Dobički:
- Sposobnost razumevanja konceptov časovne vrste, trenda, sezonskosti in vpliva kampanje ter uporabe umetne inteligence za napovedovanje povpraševanja s pravimi vprašanji in čistimi podatki.
- Sposobnost razlage natančnosti napovedi (MAPE, odstopanje) in negotovosti (interval zaupanja, scenariji) ter osnova načrtovanja na območju in ne na eni sami številki
- Biti sposoben razlikovati, da predvidevanje umetne inteligence temelji na zgodovinskih podatkih in da je strokovna presoja v ospredju v primerih prelomov, kot so novi izdelki, promocije ali krize dobave.
Vsaka odločitev v dobavni verigi temelji na enem vprašanju: koliko bo povpraševanja? Bolj natančno kot odgovorite na to vprašanje, manj delnic imate, manj delnic ostanete zunaj in manj denarja boste vezali. Napovedovanje povpraševanja je motor dobavne verige; Od tu se napajajo zaloge, nabava, proizvodnja in transportni načrti. Umetna inteligenca je na tem področju izjemno močna, saj veliko hitreje kot človek skenira zgodovino tisočerih izdelkov in izlušči vzorce. Toda vir njene moči je tudi njena meja: AI se uči iz preteklosti; Če prihodnost ni podobna preteklosti, je narobe. V tej enoti se bomo naučili jezika napovedovanja, natančnosti merjenja, obvladovanja negotovosti in tega, kje naj se vam umetna inteligenca preda.
Jezik napovedovanja: časovne vrste, trend, sezonskost
Podatki o povpraševanju so običajno časovni nizi – nizi številk, razvrščenih po času, kot je prodaja izdelka za vsak dan. Osnova napovedi je razdelitev tega zaporedja na tri dele:
Trend, dolgoročna usmeritev: ali prodaja iz leta v leto narašča ali upada? Sezonskost, redno ponavljajoča se nihanja: poleti prodaja sladoled, pozimi prodaja grelec; V petek in soboto je trg živahen. Hrup, nepojasnjeno naključno predvajanje. Dobra napoved zajame trend in sezonskost in je ne zavede hrup. Poleg tega se kopičijo dogodki: kampanja, promocija, državni praznik, vreme, poteza konkurenta. Ko naredite, da AI napoveduje, ji morate povedati te dogodke; Če mu ne poveš, bo mislil, da je skakanje na dan kampanje »normalno« in se bo zmotil glede prihodnosti.
Namig: Ko umetni inteligenci posredujete neobdelane podatke o prodaji, označite akcije, praznike in dneve, ko ni na zalogi. Dan brez zaloge je pomemben: ta dan se zdi, da je prodaja nizka, vendar je bilo realno povpraševanje veliko, le blaga ni bilo na voljo. Če tega ne določite, bo umetna inteligenca podcenila dejansko povpraševanje.
Natančnost merjenja: MAPE in pristranskost
"Ali je napoved dobra?" Odgovor na vprašanje izhaja iz merjenja, ne občutka. Najpogostejši indikator je MAPE (Mean Absolute Percent Error – za koliko odstotnih točk v povprečju napovedi odstopajo od realnosti). Če je MAPE 10 %, to pomeni, da vaše napovedi zgrešijo resnično vrednost za povprečno 10 %; nižji MAPE je boljši. Drugi pomemben koncept je pristranskost: ali je vaša napoved dosledno višja (povzroča presežne zaloge) ali premajhne (pušča premajhne zaloge) resničnost? Tudi če ima napoved nizek MAPE, če vedno odstopa v isto smer, obstaja sistematična težava.
Del zgodovine AI lahko navedete kot "usposabljanje", del pa kot "testiranje" in primerjate njegove napovedi z resničnostjo. To je pošten način za izgradnjo zaupanja: testiranje modela na podatkih, ki jih ni videl. Napoved je vredno uporabiti za prihodnost le, če se je v preteklosti izkazala za dosledno.
Pozor: nobena napoved ni 100 % točna; Ni pričakovati, da se bo zgodilo. Cilj ni ustvariti popolno posamezno številko, temveč obvladljiv razpon, ob poznavanju odstopanja. Binarna ideja "napoved se je uresničila/ni delovala" je napačna; Pravilno vprašanje je "koliko je odstopalo in koliko medpomnilnika sem temu primerno ohranil?"
Obvladovanje negotovosti: obseg, ne eno število
Najbolj nevarna navada načrtovalca je, da napoved obravnava kot eno samo trdno številko. V resnici ima vsaka napoved interval zaupanja - na primer "povpraševanje naslednji mesec je najverjetneje med 900 in 1100." Čim širši je ta razpon, večja je negotovost. Poznavanje razpona neposredno vpliva na vašo odločitev o zalogi: ozek razpon zahteva manj varnostne zaloge, širok razpon zahteva več blažilnika.
Zato vedno vprašajte AI za scenarije: pesimističen (če se povpraševanje izkaže za nizko), pričakovano in optimistično (če se povpraševanje izkaže za visoko). Glede na tri scenarije načrt ne temelji na eni predpostavki, ampak na vrsti možnih možnosti. To je najbolj praktičen način, da se rešite iz pasti "zaklenjene v eni številki".
Korak za korakom: študija napovedovanja povpraševanja z umetno inteligenco
- Počisti podatke. Označite manjkajoče dneve, dneve, ko ni na zalogi, odprite napačne zapise; Delajte z anonimno kodo izdelka.
- Označite dogodke. Podatkom dodajte dneve akcije, praznike in promocije.
- Odštejte vzorec. Prosite AI, da povzame trende, sezonskost in pomembne dogodke.
- Preizkusite ga. Shranite zadnji del zgodovine, pustite AI napovedati, primerjati z resničnostjo (MAPE in smer pristranskosti).
- Ustvari scenarij. Vprašajte za tri napovedi, pesimistične/pričakovane/optimistične, in interval zaupanja za vsako.
- Strokovni filter. AI ne ve za znane prihajajoče motnje (nov izdelek, kriza dobave, zakonodaja); jih dodajte ročno. Končni načrt je vaš.
trije mini kovčki
Primer 1 – Zajemanje sezonskosti. Distributer pijače se je pritoževal, da mu v poletnih mesecih nenehno zmanjka zalog, pozimi pa mu ostane blaga. Načrtovalec je YZ dal 3 leta anonimne dnevne prodaje in odstranil sezonskost: povpraševanje v obdobju junij-avgust je bilo 2,4-krat večje od zimskega povprečja, skok pa se je začel vsako leto sredi maja. Po tem vzorcu si je postavil poletno zalogo 3 tedne vnaprej; poletna mrtva zaloga se je zmanjšala za 70 %, zimska mrtva zaloga se je zmanjšala. AI je pokazal vzorec; Načrtovalec je sprejel odločitev o zalogi.
2. primer – predajanje novemu izdelku. Podjetje je nameravalo lansirati povsem nov izdelek; Preteklih podatkov o prodaji ni bilo. Načrtovalec je vprašal AI: "Kakšno bo povpraševanje v prvih 3 mesecih?" je vprašal. Umetna inteligenca je ustvarila številko, ki se je zdela razumna – vendar je načrtovalec vedel, da je neutemeljena: podatkov ni bilo. Namesto tega AI vpraša: "Kakšen je bil prvi 3-mesečni vzorec izdelkov, izdanih v podobnih segmentih v preteklosti?" analizo in jo nastavite kot razpon napovedi s previdnim začetnim stanjem. Strokovna presoja je razveljavila fiktivno zaupanje AI.
Primer 3 – Brez zalog je past dneva. Analitik je ugotovil, da se je povpraševanje po izdelku zmanjšalo, in priporočil zmanjšanje zalog. Njegov starejši kolega je opazil, da so bili dnevi nizke prodaje v podatkih dejansko dnevi, ko ni bilo na zalogi: povpraševanje ni padlo, blaga ni bilo. Ko so bili podatki popravljeni s to opombo in ponovno posredovani AI, je bilo razvidno, da se je dejansko povpraševanje povečalo. Nepravilno očiščeni podatki povzročijo napačne napovedi.
Štiri predloge za kopiranje
1) Ekstrakcija vzorca:
Vaša vloga: pomočnik analitika pri načrtovanju povpraševanja. Spodaj so mesečni podatki o prodaji izdelka (anonimna koda: PRODUCT-X) za zadnjih 36 mesecev. Meseci akcije [seznam mesecev], meseci brez zalog [seznam mesecev]. Naloga: Povzemite (1) trend, (2) sezonski vzorec, (3) pomembne dogodke. Upoštevajte, da meseci brez zalog skrivajo pravo povpraševanje. Mesec, za katerega nisem navedel podatkov, je izmišljen.
2) Preizkus točnosti:
Napovedujte zadnjih 6 mesecev z uporabo prvih 30 od 36 mesecev spodaj. Nato primerjaj mojo napoved z dejanskimi zadnjimi 6 meseci; Izračunajte odstopanje in skupni MAPE za vsak mesec. Povejte mi, če je vaša ocena dosledno pristranska. Prikaži formulo.
3) Napoved scenarija:
Ocenite mesečno povpraševanje po tem izdelku v naslednjem četrtletju v treh scenarijih: pesimistični/pričakovani/optimistični. Navedite interval zaupanja za vsak scenarij in zapišite, na kateri predpostavki temelji. Upoštevajte, da to ni dokončno, ampak interval za načrtovanje.
4) Nadzor lomljenja:
Naštejte, kako bi napoved, ki temelji na preteklih podatkih, ki sem vam jih dal, lahko razveljavili naslednji prihajajoči dogodki: [nov izdelek / promocija / kriza dobave / sprememba predpisov]. Predlagajte, kako naj ročno prilagodim napoved za vsakega.
Šibek poziv/močan poziv
Šibek poziv:
Koliko bom prodal naslednji mesec?
Brez podatkov, brez izdelka, brez konteksta. AI zavrača ali se pomirja; noben rezultat ne deluje.
Močan poziv:
Vaša vloga: pomočnik pri načrtovanju povpraševanja. Spodaj je prodaja PRODUCT-X v zadnjih 24 mesecih; Označeni so meseci akcije in meseci brez zalog. Podajte pesimistično/pričakovano/optimistično napoved za naslednje 3 mesece, vsakemu dodajte interval zaupanja, pokažite MAPE v preteklem testu. Pretvarjajte se, da imam končno odločitev o delnicah.
Pristop
udarec
upravljanje negotovosti
Tveganje
zanašajte se na eno številko
zavajajoče
Noben
Visoko — načrt se sesuje
Scenarij + obseg
realno
dobro
nizka
samo intuicija
Spremenljivka
šibka
srednje visoka
Slepo uboganje AI
Spremenljivka
Noben
visoka
Pogoste napake
- Zamenjali dan razprodaje zalog za resnično nizko povpraševanje. Kadar blago ni na voljo, je prodaja videti nizka; To ne pomeni, da je povpraševanje padlo.
- Zaklepanje ene same številke. Gledati na napoved kot na absolutno resnico pomeni zanemariti negotovost; Vedno vprašajte za obseg in scenarij.
- Brez označevanja akcije. Model, ki misli, da je promocijska zavrnitev "normalna", izkrivlja prihodnost.
- Napoved za nov izdelek brez zgodovine. Navidezno varno število AI za izdelek brez podatkov je neutemeljeno.
- Razbijanje prepuščamo AI. AI ne pozna strukturnih prelomov, kot so epidemije, krize oskrbe in zakonodaja; Poseg strokovnjaka je potreben.
Pozor: Ne glede na to, kako dobra je videti napoved, ne more biti boljša od kakovosti podatkov, na katerih temelji. "Smeti noter, smeti ven." Večino svojega časa porabite za čiščenje podatkov; Del modela naredi ostalo.
Če povzamem
Napovedovanje povpraševanja je motor dobavne verige, umetna inteligenca pa je močan pomočnik, ki pospešuje ta motor. Toda AI se uči iz preteklosti; se moti, ko prihodnost ni podobna preteklosti. Zajemite trend in sezonskost, označite dogodke, izmerite natančnost z MAPE in smerjo odnašanja, nastavite napoved kot scenarij in razpon, ne eno število. Pri novih izdelkih in strukturnih prelomih je strokovna presoja na prvem mestu. Čiščenje podatkov je temelj vsega; Končni načrt je vaš.
Aplikacijska naloga
Pridobite podatke o prodaji za zadnjih 12-24 mesecev enega od svojih izdelkov (ali hipotetičnega izdelka), označite akcijo in mesece, ko ni na zalogi. Prosite AI za tri scenarije s predlogo »napoved scenarija«. Nato shranite nekaj zgodovine s predlogo "Preizkus natančnosti" in primerjajte napoved z resničnostjo. Zapišite MAPE, ki ste ga našli, in scenarij, ki ste ga izbrali, skupaj z razlogom zanj v 5 točkah; Določite tudi, kateri varnostni medpomnilnik boste dodali.
kontrolni seznam
- [ ] Ali sem počistil podatke, označil dneve razprodaje in akcije?
- [ ] Ali sem s testiranjem za nazaj potrdil napoved z MAPE in smerjo pristranskosti?
- [ ] Ali sem zahteval scenarij in interval zaupanja namesto ene same številke?
- [ ] Če je nov izdelek/pokvarjeno, ali sem dal prednost strokovni presoji?
- [ ] Ali sem končni načrt zaloge dal v lastno odobritev?