Прибыль:
- Способность понимать концепции временных рядов, тенденций, сезонности и влияния кампаний, а также использовать искусственный интеллект для прогнозирования спроса с помощью правильных вопросов и точных данных.
- Способность интерпретировать точность прогноза (MAPE, отклонение) и неопределенность (доверительный интервал, сценарии) и основывать планирование на диапазоне, а не на одном числе.
- Уметь различать, что прогнозы искусственного интеллекта основаны на исторических данных и что экспертное мнение выходит на первый план в случаях сбоев, таких как появление новых продуктов, рекламных акций или кризисов поставок.
Каждое решение в цепочке поставок основано на одном вопросе: каким будет спрос? Чем точнее вы ответите на этот вопрос, тем меньше акций вы держите, тем меньше акций вы остаетесь вне и тем меньше денег вы связываете. Прогнозирование спроса является двигателем цепочки поставок; Отсюда поступают планы запасов, закупок, производства и транспортировки. Искусственный интеллект чрезвычайно силен в этой области, поскольку он сканирует историю тысяч продуктов намного быстрее, чем человек, и извлекает закономерности. Но источник его силы также является его пределом: ИИ учится на прошлом; Если будущее не похоже на прошлое, оно неправильное. В этом модуле мы изучим язык прогнозирования, измерения точности, управления неопределенностью и того, где ИИ должен сдаться вам.
Язык прогнозирования: временные ряды, тренд, сезонность.
Данные о спросе обычно представляют собой временной ряд — ряд чисел, упорядоченных по времени, например, ежедневные продажи продукта. Разделение этой последовательности на три части является основой предсказания:
Тренд, долгосрочное направление: продажи растут или падают из года в год? Сезонность, регулярно повторяющиеся колебания: летом продается мороженое, зимой — обогреватель; В пятницу и субботу рынок занят. Шум, необъяснимое случайное воспроизведение. Хороший прогноз отражает тенденции и сезонность, и его не обманывает шум. Помимо этого, накапливаются события: кампания, продвижение по службе, государственные праздники, погода, переезд конкурентов. Когда вы заставляете ИИ предсказывать, вы должны сообщить ему об этих событиях; Если вы ему не скажете, он подумает, что прыгать в день предвыборной кампании — это «нормально», и совершит ошибку относительно будущего.
Совет: передавая необработанные данные о продажах ИИ, отмечайте кампании, праздники и дни отсутствия товара на складе. День без запасов важен: продажи в этот день кажутся низкими, но реальный спрос был высоким, товаров просто не было. Если вы этого не укажете, ИИ недооценит реальный спрос.
Точность измерения: MAPE и смещение
«Прогноз хороший?» Ответ на вопрос приходит от измерения, а не от ощущения. Наиболее распространенным индикатором является MAPE (Mean Absolute Percent Error — на сколько в среднем процентных пунктов прогнозы отклоняются от реальности). Если MAPE составляет 10 %, это означает, что ваши прогнозы не соответствуют реальному значению в среднем на 10 %; чем ниже MAPE, тем лучше. Вторая важная концепция — это предвзятость: ваш прогноз постоянно превышает (приводит к избытку запасов) или занижает (оставляя недостаточные запасы) реальность? Даже если прогноз имеет низкий MAPE, если он всегда отклоняется в одном и том же направлении, существует систематическая проблема.
Вы можете передать ИИ часть истории в качестве «обучения», а часть — в качестве «тестирования» и сравнить его предсказания с реальностью. Это честный способ завоевать доверие: тестирование модели на данных, которых она еще не видела. Прогноз имеет смысл применять к будущему только в том случае, если он оказался последовательным в прошлом.
Внимание: ни один прогноз не является точным на 100%. Ожидается, что этого не произойдет. Цель состоит не в том, чтобы получить идеальное одно число, а в управляемом диапазоне, зная отклонение. Бинарная идея «прогноз сбылся/не сработал» неверна; Правильный вопрос: «Насколько оно отклонилось и какой буфер я соответственно сохранил?»
Управление неопределенностью: диапазон, а не одно число
Самая опасная привычка планировщика — относиться к прогнозу как к одному твердому числу. На самом деле у каждого прогноза есть доверительный интервал — например, «спрос в следующем месяце, скорее всего, будет между 900 и 1100». Чем шире этот диапазон, тем выше неопределенность. Знание диапазона напрямую влияет на ваше решение об акциях: узкий диапазон требует меньше страхового запаса, широкий диапазон требует большего буфера.
Поэтому всегда спрашивайте у ИИ сценарии: пессимистический (если спрос окажется низким), ожидаемый и оптимистичный (если спрос окажется высоким). Учитывая три сценария, план основан не на одном предположении, а на ряде возможных возможностей. Это наиболее практичный способ выбраться из ловушки «запертого в одном номере».
Шаг за шагом: исследование прогнозирования спроса с помощью ИИ
- Очистить данные. Отмечайте пропущенные дни, дни отсутствия на складе, открывайте ошибочные записи; Работайте с анонимным кодом продукта.
- Отмечайте события. Добавьте к данным кампании, праздничные дни и рекламные дни.
- Вычтите узор. Попросите ИИ обобщить тенденции, сезонность и примечательные события.
- Проверьте это. Сохраняйте последнюю часть истории, пусть ИИ прогнозирует, сравнивает с реальностью (MAPE и направление смещения).
- Создайте сценарий. Попросите три прогноза: пессимистический/ожидаемый/оптимистичный, а также доверительный интервал для каждого.
- Экспертный фильтр. ИИ не знает об известных предстоящих сбоях (новый продукт, кризис поставок, законодательство); добавьте их вручную. Окончательный план за вами.
три мини-кейса
Случай 1. Учет сезонности. Дистрибьютор напитков жаловался, что в летние месяцы у него постоянно отсутствовал товар, а зимой у него оставался товар. Планировщик предоставил YZ 3 года анонимных ежедневных продаж и удалил сезонность: спрос в июне-августе был в 2,4 раза выше среднего зимнего показателя, а скачок начинался в середине мая каждого года. Согласно этому шаблону, он подготовил свои летние запасы на 3 недели вперед; летний мертвый запас сократился на 70%, зимний мертвый запас сократился. ИИ показал закономерность; Планировщик принял решение о запасах.
Случай 2 — Принятие нового продукта. Компания собиралась выпустить совершенно новый продукт; Никаких исторических данных о продажах не было. Планировщик спросил ИИ: «Каков будет спрос в первые 3 месяца?» — спросил он. ИИ выдал цифру, которая казалась разумной, но планировщик знал, что она необоснованна: данных не было. Вместо этого ИИ спрашивает: «Какова была первая трехмесячная схема выпуска продуктов в аналогичных сегментах в прошлом?» анализ и установил его как диапазон прогноза с осторожным начальным запасом. Экспертное заключение отвергло фиктивную уверенность ИИ.
Случай 3. Отсутствие стоков — ловушка дня. Аналитик пришел к выводу, что спрос на продукт упал, и рекомендовал сократить запасы. Его старший коллега заметил, что дни с низкими продажами в данных на самом деле были днями отсутствия товара: спрос не упал, товаров не было. Когда данные были исправлены с помощью этой записи и повторно переданы ИИ, стало видно, что реальный спрос увеличился. Неправильно очищенные данные дают неверные прогнозы.
Четыре копируемых шаблона
1) Извлечение шаблона:
Ваша роль: помощник аналитика по планированию спроса. Ниже приведены ежемесячные данные о продажах продукта (анонимный код: PRODUCT-X) за последние 36 месяцев. Месяцы кампании [список месяцев], месяцы без акций [список месяцев]. Задача: обобщить (1) тенденцию, (2) сезонную закономерность, (3) примечательные события. Учтите, что месяцы отсутствия товара скрывают истинный спрос. Месяц, за который я не предоставил данные, вымышлен.
2) Проверка точности:
Предскажите последние 6 месяцев, используя первые 30 из 36 месяцев, указанных ниже. Затем сравните мой прогноз с реальным за последние 6 месяцев; Рассчитайте отклонение и общий MAPE за каждый месяц. Скажите мне, если ваша оценка постоянно предвзята. Покажите формулу.
3) Сценарный прогноз:
Оцените ежемесячный спрос на этот продукт в следующем квартале по 3 сценариям: пессимистичный/ожидаемый/оптимистичный. Дайте доверительный интервал для каждого сценария и запишите, на каком предположении он основан. Обратите внимание, что это не окончательный срок, а интервал для планирования.
4) Контроль поломки:
Перечислите, как прогноз, основанный на исторических данных, которые я вам дал, может оказаться недействительным из-за следующих предстоящих событий: [новый продукт/продвижение/кризис поставок/изменение регулирования]. Подскажите, как мне вручную корректировать прогноз для каждого.
Слабая подсказка / Сильная подсказка
Слабая подсказка:
Сколько я продам в следующем месяце?
Нет данных, нет продукта, нет контекста. ИИ либо отвергает, либо мирится; ни один результат не работает.
Мощная подсказка:
Ваша роль: помощник по планированию спроса. Ниже приведены продажи PRODUCT-X за последние 24 месяца; Отмечены месяцы кампании и месяцы без акций. Дайте пессимистический/ожидаемый/оптимистический прогноз на следующие 3 месяца, добавьте к каждому доверительный интервал, покажите MAPE по сравнению с прошлым тестом. Представьте, что я принял окончательное решение по акциям.
Подход
ударить
управление неопределенностью
Риск
полагаться на одно число
вводящий в заблуждение
Нет
Высокий — план рушится
Сценарий + диапазон
реалистичный
хорошо
низкий
просто интуиция
Переменная
слабый
средне-высокий
Слепо подчиняясь ИИ
Переменная
Нет
высокий
Распространенные ошибки
- Принятие дня дефицита за действительно низкий спрос. Когда товаров нет в наличии, продажи кажутся низкими; Это не значит, что спрос упал.
- Блокировка по одному номеру. Считать предсказание абсолютной истиной — значит игнорировать неопределенность; Всегда спрашивайте диапазон и сценарий.
- Без пометки кампании. Модель, считающая отказ от рекламы «нормальным», искажает будущее.
- Прогнозирование нового продукта без истории. Кажущееся безопасным количество ИИ для продукта без данных необоснованно.
- Оставив взлом ИИ. ИИ не знает структурных сдвигов, таких как эпидемии, кризисы поставок и законодательство; Необходимо экспертное вмешательство.
Внимание: каким бы хорошим ни был прогноз, он не может быть лучше качества данных, на которых он основан. «Мусор на входе, мусор на выходе». Тратьте большую часть своего времени на очистку данных; Модельная часть делает все остальное.
В итоге
Прогнозирование спроса — двигатель цепочки поставок, а ИИ — мощный помощник, ускоряющий этот двигатель. Но ИИ учится на прошлом; ошибается, когда будущее не похоже на прошлое. Фиксируйте тенденции и сезонность, отмечайте события, измеряйте точность с помощью MAPE и направление дрейфа, настраивайте прогноз в виде сценария и диапазона, а не одного числа. Экспертное мнение имеет первостепенное значение в отношении новых продуктов и структурных сдвигов. Очистка данных — основа всего; Окончательный план за вами.
Задача приложения
Получите данные о продажах одного из ваших собственных продуктов (или гипотетического продукта) за последние 12–24 месяца, отметьте кампанию и месяцы отсутствия на складе. Запросите у ИИ три сценария с помощью шаблона «прогноз сценария». Затем сохраните часть истории с помощью шаблона «Тест точности» и сравните прогноз с реальностью. Запишите найденный вами MAPE и выбранный вами сценарий вместе с его причиной в 5 пунктах; Также укажите, какой буфер безопасности вы добавите.
контрольный список
- [ ] Удалили ли я данные, отметили дни отсутствия на складе и дни кампании?
- [ ] Подтвердил ли я прогноз с помощью MAPE и направления смещения посредством бэктестинга?
- [ ] Я просил указать сценарий и доверительный интервал вместо одного числа?
- [ ] Если появился новый продукт/поломка, отдал ли я приоритет экспертному заключению?
- [ ] Представил ли я окончательный план запасов на собственное одобрение?