fie cererea reală [100, 120, 90], prognoza [110, 115, 100]:
Erori (actuale - prognoză): -10, +5, -10Erori absolute: 10, 5, 10 → MAE = 25 / 3 ≈ 8,33Erori procentuale: 10/100, 5/120, 10/90 = 10%, 4,17%, +1,1% MA4 = 1,1%, +1. 11.11) / 3 ≈ 8.43%Bias = (-10 + 5 - 10) / 3 = -5 → supraestimare în medie (predicție > reală)
O părtinire negativă (estimarea adevărată minus) indică faptul că estimarea este în mod constant supraestimată; Aceasta înseamnă inflația stocurilor. Astfel de erori de direcție pot fi ascunse în MAPE, astfel încât să fie analizate împreună.
Construirea procesului de prognoză cu AI
Puteți utiliza AI cel mai eficient în două locuri: (1) pentru a analiza date și a sugera metoda și acțiunile adecvate care trebuie întreprinse și (2) pentru a genera cod predictiv. Pentru sugestie de metodă:
Rol: Sunteți inginer industrial cu experiență în prognoza cererii. Sarcină: Examinați seria de vânzări lunare de mai jos și recomandați metoda adecvată de estimare. Evaluează dacă există o tendință și sezonalitate, scrie-ți justificarea. Date (lunar, ultimele 24 de luni): {{ values }}Informații suplimentare: Există o promoție în decembrie, cererea scade în lunile de vară. Ieșirea pe care o vreau:1. Comentează caracterul serialului (stabil/în tendințe/sezonier).2. 2 metode recomandate și de ce.3. Ce valoare de precizie ar trebui să urmăresc?4. Capcane la care ar trebui să fiu atent (valori anormal, efect promoțional). Regulă: nu promite acuratețe absolută fără a vedea datele.
Solicitare slabă / Solicitare puternică
Prompt slab:
Cât voi vinde luna viitoare?
Acesta nu conține nici date, nici context; AI fie îl respinge, fie returnează un număr complet inventat. O astfel de ieșire este periculoasă, deoarece pare demnă de încredere.
Solicitare puternică:
Preziceți următoarele 3 luni folosind logica Holt-Winters cu această serie de 24 de luni. Durata sezonului este de 12. Mai întâi scrieți ipotezele metodei, apoi dați prognoza, apoi calculați MAPE prin testarea retrospectivă a ultimelor 6 luni. Marcați separat lunile de promovare. Date: {{ ... }}
Al doilea prompt solicită atât predicția, cât și cât de multă încredere să aveți încredere în predicție (backtesting). Acest lucru transformă predicția dintr-un „oracol” într-un instrument măsurabil.
Backtesting: Măsurarea încrederii în predicție
Adevăratul test al predicției este în trecut, nu în viitor. Împărțiți datele pe care le aveți în două: construirea de modele (tren) și testare. Construiești modelul cu prima piesă, prezici perioada următoare și o compari cu realitatea. Această logică de „reținere” dezvăluie dacă un model funcționează sau nu.
Stabiliți un plan simplu de backtest pentru următoarele serii: rezervați ultimele 6 luni ca testare, antrenați 3 metode diferite (naive, SES, Holt-Winters) cu datele rămase, calculați MAPE și părtinirea pentru fiecare în timpul perioadei de testare și faceți un tabel de comparație. Scrieți metoda câștigătoare și raționamentul.
Atenție: AI poate uneori să „prevadă” rezultatele backtest-ului și să vă prezinte o diagramă gata făcută; adică poate inventa numere care par rezonabile fără să le calculeze efectiv. Asigurați-vă că reproduceți rezultatele numerice cu cod (Python/Excel). Un model de limbaj nu efectuează în mod fiabil aritmetica lungă.
Mini carcasă: stoc excesiv de produse sezoniere
O companie de distribuție alimentară se plânge de faptul că are un stoc prea mare de produse sezoniere precum înghețata în fiecare an, iarna. Inginerul industrial Elif oferă AI 3 ani de date lunare și îi cere să evalueze caracterul seriei. AI detectează o sezonalitate puternică (vârf de vară) și o ușoară tendință de creștere anuală, sugerează Holt-Winters. Elif generează predicția în Python și o testează: MAPE este de 14%, dar părtinirea este semnificativ negativă - modelul suprapredice în mod constant. Când investighează de ce, constată că a confundat o perioadă de campanie în datele istorice ca fiind „normală” și a învățat modelului o bază prea mare. Când eliminăm efectul de campanie și reconstruim modelul, părtinirea scade și stocul de iarnă scade semnificativ. Lecție: AI a sugerat metoda corect, dar a fost o muncă umană pentru a curăța datele și a interpreta părtinirea.
Greșeli comune
- Nu se urmăresc valorile: se estimează și nu se măsoară niciodată acuratețea. Predicția fără măsurare nu poate fi îmbunătățită.
- Privind doar la MAPE: Ignorând părtinirea. Eroarea direcțională (sistematică) umflă în tăcere inventarul.
- Confundarea numerelor alcătuite de AI pentru calcule: Nevalidarea backtest și a valorilor metrice cu cod.
- Nu curățarea valorii aberante/promovarea: Confundarea unei campanii unice ca fiind o cerere normală și predarea acesteia modelului.
- Supraadaptare: Când un model complex se potrivește perfect în trecut, dar are performanțe slabe în viitor. Păstrați modelul simplu ca reper.
Pe scurt
- Alegeți metoda de prognoză în funcție de caracterul serialului (staționar, trending, sezonier); Începe întotdeauna prin a te compara cu un naiv.
- Măsurați acuratețea cu MAE/RMSE/MAPE, dar și monitorizați părtinirea: eroarea direcțională este cea mai scumpă.
- Utilizați AI pentru recomandarea metodelor și generarea de cod; Configurați prognoza ca un instrument măsurabil, nu o „profeție”.
- Backtesting-ul este adevăratul test al cât de multă încredere poate avea un model; Asigurați-vă că verificați rezultatele numerice cu cod.
- Este datoria omului să curețe datele (outlier, promovare) și să interpreteze rezultatul; AI omite acești pași.
Sarcina de aplicare
Să aibă cel puțin o serie de cerere de 18-24 de perioade (ficțiune reală sau realistă). În primul rând, dați AI serialul și cereți-i să-i interpreteze caracterul (tendință/sezonalitate) și sugerați două metode. Apoi, utilizați promptul puternic „plan de testare retroactivă” pentru a rezerva ultimele 6 perioade ca teste și pentru a compara cel puțin două metode. Pas critic: Recalculați MAPE și valorile de părtinire returnate de AI cu Excel sau Python și comparați-le cu ieșirea AI. Dacă găsiți un număr care nu se potrivește, scrieți-l. În cele din urmă, interpretați semnul părtinirii: modelul dvs. supraestimează sau subestimează și ce efect are acest lucru asupra inventarului dvs.?