Dobički:
- Sposobnost izdelave osnutka napovedi povpraševanja na podlagi SKU s podporo umetne inteligence s kombinacijo preteklih podatkov o prodaji, sezonskih učinkov in zunanjih dejavnikov.
- Sposobnost interpretacije točnosti napovedi (MAPE, pristranskost) in razlikovanja poslovnih posledic precenjevanja in podcenjevanja
- Biti sposoben trditi, da je napoved, ki jo ustvari umetna inteligenca, napoved, končna odločitev o naročilu pa pripada upravitelju skupaj s stroški zalog in denarnim tokom.
V trgovini na drobno sta dve najdražji napaki: imeti preveč zalog in pustiti, da denar obleži na polici, ali pa premalo zalog in kupca pustiti praznih rok. Oba imata isti vir: slabo napovedovanje povpraševanja. V tej enoti se boste naučili uporabljati umetno inteligenco kot močnega pomočnika, ki na podlagi preteklih prodaj napoveduje prihodnost. A povejmo že na začetku: napoved ni prerokba, ampak verjetnostna napoved. AI vam da številko; Vaša naloga je, da to številko pretvorite v odločitev o naročilu.
Napovedovanje povpraševanja: Naloga je predvideti, koliko izdelka ali kategorije se bo prodalo v prihodnosti, s pomočjo preteklih podatkov in vplivnih dejavnikov.
SKU (Stock Keeping Unit): Je edinstvena koda zaloge, ki se hrani za vsako različno različico izdelka. Na primer, »rdeči superge velikosti 42« je SKU; številka 43 istega modela je ločena SKU.
Trije viri informacij, ki hranijo napoved
Dobra napoved združuje tri stvari:
- Pretekla prodaja (izhodišče): Tedenska/mesečna prodaja izdelka v zadnjih 12–24 mesecih. AI iz te serije izvleče "normalno" raven.
- Sezonski in koledarski učinki: počitnice, šolski rok, poletje-zima, vikend, plačilni dan. Na primer, sladoled se poveča poleti, nogavice pa pozimi.
- Zunanji dejavniki: Kampanja, sprememba cene, vreme, gibanje konkurentov, odprtje/zapiranje. Ti potisnejo oceno navzgor ali navzdol.
Namig: ne recite AI "prejšnji mesec smo prodali 100." Recimo: "Prejšnji mesec smo prodali 100, vendar je bil 20-odstotni popust in bil je praznični teden." Brez konteksta je napoved zavajajoča.
Generiranje napovedi korak za korakom
- Pripravite podatke: Anonimna, čista tabela: datum, SKU, prodana količina, cena, akcija/brez akcije, razpoložljivost. Mark the days of out-of-stock; V nasprotnem primeru bo umetna inteligenca mislila, da je ta dan "nizko povpraševanje".
- Podajte kontekst: Zapišite sezono, prihajajoče dogodke, načrtovane akcije.
- Zahtevaj napoved: zahtevajte napoved in interval zaupanja (najslabši/najboljši scenarij) za določeno obdobje po SKU ali kategoriji.
- Izmerite natančnost: primerjajte svoje pretekle napovedi z resničnostjo (MAPE spodaj).
- Spremenite to v odločitev: združite oceno z varnostno zalogo in proračunom ter sprejmite odločitev o naročanju.
Natančnost napovedi branja: MAPE in pristranskost
MAPE (povprečna absolutna odstotna napaka): Prikazuje povprečni odstotek odstopanja napovedi od dejanske prodaje. Formula je preprosta: |dejansko − napoved| za vsako obdobje / real je njihovo povprečje.
- MAPE 10% → ocene v povprečju odstopajo za 10%, kar dobro.
- MAPE 40 % → napovedi so nezanesljive, za odločitev o naročilu je potrebna večja rezerva (varnostna zaloga).
Smer (pristranskost): Ali je vaša napoved dosledno nad (tveganje prevelike zaloge) ali pod (tveganje zaloge) realnosti? Poglejte tudi to; MAPE ne kaže smeri.
Stanje
Pomen
poslovni rezultat
Vztrajno visoka ocena
Pretiravate s povpraševanjem
Odvečne zaloge, zlom, izguba marže
Vztrajno podcenjevanje
Podcenjujete povpraševanje
Ni na zalogi, zamujene prodaje, nezadovoljstvo
Visok MAPE, uravnotežena smer
Negotovost je velika
Povečajte varnostno zalogo, pogosto pregledujte
Nizek MAPE
natančno napoved
Manjša zaloga, boljši denar
mini etuiji
1. primer – Manjka sezonskost: Trgovina z živili naroča šolske zvezke na podlagi lanskoletne julijske razprodaje (200 enot na mesec). Ko je umetna inteligenca podana v kontekst "šolskega obdobja avgust-september, prodaja se je v tem obdobju lani početverila", se napoved poveča na 780 enot namesto 200. Zahvaljujoč pravilnemu vrstnemu redu vam med šolskim letom ne zmanjka zalog; Ocenjeni promet v višini 60.000 TL, ki je pobegnil prejšnje leto, je letos ujet.
2. primer – brez dneva, ko ni bilo na zalogi: v trgovini ni bilo zaloge priljubljene kave 3 tedne. Če pogledamo neobdelane podatke, umetna inteligenca vidi te tedne kot "5 prodaj na teden" in daje nizko oceno. Ko analitik označi dneve brez zalog in reče, da "ti tedni ne odražajo povpraševanja", se napoved poveča na 45 na teden. Pojavi se pravo povpraševanje.
Primer 3 – posploševanje učinka kampanje: tekstilna veriga meni, da je tedenska razprodaja s 50 % popustom (600 enot) »normalna« in nenehno naroča 600. Ko je umetna inteligenca obveščena, da je bila »ta razprodaja izvedena z enkratno akcijo, običajni teden je 180«, se napoved popravi. Tveganje prevelikih zalog in posledične izgube znižanja je preprečeno.
Horizont napovedi: kako daleč naprej lahko vidite?
Horizont napovedi: Kako daleč v prihodnost je narejena napoved. Pravilo je preprosto: daljši ko je obzorje, večja je negotovost. Relativno natančno napovedujete prodajo za naslednji teden; šest mesecev pozneje z veliko širšim razponom. Zato izberite obdobje napovedi glede na potrebo po odločitvi o naročilu: kratko obdobje in pogoste posodobitve za sveže izdelke, ki jih hitro zmanjka; Daljša obzorja in širša varnostna meja za uvožene izdelke z dolgimi dobavnimi roki.
Druga pomembna razlika je napovedovanje novih izdelkov. Pretekle prodaje nove SKU ni; v tem primeru AI podate zgodovino podobnih izdelkov (analognih), povprečje kategorije in načrt lansiranja. Rek "Ta izdelek nima zgodovine; podajte začetno oceno tako, da pogledate prvih 8 tednov podobnih izdelkov X in Y" je razumen način za zapolnitev praznine. Vendar je napovedovanje novih izdelkov vedno bolj tvegano; Hitro popravite napoved, ko bodo na voljo dejanski podatki za prve tedne.
Pozor: ocene ne obravnavajte kot "naredi enkrat in pozabi". Napovedovanje povpraševanja je proces v živo; Vsak nov prodajni teden je priložnost za posodobitev napovedi. Najboljši napovedovalci so tisti, ki uporabljajo tistega, ki se najpogosteje posodablja, ne najpametnejšega modela.
Šibek poziv/močan poziv
Šibek poziv:
Povejte mi, koliko bo ta izdelek prodan naslednji mesec.
Ni konteksta; AI sestavlja naključno število.
Močan poziv:
Vaša vloga: specialist za načrtovanje povpraševanja. Podatki: Spodaj sta mesečna prodajna količina in cena za zadnjih 18 mesecev za SKU 4471 in ali obstaja akcija v tem mesecu. Kontekst: ta izdelek so poletni sandali; Povpraševanje je največje v maju-avgustu. Naslednji mesec je junij. Kampanja ni načrtovana. Cena je fiksna. Naloga: (1) pričakovana prodajna količina za junij, (2) razpon najslabšega in najboljšega scenarija, (3) 2 glavna dejavnika, ki vplivata na napoved. Pravilo: Ne štejte mesecev, ki so označeni kot razprodane, kot nizko povpraševanje. Samo na podlagi danih podatkov. Podatki: [prilepi tabelo]
Kopirane predloge pozivov
1) Predvidevanje na podlagi SKU
Vaša vloga: specialist za načrtovanje povpraševanja. Ustvarite prihodnjo napoved za [obdobje] za [SKU] iz naslednje anonimne serije mesečne prodaje. Rezultat: pričakovana količina + najslabši/najboljši obseg + 2 predpostavki. Izključite obdobja, označena z razprodajo. Podatki: [prilepi]
2) Odstranjevanje sezonskega vzorca
Poiščite ponavljajoče se sezonske vzorce v spodnji seriji 24-mesečnih razprodaj. Kateri meseci so na vrhu in kateri na dnu? Navedite odstopanje od povprečja v odstotkih. Predstavite ga v obliki tabele. Podatki: [prilepi]
3) Ocena točnosti napovedi
Spodaj so moje zgodovinske ocene in dejanska prodaja. (1) Izračunajte MAPE, (2) ali moja napoved ves čas niha višje ali nižje, (3) kaj to pomeni za delnico? Prikaži korak za korakom. Podatki: [ocena, dejanski stolpci]
4) Izvlecite učinek kampanje
Tedni akcije so označeni v spodnji prodajni seriji. Ocena običajnega (nekampanjskega) povpraševanja; Podajte učinek oglaševalske akcije kot ločen odstotek dviga. Zato želim videti normalno raven naročila. Podatki: [prilepi]
Pogoste napake
- Brez konteksta: Če akcija, sezona, sprememba cene niso navedeni, bo napoved zavajajoča.
- Ali naj se dnevi, ko ni na zalogi, štejejo kot povpraševanje: obdobje brez zaloge skriva dejansko povpraševanje; označiti.
- Sprejemanje promocijske prodaje kot običajnega: razmišljanje, da je enkratno povečanje trajno, bo povzročilo presežne zaloge.
- Zanašanje na eno samo številko: Neželenje razpona (scenarija) in zanašanje na eno samo točko skriva tveganje.
- Sploh ni meritve natančnosti: Če MAPE in smeri ne spremljate, je napoved čedalje slabša.
- Direktno naročanje s predračuni: Naročanje brez gotovine, nadzora skladišča in roka trajanja.
Če povzamem
Dobra napoved združuje preteklo prodajo, sezonskost in zunanje dejavnike. Umetni inteligenci navedite kontekst (kampanja, sezona, dnevi, ko ni na zalogi). Spremljajte natančnost napovedi z MAPE in smerjo pristranskosti; Povečanje varnostne zaloge v visoki negotovosti. Napoved je napoved; Končna odločitev o naročanju je vaša, skupaj s proračunom in omejitvami.
Aplikacijska naloga
Pridobite podatke o prodaji svojih 5 najbolje prodajanih SKU-jev v zadnjih 12–18 mesecih v anonimni tabeli in označite obdobja razprodaje in oglaševalske akcije. Ustvarite napoved za prihodnost s pozivom »1) Napoved na podlagi SKU«, nato izvlecite MAPE svojih preteklih napovedi s »3) Ocena natančnosti napovedi«. Primerjajte rezultat s svojo odločitvijo o naročanju.
kontrolni seznam
- [ ] Anonimiziral sem in očistil podatke o prodaji.
- [ ] Označil sem obdobje razprodaje in akcijsko obdobje.
- [ ] Umetni inteligenci sem dal kontekst sezone in zunanjih dejavnikov.
- [ ] Želel sem obseg scenarija, ne ene same številke.
- [ ] Preveril sem MAPE in smer odklona.
- [ ] Odločitev o naročilu sem sprejel na podlagi proračuna in omejitev.