การคาดการณ์ความต้องการ: การจัดการอนุกรมเวลา ฤดูกาล และความไม่แน่นอน

กำไร:

• ความสามารถในการเข้าใจแนวคิดเกี่ยวกับอนุกรมเวลา แนวโน้ม ฤดูกาล และผลกระทบของแคมเปญ และใช้ปัญญาประดิษฐ์เพื่อคาดการณ์ความต้องการด้วยคำถามที่ถูกต้องและข้อมูลที่ชัดเจน
• ความสามารถในการตีความความแม่นยำในการพยากรณ์ (MAPE, ส่วนเบี่ยงเบน) และความไม่แน่นอน (ช่วงความเชื่อมั่น, สถานการณ์) และการวางแผนพื้นฐานในช่วงแทนที่จะเป็นตัวเลขตัวเดียว
• ความสามารถในการแยกแยะว่าการคาดการณ์ของปัญญาประดิษฐ์นั้นขึ้นอยู่กับข้อมูลในอดีต และการตัดสินของผู้เชี่ยวชาญจะเกิดขึ้นก่อนในกรณีที่เกิดการหยุดชะงัก เช่น ผลิตภัณฑ์ใหม่ โปรโมชั่น หรือวิกฤตอุปทาน

ทุกการตัดสินใจในห่วงโซ่อุปทานขึ้นอยู่กับคำถามเดียว: จะมีความต้องการมากแค่ไหน? ยิ่งคุณตอบคำถามนี้ถูกต้องมากเท่าไร คุณก็จะยิ่งมีสต็อกน้อยลง สต็อกก็จะหมดน้อยลง และผูกเงินไว้ก็จะน้อยลงเท่านั้น การคาดการณ์อุปสงค์เป็นกลไกสำคัญของห่วงโซ่อุปทาน แผนการสต็อก การจัดซื้อ การผลิต และการขนส่งล้วนมาจากที่นี่ ปัญญาประดิษฐ์มีพลังอย่างมากในสาขานี้ เนื่องจากจะสแกนประวัติของผลิตภัณฑ์นับพันได้เร็วกว่ามนุษย์มากและแยกรูปแบบออกมา แต่แหล่งที่มาของพลังก็มีขีดจำกัดเช่นกัน AI เรียนรู้จากอดีต ถ้าอนาคตไม่คล้ายกับอดีตก็ผิด ในหน่วยนี้ เราจะเรียนรู้ภาษาของการทำนาย การวัดความแม่นยำ การจัดการความไม่แน่นอน และจุดที่ AI ควรยอมจำนนต่อคุณ

ภาษาของการพยากรณ์: อนุกรมเวลา แนวโน้ม ฤดูกาล

ข้อมูลความต้องการมักเป็นอนุกรมเวลา ซึ่งเป็นชุดตัวเลขที่เรียงลำดับตามเวลา เช่น ยอดขายผลิตภัณฑ์ในแต่ละวัน การแบ่งลำดับนี้ออกเป็นสามส่วนเป็นพื้นฐานของการทำนาย:

แนวโน้มทิศทางระยะยาว: ยอดขายเพิ่มขึ้นหรือลดลงทุกปี? ฤดูกาล มีความผันผวนเป็นประจำ: ไอศกรีมขายในฤดูร้อน เครื่องทำความร้อนขายในฤดูหนาว ตลาดจะคึกคักในวันศุกร์และวันเสาร์ เสียงรบกวน เล่นแบบสุ่มโดยอธิบายไม่ได้ การคาดการณ์ที่ดีจะจับแนวโน้มและฤดูกาล และไม่โดนสัญญาณรบกวนหลอก ยิ่งไปกว่านั้น ยังมีกิจกรรมต่างๆ มากมาย เช่น แคมเปญ การส่งเสริมการขาย วันหยุดนักขัตฤกษ์ สภาพอากาศ การเคลื่อนไหวของคู่แข่ง เมื่อคุณทำให้ AI ทำนาย คุณจะต้องบอกเหตุการณ์เหล่านี้ ถ้าไม่บอกเขาจะคิดว่าการกระโดดในวันหาเสียงเป็นเรื่อง "ปกติ" และจะทำผิดพลาดเกี่ยวกับอนาคต

เคล็ดลับ: เมื่อให้ข้อมูลการขายดิบแก่ AI ให้ทำเครื่องหมายแคมเปญ วันหยุด และวันที่สินค้าหมด วันที่ไม่มีสต็อกเป็นสิ่งสำคัญ ยอดขายดูเหมือนต่ำในวันนั้น แต่ความต้องการที่แท้จริงมีสูง เพียงแต่ไม่มีสินค้าเหลือเลย หากไม่ระบุสิ่งนี้ AI จะประเมินความต้องการที่แท้จริงต่ำไป

ความแม่นยำในการวัด: MAPE และอคติ

“พยากรณ์อากาศดีไหม?” คำตอบของคำถามมาจากการวัด ไม่ใช่ความรู้สึก ตัวบ่งชี้ที่พบบ่อยที่สุดคือ MAPE (Mean Absolute Percent Error — การคาดการณ์โดยเฉลี่ยเบี่ยงเบนไปจากความเป็นจริงกี่เปอร์เซ็นต์) หาก MAPE เท่ากับ 10% หมายความว่าการคาดการณ์ของคุณพลาดมูลค่าจริงโดยเฉลี่ย 10% MAPE ที่ต่ำกว่าจะดีกว่า แนวคิดที่สำคัญประการที่สองคืออคติ: การคาดการณ์ของคุณอยู่เหนือความเป็นจริงอย่างสม่ำเสมอ (ทำให้เกิดสต๊อกเกิน) หรือสต๊อกเกินจริง (ออกจากสต๊อก) หรือไม่? แม้ว่าการคาดการณ์จะมี MAPE ต่ำ แต่หากเบี่ยงเบนไปในทิศทางเดียวกันเสมอ ก็เกิดปัญหาที่เป็นระบบ

คุณสามารถให้ส่วนหนึ่งของประวัติศาสตร์ AI เป็น "การฝึกอบรม" และส่วนหนึ่งเป็น "การทดสอบ" และเปรียบเทียบการคาดการณ์กับความเป็นจริง นี่เป็นวิธีที่ซื่อสัตย์ในการสร้างความไว้วางใจ: ทดสอบแบบจำลองกับข้อมูลที่ไม่เคยเห็น การทำนายจะคุ้มค่าที่จะนำไปใช้กับอนาคตก็ต่อเมื่อได้รับการพิสูจน์แล้วว่าสอดคล้องกันในอดีต

ข้อควรระวัง: ไม่มีการคาดการณ์ใดที่แม่นยำ 100%; มันไม่คาดว่าจะเกิดขึ้น เป้าหมายไม่ใช่การสร้างตัวเลขเดี่ยวที่สมบูรณ์แบบ แต่เป็นช่วงที่สามารถจัดการได้ โดยรู้ค่าเบี่ยงเบน แนวคิดไบนารี่ของ "คำทำนายที่เป็นจริง/ไม่ได้ผล" นั้นผิด คำถามที่ถูกต้องคือ "มันเบี่ยงเบนไปเท่าไหร่และฉันเก็บบัฟเฟอร์ไว้เท่าไร"

การจัดการความไม่แน่นอน: พิสัย ไม่ใช่ตัวเลขตัวเดียว

พฤติกรรมที่อันตรายที่สุดของนักวางแผนคือการปฏิบัติต่อการคาดการณ์เป็นตัวเลขหลักเพียงตัวเดียว ในความเป็นจริง ทุกการคาดการณ์มีช่วงความเชื่อมั่น เช่น “ความต้องการในเดือนหน้ามีแนวโน้มมากที่สุดระหว่าง 900 ถึง 1,100” ยิ่งช่วงนี้กว้างขึ้น ความไม่แน่นอนก็จะยิ่งสูงขึ้นตามไปด้วย การทราบช่วงจะส่งผลโดยตรงต่อการตัดสินใจเกี่ยวกับสต็อกของคุณ: ช่วงที่แคบต้องใช้สต็อกที่ปลอดภัยน้อยกว่า ช่วงกว้างต้องใช้บัฟเฟอร์มากขึ้น

ดังนั้นควรถาม AI สำหรับสถานการณ์ต่างๆ เสมอ: ในแง่ร้าย (หากความต้องการลดลง) คาดหวัง และในแง่ดี (หากความต้องการมีสูง) เมื่อพิจารณาสถานการณ์ 3 สถานการณ์ แผนดังกล่าวไม่ได้ขึ้นอยู่กับสมมติฐานเดียว แต่ขึ้นอยู่กับความเป็นไปได้ที่เป็นไปได้มากมาย นี่เป็นวิธีที่เป็นประโยชน์มากที่สุดในการหลุดพ้นจากกับดัก "เลขตัวเดียว"

ทีละขั้นตอน: การศึกษาการคาดการณ์ความต้องการด้วย AI

1. ล้างข้อมูล ทำเครื่องหมายวันที่หายไป, วันที่สินค้าหมด, เปิดบันทึกที่ผิดพลาด ทำงานกับรหัสผลิตภัณฑ์ที่ไม่ระบุชื่อ
2. แท็กเหตุการณ์ เพิ่มวันแคมเปญ วันหยุด และโปรโมชันลงในข้อมูล
3. ลบรูปแบบ ขอให้ AI สรุปแนวโน้ม ฤดูกาล และเหตุการณ์สำคัญ
4. ทดสอบเลย เก็บส่วนสุดท้ายของประวัติศาสตร์ ให้ AI ทำนาย เปรียบเทียบกับความเป็นจริง (MAPE และทิศทางอคติ)
5. สร้างสถานการณ์ ขอคำทำนาย 3 แบบ ได้แก่ ในแง่ร้าย/คาดหวัง/มองโลกในแง่ดี และช่วงความเชื่อมั่นสำหรับแต่ละรายการ
6. ตัวกรองผู้เชี่ยวชาญ AI ไม่ทราบเกี่ยวกับการหยุดชะงักที่กำลังจะเกิดขึ้น (ผลิตภัณฑ์ใหม่ วิกฤติอุปทาน กฎหมาย) เพิ่มด้วยตนเอง แผนสุดท้ายเป็นของคุณ

มินิเคสสามอัน

กรณีที่ 1 — การจับฤดูกาล ผู้จัดจำหน่ายเครื่องดื่มบ่นว่าสินค้าหมดสต๊อกตลอดช่วงฤดูร้อนและมีสินค้าเหลือในฤดูหนาว ผู้วางแผนมอบยอดขายรายวันโดยไม่ระบุตัวตนเป็นเวลา 3 ปีให้กับ YZ และนำฤดูกาลออกออกไป: ความต้องการในเดือนมิถุนายน-สิงหาคมอยู่ที่ 2.4 เท่าของค่าเฉลี่ยฤดูหนาว และการเพิ่มขึ้นอย่างรวดเร็วเริ่มขึ้นในช่วงกลางเดือนพฤษภาคมของทุกปี ตามรูปแบบนี้ เขาตั้งค่าหุ้นฤดูร้อนล่วงหน้า 3 สัปดาห์ สต็อกสินค้าที่ตายแล้วในช่วงฤดูร้อนลดลง 70% สต็อกสินค้าที่ตายแล้วในฤดูหนาวลดลง AI แสดงรูปแบบ; ผู้วางแผนตัดสินใจเรื่องหุ้น

กรณีที่ 2 — มอบผลิตภัณฑ์ใหม่ บริษัทแห่งหนึ่งกำลังจะเปิดตัวผลิตภัณฑ์ใหม่ล่าสุด ไม่มีข้อมูลการขายในอดีต ผู้วางแผนถาม AI ว่า "ความต้องการในช่วง 3 เดือนแรกจะเป็นเท่าใด" เขาถาม AI ​​สร้างตัวเลขที่ดูสมเหตุสมผล แต่ผู้วางแผนรู้ว่าไม่มีมูลความจริง: ไม่มีข้อมูล แต่ AI กลับถามว่า "รูปแบบผลิตภัณฑ์ในช่วง 3 เดือนแรกที่เปิดตัวในกลุ่มที่คล้ายกันในอดีตเป็นอย่างไร" วิเคราะห์และตั้งเป็นช่วงคาดการณ์โดยมีหุ้นเริ่มต้นระมัดระวัง การตัดสินของผู้เชี่ยวชาญได้ลบล้างความเชื่อมั่นที่สมมติขึ้นของ AI

กรณีที่ 3 — การไม่มีสต็อกเป็นกับดักของวันนี้ นักวิเคราะห์สรุปว่าความต้องการผลิตภัณฑ์ลดลง และแนะนำให้ลดสินค้าคงคลังลง เพื่อนร่วมงานอาวุโสของเขาสังเกตเห็นว่าวันที่ขายต่ำในข้อมูลจริงๆ แล้วเป็นวันที่สินค้าหมดสต๊อก ความต้องการไม่ได้ลดลง ไม่มีสินค้าเลย เมื่อข้อมูลได้รับการแก้ไขด้วยบันทึกนี้และมอบให้กับ AI อีกครั้ง พบว่าความต้องการที่แท้จริงเพิ่มขึ้น ข้อมูลที่ทำความสะอาดอย่างไม่เหมาะสมทำให้เกิดการคาดการณ์ที่ไม่ถูกต้อง

เทมเพลตที่สามารถคัดลอกได้สี่แบบ

1) การแยกรูปแบบ:

บทบาทของคุณ: ผู้ช่วยนักวิเคราะห์การวางแผนอุปสงค์ ด้านล่างนี้คือข้อมูลยอดขายรายเดือนของผลิตภัณฑ์ (รหัสที่ไม่ระบุชื่อ: PRODUCT-X) ในช่วง 36 เดือนที่ผ่านมา เดือนของแคมเปญ [รายการเดือน] เดือนที่ไม่มีสต็อก [รายการเดือน] ภารกิจ: สรุป (1) แนวโน้ม (2) รูปแบบตามฤดูกาล (3) เหตุการณ์สำคัญ พิจารณาว่าเดือนที่ไม่มีสต็อกจะซ่อนความต้องการที่แท้จริงไว้ เดือนที่ฉันไม่ได้ให้ข้อมูลถูกประดิษฐ์ขึ้น

2) การทดสอบความแม่นยำ:

ทายผล 6 เดือนล่าสุดโดยใช้ 30 เดือนแรกของ 36 เดือนด้านล่าง จากนั้นเปรียบเทียบการคาดการณ์ของฉันกับข้อมูลจริงในช่วง 6 เดือนที่ผ่านมา คำนวณค่าเบี่ยงเบนและ MAPE รวมในแต่ละเดือน บอกฉันว่าการประมาณการของคุณมีอคติอย่างสม่ำเสมอหรือไม่ แสดงสูตร

3) การคาดการณ์สถานการณ์:

ประมาณความต้องการผลิตภัณฑ์นี้ต่อเดือนของไตรมาสหน้าใน 3 สถานการณ์: ในแง่ร้าย / คาดหวัง / ในแง่ดี ให้ช่วงความเชื่อมั่นสำหรับแต่ละสถานการณ์และจดบันทึกว่าสถานการณ์นั้นอิงตามสมมติฐานใด โปรดทราบว่านี่ไม่ใช่จุดสิ้นสุด แต่เป็นช่วงเวลาในการวางแผน

4) การควบคุมการแตกหัก:

แสดงรายการว่าการคาดการณ์ตามข้อมูลในอดีตที่ฉันให้ไว้อาจถูกยกเลิกเนื่องจากเหตุการณ์ที่กำลังจะเกิดขึ้นต่อไปนี้: [ผลิตภัณฑ์ใหม่ / โปรโมชัน / วิกฤตอุปทาน / การเปลี่ยนแปลงด้านกฎระเบียบ] แนะนำวิธีที่ฉันควรปรับการคาดการณ์ด้วยตนเองสำหรับแต่ละรายการ

พรอมต์อ่อน / พรอมต์แข็งแกร่ง

พรอมต์ที่อ่อนแอ:

เดือนหน้าจะขายได้เท่าไรครับ?

ไม่มีข้อมูล ไม่มีผลิตภัณฑ์ ไม่มีบริบท AI ปฏิเสธหรือสร้างขึ้น ผลลัพธ์ไม่ได้ผล

พรอมต์อันทรงพลัง:

บทบาทของคุณ: ผู้ช่วยวางแผนอุปสงค์ ด้านล่างนี้คือยอดขายของ PRODUCT-X ในช่วง 24 เดือนที่ผ่านมา มีการทำเครื่องหมายเดือนของแคมเปญและเดือนที่ไม่มีสต็อกไว้ ให้การคาดการณ์ในแง่ร้าย/ที่คาดหวัง/ในแง่ดีสำหรับ 3 เดือนข้างหน้า เพิ่มช่วงความเชื่อมั่นให้กับแต่ละรายการ แสดง MAPE เหนือการทดสอบที่ผ่านมา แกล้งทำเป็นว่าฉันมีการตัดสินใจหุ้นขั้นสุดท้าย

แนวทาง

ตี

การจัดการความไม่แน่นอน

ความเสี่ยง

พึ่งเลขตัวเดียว

ทำให้เข้าใจผิด

ไม่มี

สูง — แผนพังทลาย

สถานการณ์ + ช่วง

เหมือนจริง

ดี

ต่ำ

แค่สัญชาตญาณ

ตัวแปร

อ่อนแอ

สูงปานกลาง

เชื่อฟัง AI อย่างสุ่มสี่สุ่มห้า

ตัวแปร

ไม่มี

สูง

ข้อผิดพลาดทั่วไป

• เข้าใจผิดว่าสินค้าหมดในวันที่มีความต้องการต่ำจริงๆ เมื่อสินค้าไม่มี ยอดขายก็ดูต่ำ นี่ไม่ได้หมายความว่าความต้องการลดลง
• ล็อคเป็นเลขเดียว การมองคำทำนายว่าเป็นความจริงสัมบูรณ์คือการเพิกเฉยต่อความไม่แน่นอน ถามถึงระยะและสถานการณ์เสมอ
• ไม่แท็กแคมเปญ โมเดลที่คิดว่าโปรโมชั่นตีกลับ "ปกติ" บิดเบือนอนาคต
• ทำนายผลิตภัณฑ์ใหม่ที่ไม่มีประวัติ จำนวน AI ที่ดูเหมือนปลอดภัยสำหรับผลิตภัณฑ์ที่ไม่มีข้อมูลนั้นไม่มีมูลความจริง
• ปล่อยให้การทำลายเป็นหน้าที่ของ AI AI ไม่ทราบถึงการพังทลายของโครงสร้าง เช่น โรคระบาด วิกฤตอุปทาน และกฎหมาย จะต้องดำเนินการแทรกแซงโดยผู้เชี่ยวชาญ

ข้อควรระวัง: ไม่ว่าการคาดการณ์จะดูดีแค่ไหน ก็ไม่สามารถดีไปกว่าคุณภาพของข้อมูลที่ใช้อ้างอิงได้ "ขยะเข้า ขยะออก" ใช้เวลาส่วนใหญ่ในการทำความสะอาดข้อมูล ส่วนโมเดลจะจัดการส่วนที่เหลือ

โดยสรุป

การคาดการณ์อุปสงค์เป็นกลไกของห่วงโซ่อุปทาน และ AI ก็เป็นผู้ช่วยอันทรงพลังที่ช่วยเร่งกลไกนี้ แต่ AI เรียนรู้จากอดีต ถูกเข้าใจผิดเมื่ออนาคตไม่เหมือนกับอดีต บันทึกแนวโน้มและฤดูกาล แท็กเหตุการณ์ วัดความแม่นยำด้วย MAPE และทิศทางดริฟท์ ตั้งค่าการคาดการณ์เป็นสถานการณ์และช่วง ไม่ใช่ตัวเลขเดียว การตัดสินของผู้เชี่ยวชาญมาก่อนในผลิตภัณฑ์ใหม่และการแตกหักของโครงสร้าง การล้างข้อมูลเป็นรากฐานของทุกสิ่ง แผนสุดท้ายเป็นของคุณ

งานสมัคร

รับข้อมูลการขายในช่วง 12-24 เดือนล่าสุดของผลิตภัณฑ์ใดผลิตภัณฑ์หนึ่งของคุณ (หรือผลิตภัณฑ์สมมุติ) ทำเครื่องหมายแคมเปญและเดือนที่สินค้าหมด ถาม AI สำหรับสามสถานการณ์ด้วยเทมเพลต “การทำนายสถานการณ์” จากนั้นจัดเก็บประวัติบางส่วนด้วยเทมเพลต "การทดสอบความแม่นยำ" และเปรียบเทียบการทำนายกับความเป็นจริง เขียน MAPE ที่คุณพบและสถานการณ์ที่คุณเลือกพร้อมเหตุผลลงใน 5 รายการ ระบุบัฟเฟอร์ความปลอดภัยที่คุณจะเพิ่มด้วย

รายการตรวจสอบ

• [ ] ฉันได้ล้างข้อมูล ทำเครื่องหมายว่าสินค้าหมด และวันแคมเปญแล้วหรือยัง
• [ ] ฉันได้ตรวจสอบการทำนายด้วย MAPE และทิศทางอคติผ่านการทดสอบย้อนหลังหรือไม่
• [ ] ฉันขอสถานการณ์และช่วงความเชื่อมั่นแทนที่จะเป็นตัวเลขตัวเดียวหรือไม่?
• [ ] หากมีผลิตภัณฑ์ใหม่/แตกหัก ฉันได้จัดลำดับความสำคัญของการตัดสินของผู้เชี่ยวชาญหรือไม่?
• [ ] ฉันได้อนุมัติแผนหุ้นขั้นสุดท้ายแล้วหรือยัง?