Vinster:
- Förmåga att förstå begreppen tidsserier, trender, säsongsvariationer och kampanjpåverkan och använda artificiell intelligens för efterfrågeprognoser med rätt frågor och ren data.
- Förmåga att tolka prognosnoggrannhet (MAPE, avvikelse) och osäkerhet (konfidensintervall, scenarier) och basera planering på ett intervall snarare än ett enda tal
- Att kunna urskilja att förutsägelse av artificiell intelligens bygger på historiska data och att expertbedömning kommer i förgrunden vid avbrott som nya produkter, kampanjer eller leveranskriser.
Varje beslut i försörjningskedjan baseras på en fråga: hur stor efterfrågan kommer det att finnas? Ju mer exakt du svarar på den här frågan, desto mindre lager du har, desto mindre lager håller du dig utanför och desto mindre pengar binder du. Efterfrågeprognoser är motorn i försörjningskedjan; Lager-, inköps-, produktions- och transportplaner matas härifrån. Artificiell intelligens är extremt kraftfull inom detta område eftersom den skannar historien om tusentals produkter mycket snabbare än en människa och extraherar mönster. Men källan till dess kraft är också dess gräns: AI lär sig av det förflutna; Om framtiden inte liknar det förflutna är det fel. I den här enheten kommer vi att lära oss språket för förutsägelse, mätnoggrannhet, hantering av osäkerhet och var AI bör överlämna sig till dig.
Språk för prognoser: tidsserier, trend, säsongsvariationer
Efterfrågedata är vanligtvis en tidsserie — en serie siffror ordnade efter tid, till exempel varje dags försäljning av en produkt. Att dela upp denna sekvens i tre delar är grunden för förutsägelse:
Trend, långsiktig riktning: ökar eller minskar försäljningen från år till år? Säsongsvariationer, regelbundet återkommande fluktuationer: glass säljs på sommaren, värmaren säljer på vintern; Marknaden är upptagen på fredagar och lördagar. Buller, oförklarat slumpmässigt spelande. En bra prognos fångar trender och säsongsvariationer och låter sig inte luras av buller. Ovanpå dessa hopar sig händelser: kampanj, marknadsföring, helgdag, väder, konkurrentflyttning. När du får AI att förutsäga måste du berätta dessa händelser; Om du inte berättar för honom kommer han att tycka att det är "normalt" att hoppa på kampanjdagen och kommer att göra ett misstag om framtiden.
Tips: När du ger rå försäljningsdata till AI, markera kampanjer, helgdagar och dagar som inte är i lager. Dagen utan lager är viktig: försäljningen verkar låg den dagen, men den verkliga efterfrågan var hög, det fanns bara inga varor tillgängliga. Om du inte anger detta kommer AI:n att underskatta den faktiska efterfrågan.
Mätnoggrannhet: MAPE och bias
"Är prognosen bra?" Svaret på frågan kommer från mätning, inte känsla. Den vanligaste indikatorn är MAPE (Mean Absolute Percent Error — hur många procentenheter i genomsnitt avviker förutsägelser från verkligheten). Om MAPE är 10 % betyder det att dina förutsägelser missar det verkliga värdet med i genomsnitt 10 %; lägre MAPE är bättre. Det andra viktiga konceptet är bias: är din prognos konsekvent över (producera överlager) eller understocking (lämnar understock) verkligheten? Även om en prognos har en låg MAPE, om den alltid avviker åt samma håll, finns det ett systematiskt problem.
Du kan ge AI en del av historien som "träning" och en del av den som "testning" och jämföra dess förutsägelse med verkligheten. Detta är det ärliga sättet att bygga förtroende: att testa modellen på data som den inte har sett. En förutsägelse är bara värd att tillämpa på framtiden om den har visat sig vara konsekvent i det förflutna.
Varning: Ingen förutsägelse är 100 % korrekt; Det förväntas inte hända. Målet är inte att producera ett perfekt enstaka nummer utan ett hanterbart intervall, med kännedom om avvikelsen. Den binära idén om "förutsägelsen gick i uppfyllelse/det fungerade inte" är fel; Den korrekta frågan är "hur mycket avvek det och hur mycket buffert höll jag i enlighet därmed?"
Hantera osäkerhet: intervall, inte enstaka nummer
Planerarens farligaste vana är att behandla prognosen som ett enda hårt nummer. I verkligheten har varje prognos ett konfidensintervall - som "efterfrågan nästa månad är troligen mellan 900 och 1 100." Ju bredare detta intervall, desto högre är osäkerheten. Att känna till sortimentet påverkar direkt ditt aktiebeslut: smalt sortiment kräver mindre säkerhetslager, brett sortiment kräver mer buffert.
Så fråga alltid AI om scenarier: pessimistisk (om efterfrågan visar sig låg), förväntad och optimistisk (om efterfrågan visar sig hög). Med tre scenarier bygger planen inte på ett enda antagande utan på en rad möjliga möjligheter. Detta är det mest praktiska sättet att ta sig ur fällan "inlåst med enstaka nummer".
Steg för steg: Efterfrågeprognoserstudie med AI
- Rensa data. Markera saknade dagar, slutna dagar, öppna felaktiga poster; Arbeta med anonym produktkod.
- Tagga händelser. Lägg till kampanj-, semester- och kampanjdagar till uppgifterna.
- Subtrahera mönstret. Be AI att sammanfatta trender, säsongsvariationer och anmärkningsvärda händelser.
- Testa det. Lagra den sista delen av historien, låt AI förutsäga, jämföra med verkligheten (MAPE och bias direction).
- Skapa ett scenario. Be om tre förutsägelser, pessimistisk/förväntad/optimistisk, och konfidensintervallet för var och en.
- Expertfilter. AI känner inte till kända kommande störningar (ny produkt, leveranskris, lagstiftning); lägga till dem manuellt. Den slutliga planen är din.
tre minifodral
Fall 1 – Fånga säsongsvariationer. En dryckesdistributör klagade över att han ständigt var slut i lager under sommarmånaderna och att han hade varor kvar på vintern. Planeraren gav 3 års anonym daglig försäljning till YZ och tog bort säsongsvariationer: efterfrågan från juni-augusti var 2,4 gånger vintergenomsnittet, och uppgången började i mitten av maj varje år. Enligt detta mönster ställde han upp sitt sommarlager 3 veckor i förväg; sommarens döda bestånd minskade med 70 %, vinterdöda bestånd sjönk. AI visade mönstret; Planeraren fattade aktiebeslutet.
Fall 2 — Att ge efter för den nya produkten. Ett företag skulle lansera en helt ny produkt; Det fanns inga historiska försäljningsdata. Planeraren frågade AI:n, "Vad kommer att vara efterfrågan under de första 3 månaderna?" frågade han. AI producerade ett antal som verkade rimligt - men planeraren visste att det var ogrundat: det fanns inga data. Istället frågar AI "Vilket var det första 3-månadersmönstret av produkter som släpptes i liknande segment tidigare?" analys och sätt upp det som ett prognosintervall, med försiktigt utgångsmaterial. Expertbedömning åsidosatte AI:s fiktiva förtroende.
Fall 3 — Lagerlös är dagens fälla. En analytiker drog slutsatsen att efterfrågan på en produkt hade minskat och rekommenderade att minska lagret. Hans seniorkollega märkte att de låga försäljningsdagarna i uppgifterna faktiskt var slutdagar: efterfrågan hade inte minskat, det fanns inga varor. När uppgifterna korrigerades med denna anteckning och återgavs till AI:n sågs det att den verkliga efterfrågan ökade. Felaktigt rensade data ger felaktiga förutsägelser.
Fyra kopierbara mallar
1) Mönsterextraktion:
Din roll: assistent efterfrågeplaneringsanalytiker. Nedan finns månadsförsäljningsdata för en produkt (anonym kod: PRODUCT-X) för de senaste 36 månaderna. Kampanjmånader [månadslista], lagerfria månader [månadslista]. Uppgift: Sammanfatta (1) trenden, (2) säsongsmönstret, (3) de anmärkningsvärda händelserna. Tänk på att månader utan lager döljer verklig efterfrågan. Månaden som jag inte lämnade uppgifter för är påhittad.
2) Noggrannhetstest:
Förutsäg de senaste 6 månaderna med de första 30 av de 36 månaderna nedan. Jämför sedan min förutsägelse med de faktiska senaste 6 månaderna; Beräkna avvikelsen och total MAPE för varje månad. Berätta för mig om din uppskattning är konsekvent partisk. Visa formel.
3) Scenarioprognos:
Uppskatta nästa kvartals månatliga efterfrågan på denna produkt i 3 scenarier: pessimistisk / förväntad / optimistisk. Ge ett konfidensintervall för varje scenario och skriv ner vilket antagande det bygger på. Observera att detta inte är definitivt utan ett intervall för planering.
4) Brottkontroll:
Lista hur prognosen baserad på historiska data jag gav dig kunde ogiltigförklaras av följande kommande händelser: [ny produkt / kampanj / leveranskris / regulatorisk förändring]. Föreslå hur jag manuellt ska justera prognosen för varje.
Svag prompt / Stark prompt
Svag uppmaning:
Hur mycket kommer jag att sälja nästa månad?
Ingen data, ingen produkt, inget sammanhang. AI antingen avvisar eller gör upp; inget av resultaten fungerar.
Kraftfull uppmaning:
Din roll: behovsplaneringsassistent. Nedan visas försäljningen av PRODUCT-X under de senaste 24 månaderna; Kampanjmånader och lagerfria månader är markerade. Ge pessimistisk/förväntad/optimistisk prognos för de kommande 3 månaderna, lägg till konfidensintervall för varje, visa MAPE över tidigare test. Låtsas att jag har det slutgiltiga aktiebeslutet.
Tillvägagångssätt
träffa
osäkerhetshantering
Risk
lita på ett enda nummer
vilseledande
Inga
Hög — plan kollapsar
Scenario + intervall
realistiskt
bra
låg
bara intuition
Variabel
svag
medelhög
Blint lydande AI
Variabel
Inga
hög
Vanliga misstag
- Misstag en lager-ut-dag med verklig låg efterfrågan. När varor inte är tillgängliga verkar försäljningen låg; Det betyder inte att efterfrågan har minskat.
- Låser in ett enda nummer. Att se förutsägelsen som en absolut sanning är att ignorera osäkerheten; Fråga alltid efter räckvidd och scenario.
- Taggar inte kampanjen. Modellen som tycker att reklambounce är "normal" snedvrider framtiden.
- Förutsägelse till ny produkt utan historia. Det till synes säkra antalet AI för produkt utan data är ogrundat.
- Överlåter brytningen till AI. AI känner inte till strukturella avbrott som epidemier, försörjningskriser och lagstiftning; Expertingripande måste göras.
Varning: Oavsett hur bra en förutsägelse ser ut kan den inte vara bättre än kvaliteten på den data som den är baserad på. "Skräp in, skräp ut." Spendera det mesta av din tid med att rensa data; Modelldelen sköter resten.
Sammanfattningsvis
Efterfrågeprognoser är motorn i försörjningskedjan, och AI är en kraftfull assistent som accelererar denna motor. Men AI lär sig av det förflutna; tar fel när framtiden inte liknar det förflutna. Fånga trender och säsongsvariationer, tagga händelser, mät noggrannhet med MAPE och driftriktning, ställ in prognos som scenario och intervall, inte ett enda nummer. Expertbedömning kommer först i nya produkter och strukturella avbrott. Datarensning är grunden för allt; Den slutliga planen är din.
Applikationsuppgift
Få försäljningsdata för de senaste 12-24 månaderna för en av dina egna produkter (eller en hypotetisk produkt), markera kampanjen och slutsålda månader. Fråga AI om tre scenarier med mallen "scenarioförutsägelse". Lagra sedan en del av historiken med mallen "Noggrannhetstest" och jämför förutsägelsen med verkligheten. Skriv ner MAPE du hittade och scenariot du valde, tillsammans med dess orsak, i 5 punkter; Ange även vilken säkerhetsbuffert du ska lägga till.
checklista
- [ ] Har jag rensat data, markerat slut i lager och kampanjdagar?
- [ ] Har jag validerat förutsägelsen med MAPE och bias direction genom backtesting?
- [ ] Frågade jag om ett scenario och ett konfidensintervall istället för ett enda nummer?
- [ ] Om det finns en ny produkt/brott, har jag prioriterat expertbedömning?
- [ ] Har jag underkastat mitt eget godkännande den slutliga lagerplanen?