Utabiri wa Mahitaji

Faida:

• Uwezo wa kutofautisha mbinu za utabiri wa mahitaji (wastani wa kusonga, ulainishaji wa kielelezo, msimu)
• Uwezo wa kusanidi hali za utabiri na AI na kutathmini usahihi na vipimo kama vile MAPE/MAE
• Uwezo wa kuangalia matokeo ya utabiri na muktadha wa biashara na athari za utangazaji/msimu

Utabiri wa mahitaji ndio msingi ambao upangaji wa uzalishaji, usimamizi wa hesabu na mlolongo mzima wa usambazaji hutegemea. Utabiri mbaya ni ghali kwa njia zote mbili: kukadiria kupita kiasi kunaunda gharama za hesabu na upotevu, kudharau husababisha kupotea kwa mauzo na kutoridhika kwa wateja. Akili ya Bandia husaidia katika maeneo mengi katika mchakato wa utabiri, kutoka kwa kuchagua njia hadi kutafsiri data ya kihistoria na matukio ya kuzalisha; Lakini kuona utabiri kama "mpira wa kioo wa uchawi" ni kosa kubwa zaidi. Katika kitengo hiki, tutashughulikia njia za utabiri wa kawaida, jinsi ya kuzijenga kwa usahihi na AI, na jinsi ya kupima usahihi.

Ramani fupi ya Mbinu za Utabiri

Sio kila mfululizo wa madai unatenda sawa; Baadhi ni gorofa, wengine wana mwelekeo, baadhi ni msimu. Inahitajika kuchagua njia kulingana na safu.

Mbinu

Ni wakati gani inafaa?

Tahadhari

Naive (thamani ya mwisho)

Kwa kulinganisha (kigezo)

Haifuati mwenendo/msimu

wastani wa kusonga

Mfululizo tuli, wa kelele

Humenyuka kwa kuchelewa kwa mtindo

Ulainishaji wa kielelezo (SES)

Mfululizo wa stationary, mkazo kwenye data iliyo karibu

Nzuri ikiwa hakuna mwelekeo

Holt (kielelezo mara mbili)

Mfululizo wa mtindo

Haipati msimu

Holt-Winters

Mwenendo + msimu

Inahitaji data ya kutosha ya kihistoria

Regression/ML

Multi-variable, kukuza ufanisi

Hatari ya overfit

Kidokezo: Anza kila wakati na dhana "isiyo na maana". Ikiwa kielelezo chako changamano sio bora kuliko nadhani isiyo na maana, haifai kubeba utata. Naive ni alama ya bila malipo ya kupima usahihi.

Je, Tunapimaje Usahihi? (Vipimo)

Usahihi wa utabiri hauwezi kuboreshwa bila kuupima. Vipimo vya kawaida zaidi:

• MAE (Maana ya Hitilafu Kabisa): Wastani wa thamani kamili ya makosa. Kitengo ni sawa na kitengo cha mahitaji.
• RMSE (Root Mean Square Error): Huadhibu makosa makubwa zaidi.
• MAPE (Wastani wa Hitilafu ya Asilimia Kabisa): Katika asilimia; Nzuri kwa kulinganisha kati ya vipengee, lakini hupotoshwa wakati mahitaji yanakaribia sifuri.
• Upendeleo: Hitilafu ya wastani; Inaonyesha kama unazidi/hudharau kila mara.

Sampuli ndogo ya akaunti. Acha mahitaji halisi yawe [100, 120, 90], utabiri uwe [110, 115, 100]:

Makosa (halisi - utabiri): -10, +5, -10Makosa kamili: 10, 5, 10 → MAE = 25 / 3 ≈ 8.33Asilimia makosa: 10/100, 5/120, 10/90 = 10%, 1 +1 +1 MAPE1 (10% = 10%, 1 +1 MAPE1. 4.17 + 11.11) / 3 ≈ 8.43%Bias = (-10 + 5 - 10) / 3 = -5 → kukadiria kupita kiasi kwa wastani (utabiri > halisi)

Upendeleo hasi (kadirio la kweli la bala) huonyesha kuwa makadirio yanakadiriwa kupita kiasi kila mara; Hii inamaanisha mfumuko wa bei wa hesabu. Makosa kama haya ya mwelekeo yanaweza kufichwa kwenye MAPE, kwa hivyo hutazamwa pamoja.

Kuunda Mchakato wa Utabiri na AI

Unaweza kutumia AI kwa ufanisi zaidi katika sehemu mbili: (1) kuangalia data na kupendekeza njia na hatua zinazofaa kuchukuliwa, na (2) kutoa nambari ya ubashiri. Kwa pendekezo la mbinu:

Jukumu: Wewe ni mhandisi wa viwanda aliye na uzoefu katika utabiri wa mahitaji. Kazi: Chunguza mfululizo wa mauzo ya kila mwezi hapa chini na upendekeze mbinu ifaayo ya utabiri. Tathmini ikiwa kuna mwelekeo na msimu, andika sababu yako. Data (kila mwezi, miezi 24 iliyopita): {{ values}}Maelezo ya ziada: Kuna ofa mnamo Desemba, mahitaji hupungua katika miezi ya kiangazi. Pato ninalotaka:1. Toa maoni yako kuhusu mhusika wa mfululizo (imara/inayovuma/ya msimu).2. Mbinu 2 zinazopendekezwa na kwa nini.3. Je, ni kipimo gani cha usahihi ninachopaswa kufuatilia?4. Mitego ninayopaswa kuangalia (outlier, promotional effect). Kanuni: Usiahidi usahihi kabisa bila kuona data.

Uhamasishaji dhaifu / Uhamasishaji Wenye Nguvu

Agizo dhaifu:

Je, nitauza kiasi gani mwezi ujao?

Hii haina data wala muktadha; AI inaweza kuikataa au kurudisha nambari iliyoundwa kabisa. Pato kama hilo ni hatari kwa sababu linaonekana kuaminika.

Agizo lenye nguvu:

Tabiri miezi 3 ijayo ukitumia mantiki ya Holt-Winters na mfululizo huu wa miezi 24. Urefu wa msimu ni 12. Kwanza andika mawazo ya mbinu, kisha toa utabiri, kisha ukokotoa MAPE kwa kurudisha nyuma miezi 6 iliyopita. Weka alama kwa miezi ya ofa kando. Data: {{ ... }}

Kidokezo cha pili kinauliza utabiri na ni ujasiri kiasi gani wa kuamini utabiri huo (backtesting). Hii inabadilisha utabiri kutoka kwa "chombo cha ndani" hadi chombo kinachoweza kupimika.

Backtesting: Kipimo cha Kujiamini katika Utabiri

Jaribio la kweli la utabiri ni katika siku za nyuma, sio siku zijazo. Unagawanya data uliyo nayo katika mbili: jengo la mfano (treni) na majaribio. Unaunda mfano na kipande cha kwanza, tabiri kipindi kijacho, na ukilinganishe na ukweli. Mantiki hii ya "kushikilia" inaonyesha ikiwa mfano unafanya kazi au la.

Sanidi mpango rahisi wa jaribio la kurudi nyuma kwa mfululizo ufuatao: tenga miezi 6 iliyopita kama majaribio, fundisha mbinu 3 tofauti (kutojua, SES, Holt-Winters) ukitumia data iliyosalia, hesabu MAPE na upendeleo kwa kila moja katika kipindi cha majaribio, na utengeneze jedwali la ulinganifu. Andika njia ya kushinda na mantiki.

Jihadharini: Wakati mwingine AI inaweza "kutabiri" matokeo ya majaribio ya nyuma na kukuletea chati iliyotengenezwa tayari; yaani, anaweza kutengeneza namba zinazoonekana kuwa sawa bila kuzihesabu. Hakikisha kutoa tena matokeo ya nambari na nambari (Python/Excel). Muundo wa lugha haufanyi hesabu ndefu kwa kutegemewa.

Kisa Kidogo: Wingi wa Bidhaa za Msimu

Kampuni ya usambazaji wa chakula inalalamika kuhusu kuwa na hisa nyingi za bidhaa za msimu kama vile aiskrimu kila mwaka wakati wa baridi. Mhandisi wa viwanda Elif anatoa miaka 3 ya data ya kila mwezi kwa AI na kuiuliza kutathmini tabia ya mfululizo. AI hutambua msimu thabiti (kilele cha majira ya joto) na mwelekeo kidogo wa ukuaji wa kila mwaka, Holt-Winters anapendekeza. Elif hutoa utabiri katika Python na anaupinga: MAPE ni 14%, lakini upendeleo ni mbaya sana - mtindo hutabiri kupita kiasi mara kwa mara. Anapochunguza kwa nini, anagundua kwamba alikosea kipindi cha kampeni katika data ya kihistoria kama "kawaida" na alifundisha mtindo huo msingi wa juu sana. Tunapoondoa athari ya kampeni na kuunda tena mfano, upendeleo hupungua na hisa ya msimu wa baridi hupungua sana. Somo: AI ilipendekeza njia kwa usahihi, lakini ilikuwa kazi ya kibinadamu kusafisha data na kutafsiri upendeleo.

Makosa ya Kawaida

• Kutofuatilia vipimo: Kukadiria na kamwe kutopima usahihi. Utabiri bila kipimo hauwezi kuboreshwa.
• Kuangalia tu MAPE: Kupuuza upendeleo. Hitilafu ya mwelekeo (utaratibu) huongeza hesabu kimya kimya.
• Kukosea kwa nambari zilizoundwa na AI kwa hesabu: Sio kuhalalisha thamani za nyuma na za metri kwa msimbo.
• Kutosafisha muuzaji/matangazo: Kukosea kampeni ya mara moja kama hitaji la kawaida na kuifundisha modeli.
• Overfit: Wakati muundo changamano inafaa kikamilifu katika siku za nyuma lakini utendaji vibaya katika siku zijazo. Weka mfano rahisi kama alama.

Kwa muhtasari

• Chagua njia ya utabiri kulingana na tabia ya mfululizo (stationary, trending, msimu); Kila mara anza kwa kujilinganisha na mtu asiyejua kitu.
• Pima usahihi na MAE/RMSE/MAPE, lakini pia ufuatilie upendeleo: kosa la mwelekeo ndilo ghali zaidi.
• Tumia AI kwa mapendekezo ya njia na uundaji wa msimbo; Sanidi utabiri kama zana inayoweza kupimika, sio "unabii".
• Kuegemea nyuma ni jaribio la kweli la jinsi mtindo unaweza kuwa wa kujiamini; Hakikisha umethibitisha matokeo ya nambari kwa kutumia msimbo.
• Ni kazi ya mwanadamu kusafisha data (ya nje, kukuza) na kutafsiri matokeo; AI inaruka hatua hizi.

Jukumu la maombi

Kuwa na angalau mfululizo wa mahitaji ya kipindi cha 18-24 (hadithi halisi au halisi). Kwanza, ipe AI mfululizo na iombe itafsiri tabia yake (mwenendo/msimu) na kupendekeza njia mbili. Kisha tumia "mpango wa kurudi nyuma" kidokezo chenye nguvu ili kuhifadhi vipindi 6 vya mwisho kama majaribio na ulinganishe angalau mbinu mbili. Hatua muhimu: Kokotoa tena MAPE na maadili ya upendeleo yaliyorejeshwa na AI mwenyewe na Excel au Python na ulinganishe na pato la AI. Ukipata nambari ambayo hailingani, iandike. Mwishowe, tafsiri ishara ya upendeleo: mfano wako unakadiria au kudharau, na hii inafanya nini kwa hesabu yako?