Faida:
- Uwezo wa kuelewa dhana za mfululizo wa saa, mwelekeo, msimu na athari za kampeni na kutumia akili bandia kwa utabiri wa mahitaji na maswali sahihi na data safi.
- Uwezo wa kutafsiri usahihi wa utabiri (MAPE, kupotoka) na kutokuwa na uhakika (muda wa kujiamini, hali) na upangaji wa msingi kwenye anuwai badala ya nambari moja.
- Kuwa na uwezo wa kutofautisha kwamba utabiri wa akili bandia unatokana na data ya kihistoria na kwamba uamuzi wa kitaalamu hujitokeza katika matukio ya mapumziko kama vile bidhaa mpya, ofa au migogoro ya ugavi.
Kila uamuzi katika mnyororo wa ugavi unategemea swali moja: kutakuwa na mahitaji ya kiasi gani? Kadiri unavyojibu swali hili kwa usahihi zaidi, ndivyo hisa uliyonayo inapungua, ndivyo unavyosalia nje ya hisa, na ndivyo unavyofunga pesa kidogo. Utabiri wa mahitaji ni injini ya mnyororo wa usambazaji; Mipango ya hisa, ununuzi, uzalishaji na usafirishaji yote yanalishwa kutoka hapa. Upelelezi wa Bandia una nguvu sana katika nyanja hii kwa sababu huchanganua historia ya maelfu ya bidhaa kwa haraka zaidi kuliko binadamu na kutoa ruwaza. Lakini chanzo cha nguvu zake pia ni kikomo chake: AI hujifunza kutoka kwa wakati uliopita; Ikiwa wakati ujao haufanani na zamani, ni makosa. Katika kitengo hiki, tutajifunza lugha ya utabiri, usahihi wa kupima, kudhibiti kutokuwa na uhakika, na ambapo AI inapaswa kujisalimisha kwako.
Lugha ya utabiri: mfululizo wa wakati, mwenendo, msimu
Data ya mahitaji kwa kawaida huwa ni mfululizo wa saa - mfululizo wa nambari zinazopangwa kulingana na wakati, kama vile mauzo ya kila siku ya bidhaa. Kugawanya mlolongo huu katika sehemu tatu ni msingi wa utabiri:
Mwelekeo, mwelekeo wa muda mrefu: mauzo yanaongezeka au yanapungua mwaka hadi mwaka? Msimu, mabadiliko ya mara kwa mara ya mara kwa mara: ice cream inauzwa katika majira ya joto, heater inauza wakati wa baridi; Soko lina shughuli nyingi Ijumaa na Jumamosi. Kelele, uchezaji wa nasibu usioelezeka. Utabiri mzuri hunasa mwenendo na msimu na haudanganyiki na kelele. Juu ya haya, matukio yanakusanyika: kampeni, kukuza, likizo ya umma, hali ya hewa, hoja ya mshindani. Unapofanya AI kutabiri, unapaswa kuiambia matukio haya; Usipomwambia atafikiri kuruka siku ya kampeni ni "kawaida" na atafanya makosa kuhusu siku zijazo.
Kidokezo: Unapopeana data ghafi ya mauzo kwa AI, weka alama kwenye kampeni, sikukuu na siku ambazo hisa hazijauzwa. Siku bila hisa ni muhimu: mauzo yanaonekana chini siku hiyo, lakini mahitaji halisi yalikuwa makubwa, hapakuwa na bidhaa tu. Ikiwa hutabainisha hili, AI itapunguza mahitaji halisi.
Usahihi wa kupima: MAPE na upendeleo
"Utabiri ni mzuri?" Jibu la swali linatokana na kipimo, sio hisia. Kiashirio kinachojulikana zaidi ni MAPE (Hitilafu ya Wastani ya Asilimia Kabisa - ni asilimia ngapi ya pointi kwa wastani ambazo utabiri hukeuka kutoka kwa uhalisia). Ikiwa MAPE ni 10%, inamaanisha ubashiri wako unakosa thamani halisi kwa wastani wa 10%; chini MAPE ni bora. Wazo la pili muhimu ni upendeleo: je, utabiri wako uko juu mara kwa mara (kuzalisha hisa nyingi) au uhaba wa hisa (kuacha hisa) uhalisia? Hata kama utabiri una MAPE ya chini, ikiwa daima inapotoka katika mwelekeo huo huo, kuna tatizo la utaratibu.
Unaweza kuipa AI sehemu ya historia kama "mafunzo" na sehemu yake kama "majaribio" na kulinganisha utabiri wake na ukweli. Hii ndiyo njia ya uaminifu ya kujenga uaminifu: kupima modeli kwenye data ambayo haijaona. Utabiri unafaa tu kutumika kwa siku zijazo ikiwa umethibitishwa kuwa thabiti hapo awali.
Tahadhari: Hakuna utabiri ulio sahihi 100%; Haitarajiwi kutokea. Kusudi sio kutoa nambari moja kamili lakini safu inayoweza kudhibitiwa, kujua kupotoka. Wazo la binary la "utabiri ulitimia / haukufanya kazi" sio sawa; Swali sahihi ni "ni kiasi gani kilipotoka na ni kiasi gani cha bafa nilichohifadhi ipasavyo?"
Kudhibiti kutokuwa na uhakika: masafa, sio nambari moja
Tabia hatari zaidi ya mpangaji ni kutibu utabiri kama nambari moja ngumu. Kwa kweli, kila utabiri una muda wa kujiamini - kama "mahitaji ya mwezi ujao yanawezekana kati ya 900 na 1,100." Kadiri safu hii inavyozidi kuongezeka, ndivyo kutokuwa na uhakika zaidi. Kujua masafa huathiri uamuzi wako wa hisa moja kwa moja: masafa finyu yanahitaji hifadhi kidogo ya usalama, masafa marefu yanahitaji bafa zaidi.
Kwa hivyo kila wakati uliza AI kwa hali: kukata tamaa (ikiwa mahitaji yanageuka kuwa ya chini), inayotarajiwa na yenye matumaini (ikiwa mahitaji yanakuwa juu). Kuona hali tatu, mpango hauegemei kwenye dhana moja lakini juu ya anuwai ya uwezekano. Hii ndiyo njia ya vitendo zaidi ya kutoka kwenye mtego "uliofungwa kwa nambari moja".
Hatua kwa hatua: Omba utafiti wa utabiri na AI
- Futa data. Weka alama kwa siku ambazo hazipo, siku ambazo hazijauzwa, fungua rekodi zenye makosa; Fanya kazi na msimbo wa bidhaa usiojulikana.
- Tag matukio. Ongeza siku za kampeni, likizo na matangazo kwenye data.
- Ondoa muundo. Uliza AI ifanye muhtasari wa mitindo, msimu na matukio mashuhuri.
- Ijaribu. Hifadhi sehemu ya mwisho ya historia, acha AI itabiri, kulinganisha na ukweli (MAPE na mwelekeo wa upendeleo).
- Tengeneza kisa. Uliza utabiri tatu, usio na matumaini/unaotarajiwa/matumaini, na muda wa kujiamini kwa kila moja.
- Kichujio cha kitaalam. AI haijui kuhusu usumbufu unaojulikana ujao (bidhaa mpya, mgogoro wa usambazaji, sheria); waongeze wewe mwenyewe. Mpango wa mwisho ni wako.
kesi tatu ndogo
Kesi ya 1 - Inasa msimu. Msambazaji wa vinywaji alikuwa akilalamika kwamba alikuwa akiishiwa na hisa kila wakati wakati wa miezi ya kiangazi na aliachwa na bidhaa wakati wa baridi. Mpangaji alitoa miaka 3 ya mauzo ya kila siku bila jina kwa YZ na msimu uliondolewa: Mahitaji ya Juni-Agosti yalikuwa mara 2.4 ya wastani wa msimu wa baridi, na kuruka kulianza katikati ya Mei kila mwaka. Kwa mujibu wa muundo huu, aliweka hisa zake za majira ya joto wiki 3 mapema; majira ya joto wafu hisa ilipungua kwa 70%, baridi wafu hisa akaanguka. AI ilionyesha muundo; Mpangaji alifanya uamuzi wa hisa.
Kesi ya 2 - Kujitolea kwa bidhaa mpya. Kampuni ilikuwa inaenda kuzindua bidhaa mpya kabisa; Hakukuwa na data ya kihistoria ya mauzo. Mpangaji aliuliza AI, "Je, itakuwa mahitaji gani kwa miezi 3 ya kwanza?" Aliuliza. AI ilitoa nambari ambayo ilionekana kuwa sawa - lakini mpangaji alijua haikuwa na msingi: hakukuwa na data. Badala yake, AI inauliza "Mtindo gani wa kwanza wa miezi 3 wa bidhaa iliyotolewa katika sehemu zinazofanana hapo awali?" uchanganue na uiweke kama safu ya utabiri, ukiwa na akiba ya tahadhari ya kuanzia. Hukumu ya kitaalamu ilibatilisha imani ya uwongo ya AI.
Kesi ya 3 - Kutokuwa na hisa ni mtego wa siku. Mchanganuzi alihitimisha kuwa mahitaji ya bidhaa yamepungua na akapendekeza kupunguzwa kwa hesabu. Mfanyikazi mwenzake mkuu aligundua kuwa siku za mauzo ya chini katika data zilikuwa siku za nje ya hisa: mahitaji hayajapungua, hakukuwa na bidhaa. Wakati data ilisahihishwa na barua hii na kutolewa tena kwa AI, ilionekana kuwa mahitaji halisi yaliongezeka. Data iliyosafishwa vibaya hutoa utabiri usio sahihi.
Violezo vinne vinavyoweza kunakiliwa
1) Uchimbaji wa muundo:
Jukumu lako: mchambuzi wa kupanga mahitaji ya msaidizi. Ifuatayo ni data ya mauzo ya kila mwezi ya bidhaa (msimbo usiojulikana: PRODUCT-X) kwa miezi 36 iliyopita. Miezi ya kampeni [orodha ya mwezi], miezi isiyo na hisa [orodha ya mwezi]. Kazi: Fanya muhtasari wa (1) mwelekeo, (2) muundo wa msimu, (3) matukio mashuhuri. Kuzingatia kwamba miezi bila hisa kuficha mahitaji ya kweli. Mwezi ambao sikutoa data umetungwa.
2) Mtihani wa usahihi:
Tabiri miezi 6 iliyopita ukitumia 30 ya kwanza kati ya miezi 36 iliyo hapa chini. Kisha kulinganisha utabiri wangu na miezi 6 iliyopita; Kokotoa mkengeuko na jumla ya MAPE kwa kila mwezi. Niambie ikiwa makadirio yako yana upendeleo kila wakati. Onyesha fomula.
3) Utabiri wa hali:
Kadiria mahitaji ya kila mwezi ya robo ijayo ya bidhaa hii katika hali 3: zisizo na matumaini / zinazotarajiwa / matumaini. Toa muda wa kujiamini kwa kila kisa na uandike ni dhana gani inategemea. Kumbuka kuwa hii sio bainifu bali ni muda wa kupanga.
4) Udhibiti wa uharibifu:
Orodhesha jinsi utabiri kulingana na data ya kihistoria niliyokupa unaweza kubatilishwa na matukio yafuatayo: [bidhaa mpya / ofa / shida ya ugavi / mabadiliko ya udhibiti]. Pendekeza jinsi ninavyopaswa kurekebisha mwenyewe utabiri wa kila moja.
Mwongozo dhaifu / Mwongozo thabiti
Agizo dhaifu:
Je, nitauza kiasi gani mwezi ujao?
Hakuna data, hakuna bidhaa, hakuna muktadha. AI ama inakataa au inaunda; wala matokeo hayafanyi kazi.
Agizo lenye nguvu:
Jukumu lako: hitaji msaidizi wa kupanga. Yafuatayo ni mauzo ya PRODUCT-X katika kipindi cha miezi 24 iliyopita; Miezi ya kampeni na miezi ya bila hisa imewekwa alama. Toa utabiri usio na matumaini/unaotarajiwa/matumaini kwa miezi 3 ijayo, ongeza muda wa kujiamini kwa kila moja, onyesha MAPE katika jaribio la awali. Jifanye nina uamuzi wa mwisho wa hisa.
Mbinu
piga
usimamizi wa kutokuwa na uhakika
Hatari
tegemea nambari moja
kupotosha
Hakuna
Juu - mpango unaanguka
Scenario + masafa
ya kweli
nzuri
chini
Intuition tu
Inaweza kubadilika
dhaifu
kati-juu
Kutii AI kwa upofu
Inaweza kubadilika
Hakuna
juu
Makosa ya kawaida
- Kukosea siku ya kuisha kwa mahitaji ya chini kabisa. Wakati bidhaa hazipatikani, mauzo yanaonekana chini; Hii haimaanishi kuwa mahitaji yamepungua.
- Kufunga kwa nambari moja. Kuona utabiri kama ukweli kamili ni kupuuza kutokuwa na uhakika; Daima uulize anuwai na hali.
- Sio kutambulisha kampeni. Muundo unaofikiri kupanda kwa matangazo ni "kawaida" hupotosha siku zijazo.
- Utabiri wa bidhaa mpya bila historia. Nambari inayoonekana kuwa salama ya AI kwa bidhaa bila data haina msingi.
- Kuacha kuvunja kwa AI. AI haijui mabadiliko ya kimuundo kama vile magonjwa ya milipuko, migogoro ya usambazaji na sheria; Uingiliaji wa wataalam lazima ufanyike.
Tahadhari: Haijalishi jinsi utabiri unavyoonekana mzuri, hauwezi kuwa bora zaidi kuliko ubora wa data ambayo msingi wake ni. "Taka ndani, takataka nje." Tumia muda wako mwingi kusafisha data; Sehemu ya mfano hufanya wengine.
Kwa muhtasari
Utabiri wa mahitaji ni injini ya mnyororo wa usambazaji, na AI ni msaidizi mwenye nguvu anayeongeza kasi ya injini hii. Lakini AI inajifunza kutoka zamani; inakosea wakati wakati ujao haufanani na wakati uliopita. Piga picha mtindo na msimu, matukio ya lebo, kupima usahihi kwa kutumia MAPE na mwelekeo wa kuteremka, weka utabiri kama hali na masafa, si nambari moja. Uamuzi wa kitaalamu huja kwanza katika bidhaa mpya na mapumziko ya kimuundo. Usafishaji wa data ndio msingi wa kila kitu; Mpango wa mwisho ni wako.
Jukumu la maombi
Pata data ya mauzo kwa miezi 12-24 iliyopita ya mojawapo ya bidhaa zako (au bidhaa dhahania), weka alama kwenye kampeni na miezi ya nje ya hisa. Uliza AI kwa matukio matatu na kiolezo cha "utabiri wa hali". Kisha hifadhi baadhi ya historia na kiolezo cha "Jaribio la Usahihi" na ulinganishe utabiri na uhalisia. Andika MAPE uliyopata na hali uliyochagua, pamoja na sababu yake, katika vipengee 5; Pia bainisha ni bafa gani ya usalama utaongeza.
orodha ya ukaguzi
- [ ] Je, nimefuta data, iliyotiwa alama kuwa haipo kwenye soko na siku za kampeni?
- [ ] Je, nimeidhinisha utabiri kwa kutumia MAPE na mwelekeo wa upendeleo kwa njia ya kurudi nyuma?
- [ ] Je, niliomba hali na muda wa kujiamini badala ya nambari moja?
- [ ] Ikiwa kuna bidhaa mpya / kuharibika, je, nimetanguliza uamuzi wa kitaalamu?
- [ ] Je, nimeweka mpango wa mwisho wa hisa kwa idhini yangu mwenyewe?