Прибыль:
- Умение различать методы прогнозирования спроса (скользящее среднее, экспоненциальное сглаживание, сезонность).
- Возможность настраивать сценарии прогнозирования с помощью ИИ и оценивать точность с помощью таких показателей, как MAPE/MAE.
- Возможность перекрестной проверки результатов прогноза с бизнес-контекстом и рекламными/сезонными эффектами.
Прогнозирование спроса — это основа, на которой базируются планирование производства, управление запасами и вся цепочка поставок. Неправильный прогноз обходится дорого в обоих случаях: завышенная оценка приводит к затратам на запасы и потерям, а недооценка приводит к потере продаж и неудовлетворенности клиентов. Искусственный интеллект помогает во многих аспектах процесса прогнозирования: от выбора метода до интерпретации исторических данных и создания сценариев; Но рассматривать прогноз как «волшебный хрустальный шар» — самая большая ошибка. В этом модуле мы рассмотрим классические методы прогнозирования, как правильно их строить с помощью ИИ и как измерять точность.
Краткая карта методов прогнозирования
Не каждая серия требований ведет себя одинаково; Некоторые из них плоские, некоторые имеют тенденции, некоторые сезонные. Необходимо выбирать метод согласно серии.
Метод
Когда это уместно?
Внимание
Наивный (последнее значение)
Для сравнения (бенчмарк)
Не соответствует тренду/сезону
скользящее среднее
Статичная, шумная серия
Поздно реагирует на тренд
Экспоненциальное сглаживание (SES)
Стационарный ряд, акцент на близлежащих данных
Хорошо, если нет тренда
Холт (двойная экспонента)
Модная серия
Не ловит сезон
Холт-Винтерс
Тренд + сезонность
Требует достаточных исторических данных
Регрессия/МО
Многовариантность, эффективное продвижение
Риск переобучения
Совет: всегда начинайте с «наивного» предположения. Если ваша сложная модель не лучше наивной догадки, не стоит переносить ее сложность. Naive — это бесплатный тест для измерения точности.
Как мы измеряем точность? (Метрики)
Точность прогнозирования не может быть повышена без ее измерения. Наиболее распространенные показатели:
- MAE (средняя абсолютная ошибка): среднее абсолютное значение ошибок. Единица такая же, как и единица спроса.
- RMSE (среднеквадратическая ошибка): больше наказывается за более крупные ошибки.
- MAPE (средняя абсолютная процентная ошибка): в процентах; Хорошо подходит для сравнения товаров, но искажается, когда спрос близок к нулю.
- Смещение: средняя ошибка; Указывает, постоянно ли вы переоцениваете/недооцениваете.
Небольшой пример аккаунта. Пусть фактический спрос равен [100, 120, 90], прогнозируемый — [110, 115, 100]:
Ошибки (фактические - прогнозные): -10, +5, -10 Абсолютные ошибки: 10, 5, 10 → MAE = 25/3 ≈ 8,33 Процентные ошибки: 10/100, 5/120, 10/90 = 10 %, 4,17 %, 11,11 % MAPE = (10 + 4,17 + 11,11) / 3 ≈ 8,43% Смещение = (-10 + 5 — 10) / 3 = -5 → завышение в среднем (прогноз > факт)
Отрицательное смещение (истина минус оценка) указывает на то, что оценка постоянно завышена; Это означает инфляцию запасов. Такие ошибки направления могут быть скрыты в MAPE, поэтому они рассматриваются вместе.
Построение процесса прогнозирования с помощью ИИ
Вы можете использовать ИИ наиболее эффективно в двух местах: (1) для просмотра данных и предложения подходящего метода и действий, которые необходимо предпринять, и (2) для создания прогнозного кода. Для предложения метода:
Роль: Вы — промышленный инженер, имеющий опыт прогнозирования спроса. Задача: Изучите приведенный ниже ряд ежемесячных продаж и порекомендуйте соответствующий метод прогнозирования. Оцените, есть ли тренд и сезонность, напишите обоснование. Данные (ежемесячно, за последние 24 месяца): {{ значения }}Дополнительная информация: В декабре действует акция, в летние месяцы спрос снижается. Результат, который я хочу: 1. Прокомментируйте характер сериала (стабильный/трендовый/сезонный).2. 2 рекомендуемых метода и почему.3. Какой показатель точности мне следует отслеживать? 4. Подводные камни, на которые следует обратить внимание (выбросы, рекламный эффект). Правило: не обещайте абсолютную точность, не видя данных.
Слабая подсказка/Сильная подсказка
Слабая подсказка:
Сколько я продам в следующем месяце?
Это не содержит ни данных, ни контекста; ИИ либо отвергает его, либо возвращает полностью выдуманное число. Такие выходные данные опасны, поскольку кажутся заслуживающими доверия.
Мощная подсказка:
Спрогнозируйте следующие 3 месяца, используя логику Холта-Уинтерса, с помощью этого 24-месячного ряда. Продолжительность сезона равна 12. Сначала напишите предположения метода, затем дайте прогноз, затем рассчитайте MAPE путем тестирования на истории за последние 6 месяцев. Отдельно отмечайте месяцы акции. Данные: {{ ... }}
Во втором запросе запрашивается как прогноз, так и степень уверенности в том, что этому прогнозу можно доверять (тестирование на исторических данных). Это превращает прогноз из «оракула» в измеримый инструмент.
Бэктестирование: мера уверенности в прогнозе
Настоящая проверка предсказаний происходит в прошлом, а не в будущем. Вы делите имеющиеся у вас данные на две части: построение модели (обучение) и тестирование. Вы строите модель из первой части, прогнозируете следующий период и сравниваете ее с реальностью. Эта логика «удержания» показывает, действительно ли модель работает или нет.
Составьте простой план бэктестинга для следующей серии: выделите последние 6 месяцев для тестирования, обучите 3 разных метода (наивный, SES, Холта-Винтерса) на оставшихся данных, рассчитайте MAPE и смещение для каждого в течение периода тестирования и составьте сравнительную таблицу. Напишите метод победы и обоснование.
Остерегайтесь: ИИ иногда может «предсказать» результаты бэктеста и представить вам готовый график; то есть он может придумывать цифры, которые кажутся разумными, не вычисляя их на самом деле. Обязательно воспроизведите численные результаты с помощью кода (Python/Excel). Языковая модель не обеспечивает надежного выполнения длинных арифметических операций.
Мини-кейс: избыток сезонного товара
Компания по распространению продуктов питания жалуется на то, что каждый год зимой у нее слишком много запасов сезонного продукта, такого как мороженое. Промышленный инженер Элиф передает ИИ ежемесячные данные за 3 года и просит его оценить характер сериала. По мнению Холт-Уинтерса, ИИ обнаруживает сильную сезонность (летний пик) и небольшую годовую тенденцию роста. Элиф генерирует прогноз на Python и тестирует его: MAPE составляет 14%, но смещение значительно отрицательное — модель постоянно дает завышенные прогнозы. Когда он выясняет, почему, он обнаруживает, что принял период избирательной кампании в исторических данных за «нормальный» и преподал модели слишком высокую базу. Когда мы удалим эффект кампании и перестроим модель, смещение уменьшится, и зимний запас значительно уменьшится. Урок: ИИ предложил метод правильно, но очистить данные и интерпретировать предвзятость — это работа человека.
Распространенные ошибки
- Не отслеживать показатели: оценивать и никогда не измерять точность. Прогнозирование без измерения невозможно улучшить.
- Просто глядя на MAPE: игнорирование предвзятости. Направленная (систематическая) ошибка незаметно раздувает инвентарь.
- Принятие чисел, придуманных ИИ, для расчетов: отсутствие проверки значений бэктеста и метрик с помощью кода.
- Не очищать выбросы/продвижение: принять одноразовую кампанию за обычное требование и обучить ее модели.
- Переобучение: когда сложная модель идеально подходит в прошлом, но плохо работает в будущем. Используйте простую модель в качестве эталона.
В заключение
- Выберите метод прогноза в зависимости от характера ряда (стационарный, трендовый, сезонный); Всегда начинайте со сравнения себя с наивным человеком.
- Измеряйте точность с помощью MAE/RMSE/MAPE, но также отслеживайте погрешность: ошибка направления является самой дорогой.
- Используйте ИИ для рекомендации методов и генерации кода; Сделайте прогноз измеримым инструментом, а не «пророчеством».
- Бэктестирование — это настоящая проверка того, насколько достоверной может быть модель; Обязательно сверяйте численные результаты с кодом.
- Задача человека — очистить данные (выбросы, продвижение) и интерпретировать результат; ИИ пропускает эти шаги.
Задача приложения
Иметь как минимум сериал продолжительностью 18–24 периода (настоящий или реалистический). Сначала дайте ИИ серию, попросите интерпретировать ее характер (тренд/сезонность) и предложите два метода. Затем используйте мощную подсказку «План бэктестинга», чтобы зарезервировать последние 6 периодов в качестве тестов и сравнить как минимум два метода. Важный шаг: самостоятельно пересчитать значения MAPE и смещения, возвращаемые ИИ, с помощью Excel или Python и сравнить их с выходными данными ИИ. Если вы нашли номер, который не совпадает, запишите его. Наконец, интерпретируйте признак смещения: ваша модель переоценивает или недооценивает, и как это влияет на ваши запасы?