Câștiguri:
- Abilitatea de a înțelege conceptele de serie temporală, tendință, sezonalitate și impactul campaniei și de a utiliza inteligența artificială pentru prognoza cererii cu întrebările potrivite și date curate.
- Abilitatea de a interpreta acuratețea prognozei (MAPE, abatere) și incertitudinea (interval de încredere, scenarii) și de a baza planificarea pe un interval mai degrabă decât pe un singur număr
- A putea distinge faptul că predicția inteligenței artificiale se bazează pe date istorice și acea judecată a experților iese în prim-plan în cazuri de întreruperi precum produse noi, promoții sau crize de aprovizionare.
Fiecare decizie din lanțul de aprovizionare se bazează pe o singură întrebare: cât de multă cerere va fi? Cu cât răspunzi mai precis la această întrebare, cu atât mai puține stocuri deții, cu atât mai puține stocuri rămâi și cu atât mai puțini bani legați. Prognoza cererii este motorul lanțului de aprovizionare; Planurile de stoc, achiziții, producție și transport sunt toate alimentate de aici. Inteligența artificială este extrem de puternică în acest domeniu deoarece scanează istoria a mii de produse mult mai rapid decât un om și extrage tipare. Dar sursa puterii sale este și limita sa: AI învață din trecut; Dacă viitorul nu seamănă cu trecutul, este greșit. În această unitate, vom învăța limbajul predicției, măsurarea preciziei, gestionarea incertitudinii și unde AI ar trebui să vă predea.
Limbajul prognozei: serie temporală, tendință, sezonalitate
Datele despre cerere sunt de obicei o serie temporală - o serie de numere ordonate în funcție de timp, cum ar fi vânzările zilnice ale unui produs. Împărțirea acestei secvențe în trei părți este baza predicției:
Tendință, direcție pe termen lung: vânzările cresc sau scad de la an la an? Sezonalitate, fluctuație periodică recurentă: înghețata se vinde vara, încălzitorul se vinde iarna; Piața este aglomerată vineri și sâmbătă. Zgomot, joc aleatoriu inexplicabil. O prognoză bună surprinde tendințele și sezonalitatea și nu este păcălită de zgomot. Pe deasupra, se adună evenimente: campanie, promovare, sărbătoare, vreme, mutarea concurentului. Când faci AI să prezică, trebuie să-i spui aceste evenimente; Dacă nu îi spui, va crede că săritul în ziua campaniei este „normal” și va greși în privința viitorului.
Sfat: atunci când oferiți date brute de vânzări către AI, marcați campaniile, sărbătorile și zilele epuizate. Ziua fără stoc este importantă: vânzările par scăzute în acea zi, dar cererea reală a fost mare, pur și simplu nu erau bunuri disponibile. Dacă nu specificați acest lucru, AI va subestima cererea reală.
Precizie de măsurare: MAPE și bias
„Este bună prognoza?” Răspunsul la întrebare vine din măsurare, nu din simțire. Cel mai comun indicator este MAPE (Eroare procentuală medie absolută - câte puncte procentuale în medie se abat predicțiile de la realitate). Dacă MAPE este de 10%, înseamnă că previziunile tale pierd valoarea reală cu o medie de 10%; MAPE mai mic este mai bun. Al doilea concept important este părtinirea: prognoza dvs. este în mod constant peste (producerea de stocuri excesive) sau de stocare insuficientă (lăsând stocuri insuficiente) realitate? Chiar dacă o prognoză are un MAPE scăzut, dacă se abate întotdeauna în aceeași direcție, există o problemă sistematică.
Puteți oferi AI o parte din istorie ca „antrenament” și o parte din ea ca „testare” și să comparați predicția sa cu realitatea. Acesta este modul onest de a construi încredere: testarea modelului pe date pe care nu le-a văzut. O predicție merită aplicată în viitor doar dacă s-a dovedit consistentă în trecut.
Atenție: Nicio predicție nu este 100% precisă; Nu este de așteptat să se întâmple. Scopul nu este de a produce un singur număr perfect, ci un interval gestionabil, cunoscând abaterea. Ideea binară de „predicția s-a adeverit/nu a funcționat” este greșită; Întrebarea corectă este „cât de mult a deviat și cât de mult tampon am păstrat în consecință?”
Gestionarea incertitudinii: interval, nu un singur număr
Cel mai periculos obicei al planificatorului este să trateze prognoza ca pe un singur număr greu. În realitate, fiecare prognoză are un interval de încredere - cum ar fi „cererea luna viitoare este cel mai probabil între 900 și 1.100”. Cu cât acest interval este mai larg, cu atât este mai mare incertitudinea. Cunoașterea gamei vă afectează în mod direct decizia privind stocul: gama îngustă necesită mai puțin stoc de siguranță, gama largă necesită mai mult tampon.
Așa că cereți întotdeauna AI scenarii: pesimist (dacă cererea se dovedește scăzută), așteptat și optimist (dacă cererea se dovedește mare). Văzând trei scenarii, planul se bazează nu pe o singură ipoteză, ci pe o serie de posibilități posibile. Acesta este cel mai practic mod de a ieși din capcana „blocat într-un singur număr”.
Pas cu pas: Studiu de prognoză a cererii cu AI
- Ștergeți datele. Marcați zilele lipsă, zilele epuizate, deschiderea înregistrărilor eronate; Lucrați cu cod de produs anonim.
- Etichetați evenimente. Adăugați la date zilele de campanie, vacanță și promoție.
- Scădeți modelul. Solicitați AI să rezumă tendințele, sezonalitatea și evenimentele notabile.
- Testează-l. Stocați ultima parte a istoriei, lăsați AI să prezică, să compare cu realitatea (MAPE și direcția de părtinire).
- Creați un scenariu. Cereți trei predicții, pesimiste/așteptate/optimiste și intervalul de încredere pentru fiecare.
- Filtru expert. AI nu știe despre întreruperile viitoare cunoscute (produs nou, criză aprovizionării, legislație); adăugați-le manual. Planul final este al tău.
trei mini cutii
Cazul 1 – Captarea sezonalității. Un distribuitor de băuturi se plângea că în timpul lunilor de vară se epuiza în permanență stocul și iarna rămâne cu mărfuri. Planificatorul a oferit YZ 3 ani de vânzări zilnice anonime și a eliminat sezonalitatea: cererea din iunie-august a fost de 2,4 ori mai mare decât media de iarnă, iar saltul a început la jumătatea lunii mai a fiecărui an. După acest tipar, și-a înființat stocul de vară cu 3 săptămâni înainte; stocul de morți de vară a scăzut cu 70%, stocul de morți de iarnă a scăzut. AI a arătat modelul; Planificatorul a luat decizia de stoc.
Cazul 2 — Cedarea noului produs. O companie urma să lanseze un produs nou-nouț; Nu au existat date istorice despre vânzări. Planificatorul a întrebat AI: „Care va fi cererea pentru primele 3 luni?” întrebă el. AI a produs un număr care părea rezonabil - dar planificatorul știa că nu este întemeiat: nu existau date. În schimb, AI întreabă „Care a fost primul model de 3 luni de produse lansate în segmente similare în trecut?” analiză și configurați-o ca un interval de prognoză, cu stoc inițial prudent. Judecata expertului a anulat încrederea fictivă a AI.
Cazul 3 — Stockless este capcana zilei. Un analist a concluzionat că cererea pentru un produs a scăzut și a recomandat reducerea stocului. Colegul său principal a observat că zilele de vânzări scăzute din date erau de fapt zile epuizate: cererea nu a scăzut, nu existau mărfuri. Când datele au fost corectate cu această notă și redate AI, s-a văzut că cererea reală a crescut. Datele curățate necorespunzător produc predicții incorecte.
Patru șabloane copiabile
1) Extragerea modelului:
Rolul dumneavoastră: asistent analist de planificare a cererii. Mai jos sunt datele de vânzări lunare ale unui produs (cod anonim: PRODUCT-X) pentru ultimele 36 de luni. Luni de campanie [lista de luni], luni fără stoc [lista de luni]. Sarcină: Rezumați (1) tendința, (2) modelul sezonier, (3) evenimentele notabile. Luați în considerare că lunile fără stoc ascund cererea adevărată. Luna pentru care nu am furnizat date este fabricată.
2) Test de precizie:
Preziceți ultimele 6 luni folosind primele 30 din cele 36 de luni de mai jos. Apoi comparați predicția mea cu ultimele 6 luni reale; Calculați abaterea și MAPE total pentru fiecare lună. Spune-mi dacă estimarea ta este constant părtinitoare. Afișați formula.
3) Prognoza scenariului:
Estimați cererea lunară din trimestrul următor pentru acest produs în 3 scenarii: pesimist / așteptat / optimist. Dați un interval de încredere pentru fiecare scenariu și scrieți pe ce ipoteză se bazează. Rețineți că acesta nu este definitiv, ci un interval de planificare.
4) Controlul spargerii:
Enumerați cum prognoza bazată pe datele istorice pe care vi le-am dat ar putea fi invalidată de următoarele evenimente viitoare: [produs nou / promovare / criză de aprovizionare / modificare de reglementare]. Sugerați cum ar trebui să ajustez manual prognoza pentru fiecare.
Prompt slab / Prompt puternic
Prompt slab:
Cât voi vinde luna viitoare?
Fără date, fără produs, fără context. AI fie respinge, fie compensează; niciun rezultat nu funcționează.
Solicitare puternică:
Rolul dumneavoastră: asistent de planificare a cererii. Mai jos sunt vânzările PRODUCT-X din ultimele 24 de luni; Sunt marcate lunile de campanie și lunile fără stoc. Dați previziuni pesimiste/așteptate/optimiste pentru următoarele 3 luni, adăugați interval de încredere la fiecare, afișați MAPE peste testul trecut. Prefă-te că am decizia finală a stocurilor.
Abordare
lovit
managementul incertitudinii
Risc
se bazează pe un singur număr
înșelătoare
Niciuna
Înalt — planul se prăbușește
Scenariu + interval
realist
bine
scăzută
doar intuiție
Variabilă
slabă
mediu-înalt
Ascultând orbește AI
Variabilă
Niciuna
înalt
Greșeli comune
- Confundarea unei zile de epuizare a stocurilor cu o cerere foarte scăzută. Când mărfurile nu sunt disponibile, vânzările par scăzute; Asta nu înseamnă că cererea a scăzut.
- Blocarea unui singur număr. A vedea predicția ca pe un adevăr absolut înseamnă a ignora incertitudinea; Cere întotdeauna intervalul și scenariul.
- Nu etichetarea campaniei. Modelul care consideră că saritura promoțională este „normală” distorsionează viitorul.
- Predicție pentru un produs nou fără istoric. Numărul aparent sigur de AI pentru produse fără date este nefondat.
- Lăsând ruperea în seama AI. AI nu cunoaște rupturi structurale, cum ar fi epidemiile, crizele de aprovizionare și legislația; Trebuie făcută intervenția unui expert.
Atenție: Indiferent cât de bine arată o predicție, aceasta nu poate fi mai bună decât calitatea datelor pe care se bazează. „Gunoi înăuntru, gunoi afară”. Petreceți cea mai mare parte a timpului curățând datele; Partea de model face restul.
În concluzie
Prognoza cererii este motorul lanțului de aprovizionare, iar AI este un asistent puternic care accelerează acest motor. Dar AI învață din trecut; se înșeală atunci când viitorul nu seamănă cu trecutul. Capturați tendințele și sezonalitatea, etichetați evenimentele, măsurați acuratețea cu MAPE și direcția de derive, configurați prognoza ca scenariu și interval, nu un singur număr. Raționamentul experților este pe primul loc în produsele noi și rupturile structurale. Curățarea datelor este fundamentul tuturor; Planul final este al tău.
Sarcina de aplicare
Obțineți date de vânzări pentru ultimele 12-24 de luni ale unuia dintre propriile produse (sau un produs ipotetic), marcați campania și lunile epuizate. Solicitați AI pentru trei scenarii cu șablonul „predicție scenariu”. Apoi stocați o parte din istoric cu șablonul „Test de precizie” și comparați predicția cu realitatea. Notați MAPE-ul pe care l-ați găsit și scenariul ales, împreună cu motivul acestuia, în 5 itemi; De asemenea, specificați ce buffer de securitate veți adăuga.
lista de verificare
- [ ] Am șters datele, am marcat zilele epuizate și de campanie?
- [ ] Am validat predicția cu MAPE și direcția de polarizare prin backtesting?
- [ ] Am cerut un scenariu și un interval de încredere în loc de un singur număr?
- [ ] Dacă există un produs nou / spargere, am prioritizat judecata experților?
- [ ] Am supus aprobării mele planul final de stoc?