Прибыль:
- Возможность составить предварительный прогноз спроса на основе SKU с поддержкой искусственного интеллекта путем объединения исторических данных о продажах, сезонных эффектов и внешних факторов.
- Способность интерпретировать точность прогноза (MAPE, смещение) и различать бизнес-последствия переоценки и недооценки.
- Возможность утверждать, что прогноз, созданный искусственным интеллектом, является прогнозом, и окончательное решение о заказе принадлежит менеджеру вместе со стоимостью запасов и денежным потоком.
В розничной торговле есть две самые дорогостоящие ошибки: хранить слишком много товара и позволять деньгам томиться на полке, или не хранить достаточно товара и оставлять покупателя с пустыми руками. Оба имеют один и тот же источник: плохое прогнозирование спроса. В этом модуле вы узнаете, как использовать искусственный интеллект в качестве мощного помощника, предсказывающего будущее на основе прошлых продаж. Но скажем с самого начала: предсказание – это не пророчество, а вероятностное предсказание. ИИ дает вам номер; Ваша задача — превратить это число в решение о заказе.
Прогнозирование спроса: это задача предсказать, сколько продукта или категории будет продано в будущем, исходя из исторических данных и влияющих факторов.
SKU (Единица хранения запасов): это уникальный код запаса, который сохраняется для каждого отдельного варианта продукта. Например, «красные кроссовки 42 размера» — это артикул; номер 43 этой же модели представляет собой отдельный артикул.
Три источника информации, которые служат основой для прогноза
Хороший прогноз сочетает в себе три вещи:
- Исторические продажи (базовый уровень): Еженедельные/ежемесячные продажи продукта за последние 12–24 месяца. Из этой серии ИИ извлекает «нормальный» уровень.
- Сезонные и календарные эффекты: каникулы, учебный семестр, лето-зима, выходные, день зарплаты. Например, летом увеличивается количество мороженого, а зимой увеличивается количество носков.
- Внешние факторы: Кампания, изменение цен, погода, движение конкурентов, открытие/закрытие. Это подталкивает оценку вверх или вниз.
Совет: не говорите ИИ просто: «Мы продали 100 штук в прошлом месяце». Скажите: «В прошлом месяце мы продали 100 штук, но была скидка 20%, и это была праздничная неделя». Без контекста прогнозы вводят в заблуждение.
Пошаговое создание прогноза
- Подготовьте данные: Анонимную, чистую таблицу: дата, артикул, проданное количество, цена, акция/без акции, наличие. Отметьте дни отсутствия на складе; В противном случае искусственный интеллект подумает, что сегодня «низкий спрос».
- Дайте контекст: запишите сезон, предстоящие события, запланированные кампании.
- Запросить прогноз. Запросите прогноз и доверительный интервал (наихудший/наилучший сценарий) для определенного периода по SKU или категории.
- Измерьте точность: сравните свои прошлые прогнозы с реальностью (MAPE ниже).
- Превратите это в решение: объедините смету с резервным запасом и бюджетом и примите решение о заказе.
Чтение точности прогноза: MAPE и смещение
MAPE (средняя абсолютная процентная ошибка): показывает среднее процентное отклонение прогнозов от фактических продаж. Формула проста: |факт − прогноз| за каждый период/реал – это их среднее значение.
- MAPE 10% → оценки отклоняются в среднем на 10%, что довольно хорошо.
- MAPE 40% → прогнозы ненадежны, для принятия решения о заказе необходим больший буфер (страховой запас).
Направление (предвзятость): ваш прогноз постоянно выше (риск затоваривания) или ниже (риск исчерпания запасов) реальности? Посмотрите это также; MAPE не показывает направление.
Статус
Значение
бизнес-результат
Устойчиво высокая оценка
Вы преувеличиваете спрос
Избыток запасов, крах, потеря прибыли
Стойкая недооценка
Вы недооцениваете спрос
Нет в наличии, пропущенные продажи, недовольство
Высокий MAPE, сбалансированное направление
Неопределенность высока
Увеличьте резервный запас, часто проверяйте
Низкий MAPE
точное предсказание
Экономия акций, больше денег
мини-чехлы
Случай 1. Отсутствие сезонности. Продуктовый магазин заказывает школьные тетради на основе продаж в июле прошлого года (200 единиц в месяц). Если искусственному интеллекту дать контекст «август-сентябрь учебного семестра, продажи выросли в четыре раза за этот период в прошлом году», прогноз увеличивается до 780 единиц вместо 200. Благодаря правильному порядку у вас не закончатся запасы в течение учебного года; Предполагаемый оборот в 60 000 TL, ускользнувший в прошлом году, ловится в этом году.
Случай 2. Не считая дня отсутствия на складе: в магазине отсутствовал популярный кофе в течение 3 недель. Глядя на необработанные данные, искусственный интеллект рассматривает эти недели как «5 продаж в неделю» и дает заниженную оценку. Когда аналитик отмечает дни отсутствия запасов и говорит, что «эти недели не отражают спрос», прогноз увеличивается до 45 в неделю. Появляется реальный спрос.
Случай 3 — Обобщение эффекта кампании: текстильная сеть считает еженедельную распродажу со скидкой 50% (600 единиц) «нормальной» и постоянно заказывает 600 единиц. Когда искусственному интеллекту сообщают, что «эта распродажа была совершена в рамках разовой кампании, нормальная неделя — 180», прогноз корректируется. Предотвращается риск затоваривания и последующей потери уценки.
Горизонт прогнозирования: насколько далеко вперед можно заглянуть?
Горизонт прогноза: насколько далеко в будущее делается прогноз. Правило простое: чем длиннее горизонт, тем больше неопределенность. Вы относительно точно прогнозируете продажи на следующей неделе; шесть месяцев спустя с гораздо более широким диапазоном. Поэтому выбирайте горизонт прогнозирования в соответствии с необходимостью принятия решения о заказе: короткий горизонт и частое обновление свежего продукта, который быстро заканчивается; Более длительный горизонт и более широкий запас прочности для импортируемой продукции с длительными сроками поставки.
Еще одним важным отличием является прогнозирование новых продуктов. Нет прошлых продаж нового SKU; в этом случае вы передаете ИИ историю похожих продуктов (аналогов), среднюю категорию и план запуска. Сказать: «У этого продукта нет истории; дайте первоначальную оценку, просмотрев аналогичные продукты X и Y за первые 8 недель» — разумный способ заполнить пробел. Однако прогнозирование новых продуктов всегда более рискованно; Быстро пересматривайте прогноз по мере появления актуальных данных за первые недели.
Внимание: не относитесь к оценке как к процедуре «сделай один раз и забудь». Прогнозирование спроса — это живой процесс; Каждая новая неделя продаж – это возможность обновить прогноз. Лучшие прогнозисты — это те, кто использует ту, которая обновляется чаще всего, а не самую умную модель.
Слабая подсказка / Сильная подсказка
Слабая подсказка:
Скажите мне, сколько этот товар будет продаваться в следующем месяце?
Нет контекста; ИИ составляет случайное число.
Мощная подсказка:
Ваша роль: специалист по планированию спроса. Данные: Ниже указаны ежемесячный объем продаж и цена за последние 18 месяцев для SKU 4471, а также информация о том, проводится ли в этом месяце кампания. Контекст: Этот продукт представляет собой летние сандалии; Пик спроса приходится на май-август. Следующий месяц – июнь. Кампания не запланирована. Цена фиксирована. Задача: (1) ожидаемый объем продаж на июнь, (2) диапазон худшего и лучшего сценария, (3) 2 основных фактора, влияющих на прогноз. Правило: не считайте месяцы, отмеченные как «нет на складе», как низкий спрос. Основано только на предоставленных данных. Данные: [вставить таблицу]
Копируемые шаблоны подсказок
1) Прогноз на основе SKU
Ваша роль: специалист по планированию спроса. Создайте будущий прогноз на [период] для [SKU] на основе следующих анонимных ежемесячных серий продаж. Выходные данные: ожидаемое количество + худший/лучший диапазон + 2 предположения. Исключить периоды, отмеченные отсутствием на складе. Данные: [вставить]
2) Удаление сезонных закономерностей
Найдите повторяющуюся сезонную закономерность в ряде продаж за 24 месяца ниже. Какие месяцы являются лучшими, а какие — худшими? Укажите отклонение от среднего значения в процентах. Представьте это в виде таблицы. Данные: [вставить]
3) Оценка точности прогноза
Ниже приведены мои исторические оценки и фактические продажи. (1) Рассчитайте MAPE, (2) мой прогноз постоянно смещается вверх или вниз, (3) что это означает для акций? Показывать шаг за шагом.Данные: [оценка, фактические столбцы]
4) Извлеките влияние кампании
Недели кампании отмечены в серии продаж ниже. Оцените нормальный (непредвыборный) спрос; Укажите эффект кампании в виде отдельного процента подъема. Поэтому я хочу увидеть нормальный уровень заказов. Данные: [вставить]
Распространенные ошибки
- Не указан контекст: если не указана кампания, сезон, изменение цен, прогноз будет ошибочным.
- Считать ли дни отсутствия товара спросом: период отсутствия на складе скрывает реальный спрос; отметка.
- Принятие рекламных продаж как обычное: мысль о том, что единовременное увеличение является постоянным, приведет к избытку запасов.
- Опираясь на одно число: нежелание иметь диапазон (сценарий) и полагаться на одну точку скрывает риск.
- Никакой точности измерения вообще: если MAPE и направление не отслеживаются, прогноз становится все хуже и хуже.
- Оформление прямых заказов со сметой: Заказ без наличного расчета, контроля склада и сроков годности.
В итоге
Хорошее прогнозирование сочетает в себе прошлые продажи, сезонность и внешние факторы. Обязательно сообщайте ИИ контекст (кампания, сезон, дни отсутствия на складе). Отслеживайте точность прогнозов с помощью MAPE и направления смещения; Увеличение страхового запаса в условиях высокой неопределенности. Предсказание есть предсказание; Окончательное решение о заказе остается за вами, наряду с бюджетом и ограничениями.
Задача приложения
Получите данные о продажах ваших 5 самых продаваемых SKU за последние 12–18 месяцев в анонимной таблице и отметьте периоды отсутствия на складе и периоды проведения кампании. Создайте прогноз на будущее с помощью подсказки «1) Прогноз на основе SKU», затем извлеките MAPE ваших прошлых прогнозов с помощью «3) Оценка точности прогноза». Сравните результат с вашим собственным решением о заказе.
контрольный список
- [ ] Я анонимизировал и очистил свои данные о продажах.
- [ ] Я отметил периоды отсутствия на складе и кампании.
- [ ] Я передал ИИ контекст сезона и внешних факторов.
- [ ] Мне нужен был диапазон сценариев, а не одно число.
- [ ] Я проверил MAPE и направление рыскания.
- [ ] Решение о заказе я принял, исходя из бюджета и ограничений.