การพยากรณ์ความต้องการ

กำไร:

• ความสามารถในการแยกแยะวิธีการพยากรณ์ความต้องการ (ค่าเฉลี่ยเคลื่อนที่, การปรับให้เรียบแบบเอกซ์โปเนนเชียล, ฤดูกาล)
• ความสามารถในการตั้งค่าสถานการณ์การคาดการณ์ด้วย AI และประเมินความแม่นยำด้วยหน่วยเมตริก เช่น MAPE/MAE
• ความสามารถในการตรวจสอบผลลัพธ์การคาดการณ์ข้ามกับบริบททางธุรกิจและผลกระทบส่งเสริมการขาย/ฤดูกาล

การคาดการณ์ความต้องการเป็นพื้นฐานในการวางแผนการผลิต การจัดการสินค้าคงคลัง และห่วงโซ่อุปทานทั้งหมด การคาดการณ์ที่ไม่ถูกต้องจะมีราคาแพงทั้งสองวิธี การประเมินค่าสูงเกินไปจะสร้างต้นทุนสินค้าคงคลังและความสิ้นเปลือง การประเมินค่าต่ำไปทำให้ยอดขายลดลงและความไม่พอใจของลูกค้า ปัญญาประดิษฐ์ช่วยในกระบวนการพยากรณ์ได้หลายประการ ตั้งแต่การเลือกวิธีการไปจนถึงการตีความข้อมูลในอดีตและการสร้างสถานการณ์ แต่การมองว่าการคาดการณ์เป็น "ลูกแก้ววิเศษ" ถือเป็นความผิดพลาดครั้งใหญ่ที่สุด ในหน่วยนี้ เราจะครอบคลุมวิธีการพยากรณ์แบบคลาสสิก วิธีสร้างอย่างถูกต้องด้วย AI และวิธีการวัดความแม่นยำ

แผนที่โดยย่อของวิธีการพยากรณ์

ความต้องการแต่ละชุดมีพฤติกรรมไม่เหมือนกัน บ้างก็ทรงแบน บ้างก็มีแนวโน้ม บ้างก็เป็นไปตามฤดูกาล จำเป็นต้องเลือกวิธีการตามซีรีย์

วิธีการ

เมื่อไหร่จึงจะเหมาะสม?

ความสนใจ

ไร้เดียงสา (ค่าสุดท้าย)

เพื่อการเปรียบเทียบ (มาตรฐาน)

ไม่เป็นไปตามกระแส/ฤดูกาล

ค่าเฉลี่ยเคลื่อนที่

ซีรีย์ที่มีเสียงดังคงที่

ตอบสนองต่อกระแสช้า

การปรับให้เรียบแบบเอกซ์โปเนนเชียล (SES)

ชุดเครื่องเขียน เน้นข้อมูลใกล้เคียง

ดีถ้าไม่ตกเทรนด์

โฮลท์ (เลขชี้กำลังสองเท่า)

ซีรีส์อินเทรนด์

ไม่จับตามฤดูกาล

โฮลท์-วินเทอร์ส

เทรนด์+ฤดูกาล

ต้องมีข้อมูลประวัติที่เพียงพอ

การถดถอย/ML

หลายตัวแปร การส่งเสริมที่มีประสิทธิภาพ

เสี่ยงต่อภาวะฟิตเกิน

เคล็ดลับ: เริ่มต้นด้วยการเดาแบบ "ไร้เดียงสา" เสมอ หากแบบจำลองที่ซับซ้อนของคุณไม่ได้ดีไปกว่าการเดาแบบไร้เดียงสา ก็ไม่คุ้มที่จะแบกรับความซับซ้อนนี้ Naive เป็นเกณฑ์มาตรฐานฟรีสำหรับการวัดความแม่นยำ

เราจะวัดความแม่นยำได้อย่างไร? (เมตริก)

ไม่สามารถปรับปรุงความแม่นยำในการคาดการณ์ได้หากไม่มีการวัด ตัวชี้วัดที่พบบ่อยที่สุด:

• MAE (Mean Absolute Error): ค่าเฉลี่ยของค่าสัมบูรณ์ของข้อผิดพลาด หน่วยจะเหมือนกับหน่วยความต้องการ
• RMSE (ข้อผิดพลาด Root Mean Square): ลงโทษข้อผิดพลาดที่ใหญ่กว่ามากขึ้น
• MAPE (ข้อผิดพลาดเปอร์เซ็นต์สัมบูรณ์เฉลี่ย): เป็นเปอร์เซ็นต์; เหมาะสำหรับการเปรียบเทียบระหว่างรายการ แต่จะบิดเบี้ยวเมื่อความต้องการใกล้ศูนย์
• อคติ: ข้อผิดพลาดโดยเฉลี่ย; บ่งชี้ว่าคุณประเมินสูงเกินไป/ต่ำไปอย่างสม่ำเสมอหรือไม่

บัญชีตัวอย่างเล็กๆ น้อยๆ ให้ความต้องการที่แท้จริงเป็น [100, 120, 90] คาดการณ์เป็น [110, 115, 100]:

ข้อผิดพลาด (ตามจริง - คาดการณ์): -10, +5, -10 ข้อผิดพลาดสัมบูรณ์: 10, 5, 10 → MAE = 25 / 3 anta 8.33 เปอร์เซ็นต์ข้อผิดพลาด: 10/100, 5/120, 10/90 = 10%, 4.17%, 11.11%MAPE = (10 + 4.17 + 11.11) / 3 หยาบคาย 8.43%อคติ = (-10 + 5 - 10) / 3 = -5 → การประมาณค่าสูงเกินไปโดยเฉลี่ย (การคาดการณ์ > จริง)

อคติเชิงลบ (การประมาณค่าจริงลบ) บ่งชี้ว่าการประมาณการมีการประเมินสูงเกินไปอย่างสม่ำเสมอ นี่หมายถึงอัตราเงินเฟ้อของสินค้าคงคลัง ข้อผิดพลาดเกี่ยวกับทิศทางดังกล่าวสามารถซ่อนอยู่ใน MAPE ได้ ดังนั้นจึงนำมาพิจารณาร่วมกัน

สร้างกระบวนการพยากรณ์ด้วย AI

คุณสามารถใช้ AI ได้อย่างมีประสิทธิภาพสูงสุดในสองที่: (1) เพื่อดูข้อมูลและแนะนำวิธีการและการดำเนินการที่เหมาะสมและ (2) เพื่อสร้างโค้ดคาดการณ์ สำหรับคำแนะนำวิธีการ:

บทบาท: คุณเป็นวิศวกรอุตสาหกรรมที่มีประสบการณ์ในการคาดการณ์ความต้องการ งาน: ตรวจสอบชุดยอดขายรายเดือนด้านล่างและแนะนำวิธีการพยากรณ์ที่เหมาะสม ประเมินว่ามีแนวโน้มและฤดูกาลหรือไม่ เขียนเหตุผลของคุณ ข้อมูล (รายเดือน 24 เดือนที่ผ่านมา): {{ ค่า }}ข้อมูลเพิ่มเติม: มีโปรโมชั่นในเดือนธันวาคม ความต้องการลดลงในช่วงฤดูร้อน ผลลัพธ์ที่ฉันต้องการ:1. แสดงความคิดเห็นเกี่ยวกับตัวละครของซีรีส์ (คงที่/กำลังมาแรง/ตามฤดูกาล)2. 2 วิธีที่แนะนำและเหตุผล3. ฉันควรติดตามตัวชี้วัดความแม่นยำใด4. ข้อผิดพลาดที่ฉันควรระวัง (ค่าผิดปกติ ผลกระทบจากการส่งเสริมการขาย) กฎ: อย่ารับประกันความถูกต้องสมบูรณ์โดยไม่เห็นข้อมูล

พรอมต์ที่อ่อนแอ / พรอมต์ที่แข็งแกร่ง

พรอมต์ที่อ่อนแอ:

เดือนหน้าจะขายได้เท่าไรครับ?

สิ่งนี้ไม่มีข้อมูลหรือบริบท AI จะปฏิเสธหรือส่งคืนตัวเลขที่สร้างขึ้นทั้งหมด ผลลัพธ์ดังกล่าวเป็นอันตรายเนื่องจากดูน่าเชื่อถือ

พรอมต์อันทรงพลัง:

ทำนาย 3 เดือนข้างหน้าโดยใช้ตรรกะ Holt-Winters กับซีรี่ส์ 24 เดือนนี้ ความยาวฤดูกาลคือ 12 ขั้นแรกให้เขียนสมมติฐานของวิธีการ จากนั้นให้การคาดการณ์ จากนั้นคำนวณ MAPE โดยการทดสอบย้อนหลังในช่วง 6 เดือนที่ผ่านมา ทำเครื่องหมายเดือนที่ส่งเสริมการขายแยกกัน ข้อมูล: {{ ... }}

พรอมต์ที่สองถามทั้งการทำนายและความมั่นใจในการเชื่อถือการทำนายนั้น (การทดสอบย้อนหลัง) สิ่งนี้จะเปลี่ยนการทำนายจาก "พยากรณ์" ให้เป็นเครื่องมือที่สามารถวัดผลได้

Backtesting: การวัดความมั่นใจในการทำนาย

บททดสอบแห่งการทำนายที่แท้จริงคืออดีต ไม่ใช่อนาคต คุณแบ่งข้อมูลที่คุณมีออกเป็นสองส่วน: การสร้างแบบจำลอง (ฝึก) และการทดสอบ คุณสร้างแบบจำลองจากชิ้นแรก ทำนายช่วงเวลาถัดไป และเปรียบเทียบกับความเป็นจริง ตรรกะ "การระงับ" นี้แสดงให้เห็นว่าแบบจำลองใช้งานได้จริงหรือไม่

จัดทำแผนการทดสอบย้อนหลังแบบง่ายๆ สำหรับชุดข้อมูลต่อไปนี้: กันช่วง 6 เดือนที่ผ่านมาไว้สำหรับการทดสอบ ฝึก 3 วิธีที่แตกต่างกัน (ไร้เดียงสา, SES, โฮลท์-วินเทอร์ส) ด้วยข้อมูลที่เหลือ คำนวณ MAPE และอคติสำหรับแต่ละวิธีในระหว่างระยะเวลาการทดสอบ และสร้างตารางเปรียบเทียบ เขียนวิธีการและเหตุผลในการชนะ

ระวัง: บางครั้ง AI สามารถ "ทำนาย" ผลการทดสอบย้อนหลังและนำเสนอแผนภูมิสำเร็จรูปให้กับคุณได้ นั่นคือเขาสามารถสร้างตัวเลขที่ดูสมเหตุสมผลได้โดยไม่ต้องคำนวณจริงๆ อย่าลืมสร้างผลลัพธ์ตัวเลขด้วยโค้ด (Python/Excel) โมเดลภาษาไม่สามารถคำนวณทางคณิตศาสตร์แบบยาวได้อย่างน่าเชื่อถือ

Mini Case: สินค้าล้นสต็อกตามฤดูกาล

บริษัทจำหน่ายอาหารบ่นว่ามีสต็อกผลิตภัณฑ์ตามฤดูกาล เช่น ไอศกรีม มากเกินไปทุกปีในฤดูหนาว วิศวกรอุตสาหกรรม Elif ให้ข้อมูลรายเดือนแก่ AI เป็นเวลา 3 ปี และขอให้ประเมินลักษณะของซีรีส์นี้ AI ตรวจพบฤดูกาลที่รุนแรง (จุดสูงสุดในฤดูร้อน) และแนวโน้มการเติบโตเล็กน้อยต่อปี Holt-Winters แนะนำ Elif สร้างคำทำนายใน Python และทดสอบย้อนหลัง: MAPE อยู่ที่ 14% แต่อคตินั้นเป็นลบอย่างมาก — โมเดลมีการคาดการณ์เกินจริงอย่างสม่ำเสมอ เมื่อเขาตรวจสอบสาเหตุ เขาพบว่าเขาเข้าใจผิดว่าช่วงการรณรงค์ในข้อมูลในอดีตเป็น "ปกติ" และสอนให้โมเดลมีฐานสูงเกินไป เมื่อเราลบเอฟเฟกต์ของแคมเปญและสร้างโมเดลใหม่ ความโน้มเอียงจะลดลงและสต็อกในฤดูหนาวจะลดลงอย่างมาก บทเรียน: AI แนะนำวิธีการอย่างถูกต้อง แต่เป็นงานของมนุษย์ในการล้างข้อมูลและตีความอคติ

ข้อผิดพลาดทั่วไป

• การไม่ติดตามตัวชี้วัด: การประมาณค่าและไม่เคยวัดความแม่นยำ ไม่สามารถปรับปรุงการคาดการณ์โดยไม่มีการวัดผลได้
• แค่ดู MAPE: ไม่สนใจอคติ ข้อผิดพลาดเกี่ยวกับทิศทาง (อย่างเป็นระบบ) ทำให้สินค้าคงคลังขยายตัวอย่างเงียบ ๆ
• การเข้าใจผิดตัวเลขที่ AI สร้างขึ้นเพื่อการคำนวณ: ไม่ตรวจสอบ backtest และค่าเมตริกด้วยโค้ด
• การไม่ทำความสะอาดสิ่งที่ผิดปกติ/การส่งเสริมการขาย: เข้าใจผิดว่าแคมเปญแบบครั้งเดียวเป็นความต้องการปกติและสอนแคมเปญดังกล่าวให้กับโมเดล
• Overfit: เมื่อโมเดลที่ซับซ้อนเข้ากันได้ดีกับอดีตแต่ทำงานได้ไม่ดีในอนาคต เก็บโมเดลธรรมดาไว้เป็นเกณฑ์มาตรฐาน

โดยสรุป

• เลือกวิธีการพยากรณ์ตามลักษณะของซีรี่ส์ (คงที่ ได้รับความนิยม ตามฤดูกาล) เริ่มต้นด้วยการเปรียบเทียบตัวเองกับคนไร้เดียงสาเสมอ
• วัดความแม่นยำด้วย MAE/RMSE/MAPE แต่ยังตรวจสอบอคติด้วย: ข้อผิดพลาดของทิศทางมีราคาแพงที่สุด
• ใช้ AI สำหรับการแนะนำวิธีการและการสร้างโค้ด กำหนดให้การคาดการณ์เป็นเครื่องมือที่สามารถวัดผลได้ ไม่ใช่ "คำทำนาย"
• การทดสอบย้อนหลังคือการทดสอบจริงว่าโมเดลมีความมั่นใจได้มากเพียงใด อย่าลืมตรวจสอบผลลัพธ์ที่เป็นตัวเลขด้วยรหัส
• เป็นหน้าที่ของมนุษย์ในการล้างข้อมูล (ค่าผิดปกติ การเลื่อนระดับ) และตีความผลลัพธ์ AI ข้ามขั้นตอนเหล่านี้

งานสมัคร

มีซีรีส์ความต้องการช่วง 18-24 อย่างน้อย (นิยายจริงหรืออิงความเป็นจริง) ขั้นแรก ให้ซีรีส์ AI และขอให้ตีความตัวละคร (แนวโน้ม/ฤดูกาล) และแนะนำสองวิธี จากนั้นใช้พรอมต์ที่มีประสิทธิภาพ "แผน backtest" เพื่อจอง 6 ช่วงเวลาล่าสุดเป็นการทดสอบและเปรียบเทียบอย่างน้อยสองวิธี ขั้นตอนที่สำคัญ: คำนวณค่า MAPE และค่าไบแอสที่ AI ส่งคืนด้วยตนเองด้วย Excel หรือ Python อีกครั้ง และเปรียบเทียบกับเอาต์พุต AI หากพบตัวเลขไม่ตรงกันให้จดไว้ สุดท้าย ให้ตีความสัญญาณของอคติ: โมเดลของคุณประเมินสูงเกินไปหรือต่ำไป และสิ่งนี้ส่งผลอย่างไรกับสินค้าคงคลังของคุณ