Vinster:
- Förmåga att ta fram ett utkast till efterfrågeprognos på SKU-basis med stöd för artificiell intelligens genom att kombinera historiska försäljningsdata, säsongseffekter och externa faktorer.
- Förmåga att tolka prognosnoggrannhet (MAPE, bias) och särskilja affärskonsekvenserna av över- och underskattning
- Att kunna hålla fast vid att prognosen som produceras av artificiell intelligens är en förutsägelse och det slutgiltiga orderbeslutet tillhör förvaltaren tillsammans med lagerkostnad och kassaflöde.
Det finns två dyraste misstagen i detaljhandeln: att hålla för mycket lager och låta pengarna tyna bort på hyllan, eller att inte hålla tillräckligt med lager och lämna kunden tomhänt. Båda har samma källa: dåliga efterfrågeprognoser. I den här enheten kommer du att lära dig hur du använder artificiell intelligens som en kraftfull assistent som förutsäger framtiden från tidigare försäljningar. Men låt oss säga från början: en förutsägelse är inte en profetia, utan en probabilistisk förutsägelse. AI ger dig ett nummer; Det är ditt jobb att översätta det numret till ett beställningsbeslut.
Efterfrågeprognoser: Det är uppgiften att förutsäga hur mycket av en produkt eller kategori som kommer att säljas i framtiden genom att titta på historisk data och påverkande faktorer.
SKU (Stock Keeping Unit): Det är den unika lagerkoden som sparas för varje olika produktvariant. Till exempel är "röda, storlek 42 sneakers" en SKU; nummer 43 av samma modell är en separat SKU.
Tre informationskällor som matar prognosen
En bra prognos kombinerar tre saker:
- Historisk försäljning (baslinje): Vecko-/månadsförsäljning av produkten under de senaste 12-24 månaderna. AI:n extraherar en "normal" nivå från denna serie.
- Säsongs- och kalendereffekter: Semester, skoltermin, sommar-vinter, helg, lönedag. Till exempel ökar glass på sommaren och strumpor ökar på vintern.
- Externa faktorer: Kampanj, prisförändring, väder, konkurrentrörelse, öppning/stängning. Dessa pressar uppskattningen uppåt eller nedåt.
Tips: Säg inte bara till AI:en "vi sålde 100 förra månaden." Säg, "Vi sålde 100 förra månaden, men det var 20 % rabatt och det var en semestervecka." Utan sammanhang är förutsägelser missvisande.
Steg för steg förutsägelsegenerering
- Förbered data: En anonym, ren tabell: datum, SKU, såld kvantitet, pris, kampanj/ingen kampanj, tillgänglighet. Markera dagarna då det inte finns i lager; Annars kommer artificiell intelligens att tycka att den dagen är "låg efterfrågan".
- Ge sammanhang: Skriv ner säsongen, kommande evenemang, planerade kampanjer.
- Begär en prognos: Begär en prognos och ett konfidensintervall (värsta/bästa fallet) för en viss period, efter SKU eller kategori.
- Mät noggrannhet: Jämför dina tidigare förutsägelser med verkligheten (MAPE nedan).
- Förvandla det till ett beslut: Kombinera uppskattningen med säkerhetslager och budget och fatta beställningsbeslutet.
Läsprognosnoggrannhet: MAPE och bias
MAPE (Mean Absolute Percent Error): Visar den genomsnittliga procentuella avvikelsen för prognoser från faktisk försäljning. Formeln är helt enkelt: |faktisk − prognos| för varje period / verklig är deras genomsnitt.
- MAPE 10% → uppskattningar avviker med 10% i genomsnitt, ganska bra.
- MAPE 40% → prognoser är opålitliga, mer buffert (säkerhetslager) behövs för att besluta om order.
Riktning (bias): Är din prognos konsekvent över (risk för överstockning) eller under (risk för utlagring) verkligheten? Titta också på detta; MAPE visar inte riktning.
Status
Mening
affärsresultat
Ihållande hög uppskattning
Du överdriver efterfrågan
Överskottslager, härdsmälta, förlust av marginal
Ihållande underskattning
Du underskattar efterfrågan
Slut i lager, utebliven försäljning, missnöje
Hög MAPE, balanserad riktning
Osäkerheten är stor
Öka säkerhetslager, granska ofta
Låg MAPE
exakt förutsägelse
Smalare lager, bättre kontanter
minifodral
Fall 1 — Saknade säsongsvariationer: En livsmedelsbutik beställer skolanteckningsböcker baserat på förra årets försäljning i juli (200 enheter per månad). När den artificiella intelligensen ges sammanhanget "Augusti-september skoltermin, försäljningen fyrdubblades under den här perioden förra året" ökar förutsägelsen till 780 enheter istället för 200. Tack vare rätt ordning tar du inte slut i lager under läsåret; Den beräknade omsättningen på 60 000 TL, som rymde föregående år, fångas upp i år.
Fall 2 — Utan att räkna ut slutdagen: En butik var slut på en populär kaffe i tre veckor. Om man tittar på rådata, ser artificiell intelligens dessa veckor som "5 försäljningar per vecka" och ger en låg uppskattning. När analytikern markerar dagarna utan lager och säger "dessa veckor reflekterar inte efterfrågan" ökar prognosen till 45 per vecka. Verklig efterfrågan dyker upp.
Fall 3 — Generalisering av kampanjeffekten: En textilkedja betraktar 50 % rabatt på rea i veckan (600 enheter) som "normal" och beställer hela tiden 600. När den artificiella intelligensen får höra "den här rean gjordes med en engångskampanj, normal vecka är 180", korrigeras förutsägelsen. Risken för överlager och efterföljande nedskrivningsförlust förhindras.
Prognoshorisont: hur långt fram kan du se?
Prognoshorisont: Hur långt in i framtiden prognosen görs. Regeln är enkel: ju längre horisont, desto större osäkerhet. Du förutspår nästa veckas försäljning relativt exakt; sex månader senare med ett mycket bredare utbud. Så välj prognoshorisont i enlighet med behovet av orderbeslut: kort horisont och frekvent uppdatering för färskvara som tar slut snabbt; Längre horisont och bredare säkerhetsmarginal för importerad produkt med långa ledtider.
En annan viktig distinktion är prognostisering av nya produkter. Det finns ingen tidigare försäljning av en ny SKU; i det här fallet ger du AI:n historien om liknande produkter (analog), kategorigenomsnittet och lanseringsplanen. Att säga "Denna produkt har ingen historia; ge en första uppskattning genom att titta på de första 8 veckorna av liknande produkter X och Y" är ett rimligt sätt att fylla i tomrummet. Men prognoser för nya produkter är alltid mer riskfyllda; Revidera snabbt prognosen när faktiska data för de första veckorna blir tillgängliga.
Varning: Behandla inte uppskattningen som en "gör det en gång och glöm det"-behandling. Efterfrågeprognoser är en levande process; Varje ny försäljningsvecka är en möjlighet att uppdatera prognosen. De bästa prognosmakarna är de som använder den som uppdaterar oftast, inte den smartaste modellen.
Svag prompt / Stark prompt
Svag uppmaning:
Berätta för mig hur mycket den här produkten kommer att sälja nästa månad.
Det finns inget sammanhang; AI utgör ett slumptal.
Kraftfull uppmaning:
Din roll: efterfrågeplaneringsspecialist. Data: Nedan visas den månatliga försäljningsmängden och priset för de senaste 18 månaderna för SKU 4471 och om det finns en kampanj den månaden. Sammanhang: Denna produkt är sommarsandaler; Efterfrågan toppar i maj-augusti. Nästa månad är juni. Det finns ingen kampanj planerad. Priset är fast.Uppgift: (1) förväntad försäljningsmängd för juni, (2) sämsta och bästa scenariointervall, (3) 2 huvudfaktorer som påverkar prognosen.Regel: Räkna inte månader markerade som slut i lager som låg efterfrågan.Baserat endast på givna data.Data: [klistra in tabell]
Kopierbara promptmallar
1) SKU-baserad förutsägelse
Din roll: efterfrågeplaneringsspecialist. Generera framtida [period]-prognos för [SKU] från följande anonyma månadsförsäljningsserie. Output: förväntad kvantitet + sämsta/bästa intervall + 2 antaganden. Exkludera perioder som är slut i lager. Data: [klistra in]
2) Säsongsbetonat mönsterborttagning
Hitta det återkommande säsongsmönstret i 24-månaders reaserien nedan. Vilka månader är de översta och vilka månader är de nedersta? Ange avvikelsen från medelvärdet i procent. Presentera det i tabellform. Data: [klistra in]
3) Prediktionsnoggrannhetsutvärdering
Nedan är mina historiska uppskattningar och faktiska försäljningar. (1) Beräkna MAPE, (2) driver min prognos konsekvent högre eller lägre, (3) vad betyder detta för aktien? Visa steg för steg. Data: [uppskattning, faktiska kolumner]
4) Extrahera kampanjeffekt
Kampanjveckor markeras i säljserien nedan. Uppskatta normal (icke-kampanj) efterfrågan; Ge kampanjeffekten som en separat lyftprocent. Så jag vill se den normala ordernivån. Data: [klistra in]
Vanliga misstag
- Att inte ge sammanhang: Om kampanjen, säsongen, prisändringen inte specificeras kommer förutsägelsen att vara missvisande.
- Huruvida sluta dagar ska räknas som efterfrågan: En slutsåld period döljer verklig efterfrågan; märke.
- Acceptera kampanjförsäljning som vanligt: Att tro att en engångsökning är permanent kommer att leda till överskottslager.
- Att förlita sig på ett enda nummer: Att inte ha ett intervall (scenario) och förlita sig på en enda punkt döljer risken.
- Mäter inte noggrannheten alls: Om MAPE och riktning inte övervakas blir förutsägelsen sämre och sämre.
- Göra direktbeställningar med uppskattningar: Beställning utan kontant-, lager- och hållbarhetskontroll.
Sammanfattningsvis
Bra prognoser kombinerar tidigare försäljning, säsongsvariationer och externa faktorer. Var noga med att ge AI:n sammanhanget (kampanj, säsong, slutsålda dagar). Övervaka prognosens noggrannhet med MAPE och bias riktning; Öka säkerhetslager i hög osäkerhet. En förutsägelse är en förutsägelse; Det slutliga beställningsbeslutet är ditt, tillsammans med budget och begränsningar.
Applikationsuppgift
Få försäljningen av dina topp 5 bästsäljande SKU:er under de senaste 12-18 månaderna i en anonym tabell och markera slutsåld och kampanjperioder. Generera en framtidsprognos med prompten "1) SKU-baserad prognos", extrahera sedan MAPE för dina tidigare prognoser med "3) Prognosnoggrannhetsutvärdering". Jämför resultatet med ditt eget beställningsbeslut.
checklista
- [ ] Jag anonymiserade och rensade mina försäljningsdata.
- [ ] Jag har markerat slut- och kampanjperioderna.
- [ ] Jag gav AI:n kontext om säsongen och den yttre faktorn.
- [ ] Jag ville ha ett scenariointervall, inte ett enda nummer.
- [ ] Jag kollade MAPE och girriktning.
- [ ] Jag fattade beställningsbeslutet baserat på budget och begränsningar.