Mga nadagdag:
- Kakayahang maunawaan ang mga konsepto ng time series, trend, seasonality at epekto ng campaign at gumamit ng artificial intelligence para sa pagtataya ng demand na may mga tamang tanong at malinis na data.
- Kakayahang bigyang-kahulugan ang katumpakan ng hula (MAPE, deviation) at kawalan ng katiyakan (confidence interval, scenario) at magbase ng pagpaplano sa isang hanay sa halip na isang numero
- Ang kakayahang matukoy na ang hula ng artificial intelligence ay batay sa makasaysayang data at ang paghuhusga ng eksperto ay nauuna sa mga kaso ng mga break gaya ng mga bagong produkto, promosyon o krisis sa supply.
Ang bawat desisyon sa supply chain ay nakabatay sa isang tanong: magkano ang demand? Kung mas tumpak mong sinasagot ang tanong na ito, mas kaunting stock ang hawak mo, mas kaunting stock ang naiwan mo, at mas kaunting pera ang iyong itinatali. Ang pagtataya ng demand ay ang makina ng supply chain; Ang stock, pagbili, produksyon at mga plano sa transportasyon ay lahat ay pinapakain mula dito. Napakalakas ng artificial intelligence sa larangang ito dahil sinusuri nito ang kasaysayan ng libu-libong produkto nang mas mabilis kaysa sa tao at kumukuha ng mga pattern. Ngunit ang pinagmumulan ng kapangyarihan nito ay ang limitasyon din nito: Natututo ang AI mula sa nakaraan; Kung ang hinaharap ay hindi katulad ng nakaraan, ito ay mali. Sa unit na ito, matututunan natin ang wika ng hula, pagsukat ng katumpakan, pamamahala ng kawalan ng katiyakan, at kung saan dapat sumuko ang AI sa iyo.
Wika ng pagtataya: time series, trend, seasonality
Ang data ng demand ay karaniwang isang serye ng oras — isang serye ng mga numero na inayos ayon sa oras, gaya ng bawat araw na benta ng isang produkto. Ang paghahati sa sequence na ito sa tatlong bahagi ay ang batayan ng hula:
Trend, pangmatagalang direksyon: tumataas o bumababa ba ang mga benta taun-taon? Pana-panahon, regular na umuulit na pagbabagu-bago: ice cream ay nagbebenta sa tag-araw, ang heater ay nagbebenta sa taglamig; Busy ang palengke tuwing Biyernes at Sabado. Ingay, unexplained random playing. Ang isang magandang hula ay kumukuha ng trend at seasonality at hindi nalinlang ng ingay. Sa itaas ng mga ito, nakatambak ang mga kaganapan: kampanya, promosyon, pampublikong holiday, lagay ng panahon, paglipat ng kakumpitensya. Kapag ginawa mong hulaan ng AI, kailangan mong sabihin dito ang mga kaganapang ito; Kung hindi mo sasabihin sa kanya, iisipin niya na ang pagtalon sa araw ng kampanya ay "normal" at magkakamali sa hinaharap.
Tip: Kapag nagbibigay ng raw na data ng benta sa AI, markahan ang mga campaign, holiday at out-of-stock na araw. Ang araw na walang stock ay mahalaga: ang mga benta ay mukhang mababa sa araw na iyon, ngunit ang tunay na demand ay mataas, wala lamang mga produkto na magagamit. Kung hindi mo ito tukuyin, maliitin ng AI ang aktwal na pangangailangan.
Pagsukat ng katumpakan: MAPE at bias
"Maganda ba ang forecast?" Ang sagot sa tanong ay nagmumula sa pagsukat, hindi sa pakiramdam. Ang pinakakaraniwang tagapagpahiwatig ay MAPE (Mean Absolute Percent Error — kung gaano karaming porsyento ng mga puntos sa karaniwan ang nalilihis ng mga hula sa katotohanan). Kung ang MAPE ay 10%, nangangahulugan ito na ang iyong mga hula ay nawawala ang tunay na halaga sa average na 10%; mas maganda ang lower MAPE. Ang pangalawang mahalagang konsepto ay bias: ang iyong hula ba ay pare-pareho sa itaas (gumagawa ng overstock) o understocking (nag-iiwan ng understock) katotohanan? Kahit na ang isang forecast ay may mababang MAPE, kung ito ay palaging lumilihis sa parehong direksyon, mayroong isang sistematikong problema.
Maaari mong bigyan ang AI na bahagi ng kasaysayan bilang "pagsasanay" at bahagi nito bilang "pagsubok" at ihambing ang hula nito sa katotohanan. Ito ang tapat na paraan upang bumuo ng tiwala: pagsubok sa modelo sa data na hindi nito nakita. Ang isang hula ay nagkakahalaga lamang na ilapat sa hinaharap kung ito ay napatunayang pare-pareho sa nakaraan.
Mag-ingat: Walang hula na 100% tumpak; Hindi ito inaasahan na mangyayari. Ang layunin ay hindi upang makabuo ng isang perpektong solong numero ngunit isang napapamahalaang hanay, alam ang paglihis. Ang binary na ideya ng "ang hula ay nagkatotoo/hindi ito gumana" ay mali; Ang tamang tanong ay "gaano ito lumihis at gaano karaming buffer ang napanatili ko nang naaayon?"
Pamamahala ng kawalan ng katiyakan: saklaw, hindi isang numero
Ang pinaka-mapanganib na ugali ng tagaplano ay ituring ang hula bilang isang hard number. Sa totoo lang, ang bawat hula ay may agwat ng kumpiyansa — tulad ng "ang demand sa susunod na buwan ay malamang sa pagitan ng 900 at 1,100." Kung mas malawak ang saklaw na ito, mas mataas ang kawalan ng katiyakan. Ang pag-alam sa hanay ay direktang nakakaapekto sa iyong desisyon sa stock: ang makitid na hanay ay nangangailangan ng mas kaunting stock na pangkaligtasan, ang malawak na hanay ay nangangailangan ng mas maraming buffer.
Kaya laging tanungin ang AI para sa mga senaryo: pessimistic (kung mababa ang demand), inaasahan at optimistiko (kung mataas ang demand). Nakakakita ng tatlong mga sitwasyon, ang plano ay hindi nakabatay sa isang palagay kundi sa isang hanay ng mga posibleng posibilidad. Ito ang pinakapraktikal na paraan para makaalis sa bitag na "naka-lock sa solong numero".
Hakbang-hakbang: Pag-aaral sa pagtataya ng demand gamit ang AI
- I-clear ang data. Markahan ang mga nawawalang araw, out-of-stock na araw, buksan ang mga maling talaan; Makipagtulungan sa anonymous na code ng produkto.
- I-tag ang mga kaganapan. Magdagdag ng mga araw ng campaign, holiday at promosyon sa data.
- Ibawas ang pattern. Hilingin sa AI na ibuod ang mga trend, seasonality, at mga kapansin-pansing kaganapan.
- Subukan ito. Itabi ang huling bahagi ng kasaysayan, hayaan ang AI na hulaan, ihambing sa katotohanan (MAPE at bias na direksyon).
- Gumawa ng senaryo. Humingi ng tatlong hula, pessimistic/expected/optimistic, at ang confidence interval para sa bawat isa.
- Ekspertong filter. Hindi alam ng AI ang tungkol sa mga kilalang paparating na pagkagambala (bagong produkto, krisis sa supply, batas); idagdag ang mga ito nang manu-mano. Ang huling plano ay sa iyo.
tatlong mini case
Case 1 — Pagkuha ng seasonality. Nagrereklamo ang isang distributor ng inumin na palagi siyang walang stock sa mga buwan ng tag-araw at naiwan sa mga paninda sa taglamig. Nagbigay ang tagaplano ng 3 taon ng hindi kilalang pang-araw-araw na benta sa YZ at inalis ang seasonality: Ang demand ng Hunyo-Agosto ay 2.4 beses sa average ng taglamig, at nagsimula ang pagtalon sa kalagitnaan ng Mayo bawat taon. Ayon sa pattern na ito, na-set up niya ang kanyang stock sa tag-init 3 linggo nang maaga; Ang mga patay na stock ng tag-init ay nabawasan ng 70%, ang mga patay na stock sa taglamig ay nahulog. Ipinakita ng AI ang pattern; Ang tagaplano ay gumawa ng desisyon sa stock.
Kaso 2 — Pagbigay sa bagong produkto. Ang isang kumpanya ay maglulunsad ng isang bagong produkto; Walang dating data ng benta. Tinanong ng planner ang AI, "Ano ang magiging demand sa unang 3 buwan?" tanong niya. Ang AI ay gumawa ng isang numero na tila makatwiran — ngunit alam ng tagaplano na ito ay walang batayan: walang data. Sa halip, itatanong ng AI "Ano ang unang 3-buwang pattern ng mga produkto na inilabas sa mga katulad na segment noong nakaraan?" pagsusuri at i-set up ito bilang hanay ng pagtataya, na may maingat na panimulang stock. Inalis ng ekspertong paghuhusga ang kathang-isip na kumpiyansa ng AI.
Case 3 — Stockless ang bitag ng araw. Napagpasyahan ng isang analyst na ang demand para sa isang produkto ay bumagsak at nagrekomenda ng pagbabawas ng imbentaryo. Napansin ng kanyang senior na kasamahan na ang mababang mga araw ng pagbebenta sa data ay talagang out-of-stock na araw: hindi bumaba ang demand, walang mga kalakal. Kapag ang data ay naitama sa tala na ito at muling ibinigay sa AI, nakita na ang tunay na demand ay tumaas. Ang hindi wastong nalinis na data ay gumagawa ng mga maling hula.
Apat na maaaring kopyahin na mga template
1) Pagkuha ng pattern:
Ang iyong tungkulin: assistant demand planning analyst. Nasa ibaba ang buwanang data ng benta ng isang produkto (anonymous na code: PRODUCT-X) para sa huling 36 na buwan. Mga buwan ng kampanya [listahan ng buwan], buwan na walang stock [listahan ng buwan]. Gawain: Ibuod (1) ang uso, (2) ang pamanahong pattern, (3) ang mga kapansin-pansing pangyayari. Isaalang-alang na ang mga buwan na walang stock ay nagtatago ng totoong demand. Ang buwan kung saan hindi ako nagbigay ng data ay gawa-gawa.
2) Pagsusuri sa katumpakan:
Hulaan ang huling 6 na buwan gamit ang unang 30 sa 36 na buwan sa ibaba. Pagkatapos ay ihambing ang aking hula sa aktwal na huling 6 na buwan; Kalkulahin ang deviation at kabuuang MAPE para sa bawat buwan. Sabihin sa akin kung ang iyong pagtatantya ay palaging may kinikilingan. Ipakita ang formula.
3) Pagtataya ng senaryo:
Tantyahin ang buwanang pangangailangan ng susunod na quarter para sa produktong ito sa 3 sitwasyon: pessimistic / inaasahan / optimistic. Magbigay ng agwat ng kumpiyansa para sa bawat senaryo at isulat kung saang palagay ito batay. Tandaan na hindi ito depinitibo ngunit isang agwat para sa pagpaplano.
4) Kontrol sa pagkasira:
Ilista kung paano maaaring mapawalang-bisa ang hula batay sa makasaysayang data na ibinigay ko sa iyo ng mga sumusunod na paparating na kaganapan: [bagong produkto / promosyon / krisis sa suplay / pagbabago sa regulasyon]. Magmungkahi kung paano ko dapat manu-manong ayusin ang hula para sa bawat isa.
Mahinang prompt / Malakas na prompt
Mahinang prompt:
Magkano ang ibebenta ko sa susunod na buwan?
Walang data, walang produkto, walang konteksto. Alinman sa pagtanggi o bumubuo ng AI; hindi gumagana ang resulta.
Napakahusay na prompt:
Ang iyong tungkulin: demand planning assistant. Nasa ibaba ang mga benta ng PRODUCT-X sa nakalipas na 24 na buwan; Ang mga buwan ng kampanya at mga buwan na walang stock ay minarkahan. Magbigay ng pessimistic/expected/optimistic forecast para sa susunod na 3 buwan, magdagdag ng confidence interval sa bawat isa, ipakita ang MAPE sa nakaraang pagsubok. Magpanggap na ako ang may huling desisyon sa stock.
Diskarte
tamaan
pamamahala ng kawalan ng katiyakan
Panganib
umasa sa isang numero
nakaliligaw
wala
Mataas - gumuho ang plano
Scenario + saklaw
makatotohanan
mabuti
mababa
intuition lang
Variable
mahina
katamtaman-mataas
Bulag na pagsunod sa AI
Variable
wala
mataas
Mga karaniwang pagkakamali
- Napagkakamalang araw ng stock-out para sa tunay na mababang demand. Kapag hindi available ang mga kalakal, mukhang mababa ang benta; Hindi ito nangangahulugan na bumaba ang demand.
- Pag-lock sa isang solong numero. Upang makita ang hula bilang isang ganap na katotohanan ay hindi pansinin ang kawalan ng katiyakan; Palaging humingi ng saklaw at senaryo.
- Hindi tina-tag ang campaign. Ang modelong sa tingin ng promotional bounce ay "normal" ang nakakasira sa hinaharap.
- Paghula sa bagong produkto na walang kasaysayan. Ang tila ligtas na bilang ng AI para sa produkto na walang data ay walang batayan.
- Iniiwan ang breaking sa AI. Hindi alam ng AI ang mga structural break gaya ng mga epidemya, krisis sa supply, at batas; Dapat gawin ang interbensyon ng eksperto.
Babala: Gaano man kaganda ang hitsura ng isang hula, hindi ito maaaring maging mas mahusay kaysa sa kalidad ng data kung saan ito nakabatay. "Basura sa loob, basura sa labas." Gumugol ng karamihan sa iyong oras sa paglilinis ng data; Ginagawa ng bahagi ng modelo ang natitira.
Sa buod
Ang pagtataya ng demand ay ang makina ng supply chain, at ang AI ay isang makapangyarihang katulong na nagpapabilis sa makinang ito. Ngunit natututo ang AI mula sa nakaraan; ay nagkakamali kapag ang hinaharap ay hindi katulad ng nakaraan. Kunin ang trend at seasonality, tag ng mga kaganapan, sukatin ang katumpakan gamit ang MAPE at drift na direksyon, i-set up ang hula bilang senaryo at saklaw, hindi isang numero. Nauuna ang paghuhusga ng eksperto sa mga bagong produkto at mga structural break. Ang paglilinis ng data ay ang pundasyon ng lahat; Ang huling plano ay sa iyo.
Gawain ng aplikasyon
Kumuha ng data ng mga benta para sa huling 12-24 na buwan ng isa sa iyong sariling mga produkto (o isang hypothetical na produkto), markahan ang kampanya at mga buwan na walang stock. Magtanong sa AI ng tatlong senaryo na may template na "scenario prediction". Pagkatapos ay iimbak ang ilan sa kasaysayan gamit ang template na "Pagsusuri sa katumpakan" at ihambing ang hula sa katotohanan. Isulat ang MAPE na iyong natagpuan at ang senaryo na iyong pinili, kasama ang dahilan nito, sa 5 aytem; Tukuyin din kung aling buffer ng seguridad ang iyong idaragdag.
checklist
- [ ] Na-clear ko na ba ang data, namarkahan na out-of-stock at mga araw ng campaign?
- [ ] Na-validate ko ba ang hula gamit ang MAPE at bias na direksyon sa pamamagitan ng backtesting?
- [ ] Humingi ba ako ng scenario at confidence interval sa halip na isang numero?
- [ ] Kung may bagong produkto / nasira, inuuna ko ba ang paghuhusga ng eksperto?
- [ ] Isinailalim ko ba ang huling stock plan sa sarili kong pag-apruba?