การพยากรณ์ความต้องการ: การพยากรณ์การขาย ฤดูกาล และการวิเคราะห์แนวโน้ม

กำไร:

• ความสามารถในการสร้างการคาดการณ์ความต้องการแบบร่างบนพื้นฐาน SKU ด้วยการสนับสนุนปัญญาประดิษฐ์โดยการรวมข้อมูลการขายในอดีต ผลกระทบตามฤดูกาล และปัจจัยภายนอก
• ความสามารถในการตีความความแม่นยำในการพยากรณ์ (MAPE, อคติ) และแยกแยะผลที่ตามมาทางธุรกิจของการประเมินค่าสูงเกินไปและค่าต่ำไป
• ความสามารถในการรักษาว่าการคาดการณ์ที่เกิดจากปัญญาประดิษฐ์นั้นเป็นการคาดการณ์และการตัดสินใจในการสั่งซื้อขั้นสุดท้ายเป็นของผู้จัดการพร้อมกับต้นทุนหุ้นและกระแสเงินสด

มีข้อผิดพลาดที่แพงที่สุดสองประการในการขายปลีก ได้แก่ การเก็บสต็อกไว้มากเกินไปและปล่อยให้เงินหมดไปบนชั้นวาง หรือการเก็บสต็อกไว้ไม่เพียงพอและปล่อยให้ลูกค้ามือเปล่า ทั้งสองมีแหล่งที่มาเดียวกัน นั่นคือ การคาดการณ์ความต้องการที่ไม่ถูกต้อง ในหน่วยนี้คุณจะได้เรียนรู้วิธีใช้ปัญญาประดิษฐ์ในฐานะผู้ช่วยอันทรงพลังในการทำนายอนาคตจากยอดขายในอดีต แต่สมมติว่าตั้งแต่เริ่มต้น: การทำนายไม่ใช่คำทำนาย แต่เป็นการทำนายที่น่าจะเป็น AI ให้ตัวเลขแก่คุณ เป็นหน้าที่ของคุณที่จะแปลตัวเลขนั้นให้เป็นการตัดสินใจสั่งซื้อ

การคาดการณ์ความต้องการ: เป็นหน้าที่ในการทำนายจำนวนผลิตภัณฑ์หรือหมวดหมู่ที่จะขายในอนาคตโดยดูจากข้อมูลในอดีตและปัจจัยที่มีอิทธิพล

SKU (Stock Keeping Unit): เป็นรหัสสต็อกที่ไม่ซ้ำกันซึ่งเก็บไว้สำหรับผลิตภัณฑ์ย่อยแต่ละรายการ ตัวอย่างเช่น "รองเท้าผ้าใบสีแดง เบอร์ 42" คือ SKU หมายเลข 43 รุ่นเดียวกันเป็น SKU แยกกัน

แหล่งข้อมูลสามแหล่งที่ป้อนการคาดการณ์

การพยากรณ์ที่ดีจะรวมสามสิ่งเข้าด้วยกัน:

1. ยอดขายในอดีต (พื้นฐาน): ยอดขายผลิตภัณฑ์รายสัปดาห์/รายเดือนในช่วง 12-24 เดือนที่ผ่านมา AI แยกระดับ "ปกติ" ออกจากซีรีส์นี้
2. ผลกระทบตามฤดูกาลและปฏิทิน: วันหยุด, ภาคเรียน, ฤดูร้อน-ฤดูหนาว, วันหยุดสุดสัปดาห์, วันจ่ายเงินเดือน ตัวอย่างเช่น ไอศกรีมจะเพิ่มขึ้นในฤดูร้อน และถุงเท้าจะเพิ่มขึ้นในฤดูหนาว
3. ปัจจัยภายนอก: แคมเปญ การเปลี่ยนแปลงราคา สภาพอากาศ ความเคลื่อนไหวของคู่แข่ง การเปิด/ปิด สิ่งเหล่านี้จะผลักดันการประมาณการขึ้นหรือลง

เคล็ดลับ: อย่าบอกแต่ AI ว่าเดือนที่แล้วเราขายไป 100 แล้ว พูดว่า "เราขายไป 100 เล่มเมื่อเดือนที่แล้ว แต่มีส่วนลด 20% และเป็นสัปดาห์วันหยุด" หากไม่มีบริบท การทำนายจะทำให้เข้าใจผิด

การสร้างคำทำนายทีละขั้นตอน

1. เตรียมข้อมูล: ตารางที่ไม่ระบุชื่อและชัดเจน: วันที่ SKU ปริมาณที่ขาย ราคา โปรโมชั่น/ไม่มีโปรโมชั่น ความพร้อม ทำเครื่องหมายวันที่สินค้าหมด ไม่เช่นนั้นปัญญาประดิษฐ์จะคิดว่าวันนั้นคือ "ความต้องการต่ำ"
2. ให้บริบท: เขียนฤดูกาล กิจกรรมที่กำลังจะเกิดขึ้น แคมเปญที่วางแผนไว้
3. ขอการคาดการณ์: ขอการคาดการณ์และช่วงความเชื่อมั่น (สถานการณ์กรณีที่เลวร้ายที่สุด/ดีที่สุด) สำหรับช่วงเวลาที่ระบุ ตาม SKU หรือหมวดหมู่
4. วัดความแม่นยำ: เปรียบเทียบการคาดการณ์ในอดีตของคุณกับความเป็นจริง (MAPE ด้านล่าง)
5. เปลี่ยนให้เป็นการตัดสินใจ: รวมการประมาณการเข้ากับสต็อกความปลอดภัยและงบประมาณ แล้วทำการตัดสินใจสั่งซื้อ

ความแม่นยำในการอ่านการคาดการณ์: MAPE และอคติ

MAPE (ข้อผิดพลาดเปอร์เซ็นต์สัมบูรณ์เฉลี่ย): แสดงเปอร์เซ็นต์ส่วนเบี่ยงเบนโดยเฉลี่ยของการคาดการณ์จากยอดขายจริง สูตรก็คือ: |จริง − พยากรณ์| สำหรับแต่ละช่วงเวลา / จริงคือค่าเฉลี่ยของพวกเขา

• MAPE 10% → ค่าประมาณเบี่ยงเบนไป 10% โดยเฉลี่ย ค่อนข้างดี
• MAPE 40% → การคาดการณ์ไม่น่าเชื่อถือ จำเป็นต้องมีบัฟเฟอร์เพิ่มเติม (สต็อกความปลอดภัย) เพื่อการตัดสินใจสั่งซื้อ

ทิศทาง (อคติ): การคาดการณ์ของคุณอยู่เหนือ (ความเสี่ยงต่อสต๊อกเกิน) หรือต่ำกว่า (เสี่ยงต่อสต๊อกสินค้าหมด) ความเป็นจริงอย่างสม่ำเสมอหรือไม่? ดูสิ่งนี้ด้วย; MAPE ไม่แสดงทิศทาง

สถานะ

ความหมาย

ผลลัพธ์ทางธุรกิจ

ประมาณการสูงอย่างต่อเนื่อง

คุณกำลังพูดเกินความต้องการ

สต็อกส่วนเกิน การล่มสลาย การสูญเสียกำไร

การประเมินต่ำเกินไปอย่างต่อเนื่อง

คุณดูถูกความต้องการ

สินค้าหมด พลาดการขาย ไม่พอใจ

MAPE สูง ทิศทางที่สมดุล

มีความไม่แน่นอนสูง

เพิ่มสต็อกความปลอดภัย ทบทวนบ่อยๆ

MAPE ต่ำ

การทำนายที่แม่นยำ

หุ้นน้อยลง เงินก็ดีขึ้น

กรณีขนาดเล็ก

กรณีที่ 1 — ไม่มีฤดูกาล: ร้านขายของชำสั่งซื้อสมุดบันทึกของโรงเรียนโดยพิจารณาจากยอดขายในเดือนกรกฎาคมของปีที่แล้ว (200 หน่วยต่อเดือน) เมื่อปัญญาประดิษฐ์ได้รับบริบท "ภาคเรียนเดือนสิงหาคม-กันยายน ยอดขายเพิ่มขึ้นสี่เท่าในช่วงนี้ของปีที่แล้ว" การคาดการณ์จะเพิ่มขึ้นเป็น 780 หน่วย แทนที่จะเป็น 200 หน่วย ด้วยลำดับที่ถูกต้อง คุณจะไม่หมดสต็อกในระหว่างปีการศึกษา มูลค่าการซื้อขายโดยประมาณของ 60,000 TL ซึ่งหลบหนีไปเมื่อปีที่แล้ว กำลังถูกจับได้ในปีนี้

กรณีที่ 2 — ไม่นับวันที่สินค้าหมด: ร้านค้าแห่งหนึ่งไม่มีกาแฟยอดนิยมในสต็อกเป็นเวลา 3 สัปดาห์ เมื่อดูข้อมูลดิบ ปัญญาประดิษฐ์จะมองว่าสัปดาห์เหล่านั้นเป็น "ยอดขาย 5 รายการต่อสัปดาห์" และให้ค่าประมาณที่ต่ำ เมื่อนักวิเคราะห์ทำเครื่องหมายวันที่ไม่มีสต็อกและบอกว่า "สัปดาห์เหล่านี้ไม่สะท้อนถึงความต้องการ" การคาดการณ์จะเพิ่มขึ้นเป็น 45 ต่อสัปดาห์ ความต้องการที่แท้จริงเกิดขึ้น

กรณีที่ 3 — การสรุปผลแคมเปญโดยสรุป: เครือสิ่งทอถือว่าการขายลดราคาประจำสัปดาห์ 50% (600 หน่วย) เป็น "ปกติ" และสั่งซื้อ 600 ชิ้นอย่างต่อเนื่อง เมื่อปัญญาประดิษฐ์ได้รับแจ้งว่า "การขายนี้ทำด้วยแคมเปญแบบครั้งเดียว สัปดาห์ปกติคือ 180" การคาดการณ์จะได้รับการแก้ไข ความเสี่ยงของสต๊อกสินค้าเกินสต็อกและการสูญเสียราคาที่ตามมาจะถูกป้องกัน

ขอบฟ้าการทำนาย: คุณมองเห็นข้างหน้าได้ไกลแค่ไหน?

ขอบเขตการคาดการณ์: การคาดการณ์จะเกิดขึ้นในอนาคตไกลแค่ไหน กฎนั้นง่ายมาก: ยิ่งเส้นขอบฟ้ายาวเท่าไร ความไม่แน่นอนก็จะยิ่งมากขึ้นเท่านั้น คุณคาดการณ์ยอดขายในสัปดาห์หน้าได้ค่อนข้างแม่นยำ หกเดือนต่อมาด้วยช่วงที่กว้างกว่ามาก ดังนั้นเลือกขอบเขตการคาดการณ์ตามความต้องการในการตัดสินใจสั่งซื้อ: ระยะเวลาที่สั้นและการอัปเดตบ่อยครั้งสำหรับผลิตภัณฑ์สดที่หมดเร็ว ขอบเขตที่ยาวขึ้นและขอบเขตความปลอดภัยที่กว้างขึ้นสำหรับผลิตภัณฑ์นำเข้าที่มีระยะเวลารอคอยสินค้านาน

ความแตกต่างที่สำคัญอีกประการหนึ่งคือการคาดการณ์ผลิตภัณฑ์ใหม่ ไม่มีการขาย SKU ใหม่ในอดีต ในกรณีนี้ คุณให้ข้อมูลประวัติของผลิตภัณฑ์ที่คล้ายกัน (อะนาล็อก) ค่าเฉลี่ยหมวดหมู่ และแผนการเปิดตัวแก่ AI การพูดว่า "ผลิตภัณฑ์นี้ไม่มีประวัติ ให้ประมาณการเบื้องต้นโดยดูที่ 8 สัปดาห์แรกของผลิตภัณฑ์ที่คล้ายคลึงกัน X และ Y" เป็นวิธีที่สมเหตุสมผลในการกรอกข้อมูลในช่องว่าง อย่างไรก็ตาม การคาดการณ์ผลิตภัณฑ์ใหม่มักจะมีความเสี่ยงมากกว่าเสมอ แก้ไขการคาดการณ์อย่างรวดเร็วเมื่อมีข้อมูลจริงสำหรับสัปดาห์แรกพร้อมใช้งาน

ข้อควรระวัง: อย่าถือว่าการประมาณการเป็นการ "ทำครั้งเดียวแล้วลืมมันไป" การคาดการณ์ความต้องการเป็นกระบวนการที่ใช้งานจริง ทุกสัปดาห์การขายใหม่เป็นโอกาสในการอัปเดตการคาดการณ์ นักพยากรณ์ที่ดีที่สุดคือผู้ที่ใช้โมเดลที่อัปเดตบ่อยที่สุด ไม่ใช่โมเดลที่ฉลาดที่สุด

พรอมต์อ่อน / พรอมต์แข็งแกร่ง

พรอมต์ที่อ่อนแอ:

บอกฉันว่าสินค้านี้จะขายได้เท่าไรในเดือนหน้า

ไม่มีบริบท; AI สร้างตัวเลขสุ่ม

พรอมต์อันทรงพลัง:

บทบาทของคุณ: ผู้เชี่ยวชาญด้านการวางแผนอุปสงค์ ข้อมูล: ด้านล่างนี้คือปริมาณการขายและราคาต่อเดือนในช่วง 18 เดือนล่าสุดสำหรับ SKU 4471 และจะมีแคมเปญในเดือนนั้นหรือไม่ บริบท: ผลิตภัณฑ์นี้คือรองเท้าแตะฤดูร้อน ความต้องการพุ่งสูงสุดในเดือนพฤษภาคม-สิงหาคม เดือนหน้าคือเดือนมิถุนายน ไม่มีการวางแผนการรณรงค์ ราคาได้รับการแก้ไขแล้ว งาน: (1) ปริมาณการขายที่คาดหวังในเดือนมิถุนายน (2) ช่วงสถานการณ์ที่เลวร้ายที่สุดและดีที่สุด (3) 2 ปัจจัยหลักที่ส่งผลต่อการคาดการณ์ กฎ: อย่านับเดือนที่ทำเครื่องหมายว่าสินค้าหมดเนื่องจากมีความต้องการต่ำ อิงตามข้อมูลที่ให้เท่านั้น ข้อมูล: [วางตาราง]

เทมเพลตพร้อมท์ที่คัดลอกได้

1) การคาดการณ์ตาม SKU

บทบาทของคุณ: ผู้เชี่ยวชาญด้านการวางแผนอุปสงค์ สร้างการคาดการณ์ [ระยะเวลา] ในอนาคตสำหรับ [SKU] จากชุดยอดขายรายเดือนที่ไม่ระบุชื่อต่อไปนี้ ผลลัพธ์: ปริมาณที่คาดหวัง + ช่วงที่แย่ที่สุด/ดีที่สุด + สมมติฐาน 2 ข้อ ไม่รวมช่วงเวลาที่ทำเครื่องหมายว่าสินค้าหมด ข้อมูล: [วาง]

2) การลบรูปแบบตามฤดูกาล

ค้นหารูปแบบตามฤดูกาลที่เกิดซ้ำในชุดการลดราคาในรอบ 24 เดือนด้านล่าง เดือนไหนอยู่บน และเดือนไหนอยู่ล่าง? ให้ค่าเบี่ยงเบนไปจากค่าเฉลี่ยเป็นเปอร์เซ็นต์ นำเสนอในรูปแบบตาราง ข้อมูล: [วาง]

3) การประเมินความแม่นยำในการทำนาย

ด้านล่างนี้คือข้อมูลประมาณการในอดีตและยอดขายจริงของฉัน (1) คำนวณ MAPE (2) การคาดการณ์ของฉันลอยขึ้นหรือลงอย่างต่อเนื่อง (3) สิ่งนี้หมายความว่าอย่างไรสำหรับหุ้น? แสดงทีละขั้นตอนข้อมูล: [ประมาณการ, คอลัมน์จริง]

4) แยกผลกระทบของแคมเปญ

สัปดาห์ของแคมเปญระบุไว้ในชุดการขายด้านล่าง ประมาณการความต้องการปกติ (ไม่ใช่แคมเปญ) กำหนดให้เอฟเฟกต์ของแคมเปญเป็นเปอร์เซ็นต์การเพิ่มแยกต่างหาก เลยอยากเห็นระดับออเดอร์ปกติ ข้อมูล: [วาง]

ข้อผิดพลาดทั่วไป

• ไม่ระบุบริบท: หากไม่ระบุแคมเปญ ฤดูกาล ราคาที่เปลี่ยนแปลง การคาดการณ์จะทำให้เข้าใจผิด
• ไม่ว่าจะนับวันที่สินค้าหมดตามความต้องการหรือไม่: ระยะเวลาที่สินค้าหมดจะซ่อนความต้องการที่แท้จริงไว้ เครื่องหมาย.
• การรับการส่งเสริมการขายตามปกติ: การคิดว่าการเพิ่มขึ้นเพียงครั้งเดียวจะมีผลถาวรจะส่งผลให้สินค้ามีในสต็อกมากเกินไป
• อาศัยตัวเลขตัวเดียว: ไม่ต้องการช่วง (สถานการณ์) และการพึ่งพาจุดเดียวจะซ่อนความเสี่ยง
• ไม่วัดความแม่นยำเลย: หากไม่ได้ติดตาม MAPE และทิศทาง การทำนายจะแย่ลงเรื่อยๆ
• การสั่งซื้อโดยตรงด้วยการประมาณการ: การสั่งซื้อโดยไม่ต้องใช้เงินสด คลังสินค้า และการควบคุมอายุการเก็บรักษา

โดยสรุป

การคาดการณ์ที่ดีจะรวมยอดขายในอดีต ฤดูกาล และปัจจัยภายนอกเข้าด้วยกัน อย่าลืมให้บริบทแก่ AI (แคมเปญ ฤดูกาล วันที่สินค้าหมด) ตรวจสอบความแม่นยำในการพยากรณ์ด้วย MAPE และทิศทางอคติ เพิ่มสต็อกความปลอดภัยในความไม่แน่นอนสูง การทำนายคือการทำนาย การตัดสินใจสั่งซื้อขั้นสุดท้ายขึ้นอยู่กับงบประมาณและข้อจำกัดของคุณ

งานสมัคร

รับยอดขาย SKU ที่ขายดีที่สุด 5 อันดับแรกของคุณในช่วง 12-18 เดือนที่ผ่านมาในตารางที่ไม่ระบุชื่อ และทำเครื่องหมายช่วงที่สินค้าหมดและช่วงแคมเปญ สร้างการคาดการณ์ในอนาคตด้วยพร้อมท์ "1) การคาดการณ์ตาม SKU" จากนั้นแยก MAPE ของการคาดการณ์ในอดีตของคุณด้วย "3) การประเมินความแม่นยำของการคาดการณ์" เปรียบเทียบผลลัพธ์กับการตัดสินใจสั่งซื้อของคุณเอง

รายการตรวจสอบ

• [ ] ฉันไม่เปิดเผยตัวตนและล้างข้อมูลการขายของฉัน
• [ ] ฉันทำเครื่องหมายช่วงสินค้าหมดและช่วงแคมเปญ
• [ ] ฉันให้ฤดูกาลและบริบทปัจจัยภายนอกแก่ AI
• [ ] ฉันต้องการช่วงของสถานการณ์ ไม่ใช่ตัวเลขตัวเดียว
• [ ] ฉันตรวจสอบ MAPE และทิศทางการหันเห
• [ ] ฉันตัดสินใจสั่งซื้อโดยพิจารณาจากงบประมาณและข้อจำกัด