Прибуток:
- Здатність розрізняти методи прогнозування попиту (ковзне середнє, експоненціальне згладжування, сезонність)
- Можливість налаштовувати сценарії прогнозування за допомогою ШІ та оцінювати точність за допомогою таких показників, як MAPE/MAE
- Можливість перехресної перевірки результатів прогнозу з бізнес-контекстом і рекламними/сезонними ефектами
Прогнозування попиту є основою, на якій базується планування виробництва, управління запасами та весь ланцюг поставок. Неправильний прогноз коштує дорого в обох випадках: завищення створює витрати на запаси та втрати, заниження призводить до втрати продажів і незадоволення клієнтів. Штучний інтелект допомагає в багатьох місцях у процесі прогнозування, від вибору методу до інтерпретації історичних даних і створення сценаріїв; Але розглядати прогноз як «чарівну кришталеву кулю» — найбільша помилка. У цьому розділі ми розглянемо класичні методи прогнозування, як їх правильно побудувати за допомогою ШІ та як виміряти точність.
Коротка карта методів прогнозування
Не кожна серія вимог поводиться однаково; Деякі є плоскими, деякі мають тенденції, деякі є сезонними. Вибирати спосіб необхідно відповідно до серії.
метод
Коли це доречно?
Увага
Naive (останнє значення)
Для порівняння (бенчмарк)
Не відповідає тренду/сезону
ковзне середнє
Статичний, галасливий серіал
Пізно реагує на тренд
Експоненціальне згладжування (SES)
Стаціонарні ряди, акцент на найближчі дані
Добре, якщо тенденції немає
Холт (подвійна експонента)
Модна серія
Не вловлює сезон
Холт-Уінтерс
Тренд + сезонність
Потрібні достатні історичні дані
Регресія/ML
Багатоваріантність, ефективне просування
Ризик перевантаження
Порада: завжди починайте з «наївної» здогадки. Якщо ваша складна модель не краща за наївну здогадку, не варто нести цю складність. Naive — це безкоштовний тест для вимірювання точності.
Як ми вимірюємо точність? (Показники)
Точність передбачення неможливо підвищити без його вимірювання. Найпоширеніші показники:
- MAE (середня абсолютна похибка): середнє абсолютне значення похибок. Одиниця така ж, як одиниця попиту.
- RMSE (середньоквадратична помилка): більше штрафує великі помилки.
- MAPE (середня абсолютна відсоткова похибка): у відсотках; Хороший для порівняння між товарами, але спотворений, коли попит близький до нуля.
- Зміщення: середня помилка; Вказує на те, чи постійно ви переоцінюєте/недооцінюєте.
Невеликий зразок рахунку. Нехай фактичний попит буде [100, 120, 90], прогноз буде [110, 115, 100]:
Помилки (фактичні - прогноз): -10, +5, -10 Абсолютні похибки: 10, 5, 10 → MAE = 25 / 3 ≈ 8,33 Помилки у відсотках: 10/100, 5/120, 10/90 = 10%, 4,17%, 11,11% MAPE = (10 + 4,17 + 11.11) / 3 ≈ 8,43% Зміщення = (-10 + 5 - 10) / 3 = -5 → переоцінка в середньому (прогноз > фактичний)
Негативне зміщення (справжня мінус оцінка) вказує на те, що оцінка постійно завищена; Це означає інфляцію запасів. Такі помилки спрямованості можуть бути приховані в MAPE, тому вони розглядаються разом.
Побудова процесу прогнозування за допомогою ШІ
ШІ можна використовувати найефективніше у двох місцях: (1) для перегляду даних і пропозиції відповідного методу та дій, які необхідно виконати, і (2) для створення прогнозного коду. Для пропозиції методу:
Посада: Ви промисловий інженер, який має досвід прогнозування попиту. Завдання: Вивчіть місячний ряд продажів нижче та порекомендуйте відповідний метод прогнозування. Оцініть, чи є тренд і сезонність, напишіть своє обґрунтування. Дані (щомісяця, останні 24 місяці): {{ values }}Додаткова інформація: у грудні діє акція, в літні місяці попит знижується. Результат, який я хочу: 1. Прокоментуйте характер серіалу (стабільний/трендовий/сезонний).2. 2 рекомендовані методи і чому.3. Яку метрику точності слід відстежувати?4. Підводні камені, яких я повинен стежити (випадок, рекламний ефект). Правило: не обіцяйте абсолютну точність, не побачивши даних.
Слабка підказка / Сильна підказка
Слабка підказка:
Скільки я продам наступного місяця?
Це не містить ні даних, ні контексту; ШІ або відхиляє його, або повертає повністю вигадане число. Такий вихід небезпечний, оскільки виглядає надійним.
Потужна підказка:
Спрогнозуйте наступні 3 місяці, використовуючи логіку Холта-Вінтерса за допомогою цього 24-місячного ряду. Тривалість сезону становить 12. Спочатку запишіть припущення методу, потім дайте прогноз, а потім обчисліть MAPE шляхом тестування останніх 6 місяців. Місяці акції позначте окремо. Дані: {{ ... }}
У другому запиті запитується як про прогноз, так і про те, наскільки впевнено можна довіряти цьому прогнозу (ретроспективне тестування). Це перетворює прогноз із «оракула» на вимірюваний інструмент.
Ретротестування: міра впевненості в прогнозі
Справжня перевірка передбачення в минулому, а не в майбутньому. Ви розділяєте дані, які у вас є, на дві частини: створення моделі (навчання) і тестування. Ви будуєте модель з першої частини, прогнозуєте наступний період і порівнюєте його з реальністю. Ця логіка «затримки» показує, чи модель насправді працює чи ні.
Налаштуйте простий план ретестування для наступної серії: відкладіть останні 6 місяців як тестування, навчіть 3 різні методи (наивний, SES, Holt-Winters) з даними, що залишилися, обчисліть MAPE та зміщення для кожного протягом періоду тестування та створіть порівняльну таблицю. Напишіть переможний метод і обґрунтування.
Обережно: інколи штучний інтелект може «передбачити» результати тестування та представити вам готову діаграму; тобто він може складати числа, які здаються розумними, фактично не обчислюючи їх. Обов’язково відтворюйте числові результати за допомогою коду (Python/Excel). Мовна модель не виконує довгу арифметику надійно.
Міні-кейс: надмірна кількість сезонного товару
Компанія, що займається дистрибуцією продуктів харчування, скаржиться на надто великий запас сезонного продукту, наприклад морозива, щороку взимку. Промисловий інженер Еліф надає 3-річні щомісячні дані ШІ та просить його оцінити характер серіалу. Холт-Вінтерс припускає, що штучний інтелект виявляє сильну сезонність (літній пік) і незначну річну тенденцію зростання. Еліф генерує прогноз у Python і перевіряє його: MAPE становить 14%, але упередження значно негативне — модель постійно завищує прогнози. Коли він досліджує причину, він виявляє, що помилково сприйняв період кампанії в історичних даних як «нормальний» і навчив моделі занадто високої бази. Коли ми видаляємо ефект кампанії та перебудовуємо модель, зміщення зменшується, а зимовий запас значно зменшується. Урок: штучний інтелект запропонував метод правильно, але очищати дані та інтерпретувати зміщення належало людині.
Поширені помилки
- Без відстеження показників: оцінка та ніколи не вимірювання точності. Прогноз без вимірювання неможливо покращити.
- Просто дивлячись на MAPE: ігнорування упередженості. Спрямована (систематична) помилка тихо роздуває інвентар.
- Помилка чисел, складених штучним інтелектом для обчислень: відсутність перевірки попередніх тестів і значень показників за допомогою коду.
- Не прибирання викиду/просування: одноразову кампанію сприймати як звичайний попит і навчати цьому модель.
- Overfit: Коли складна модель ідеально відповідає минулому, але погано працює в майбутньому. Зберігайте просту модель як еталон.
Підсумовуючи
- Обрати метод прогнозу відповідно до характеру ряду (стаціонарний, тенденційний, сезонний); Завжди починайте з порівняння себе з наївним.
- Вимірюйте точність за допомогою MAE/RMSE/MAPE, але також відстежуйте похибку: похибка спрямованості є найдорожчою.
- Використовуйте штучний інтелект для рекомендацій методів і створення коду; Налаштуйте прогноз як інструмент, який можна виміряти, а не як «пророцтво».
- Бекстестування — це справжнє випробування того, наскільки впевненою може бути модель; Обов’язково перевіряйте чисельні результати кодом.
- Робота людини — очистити дані (викиди, підвищення) та інтерпретувати результат; ШІ пропускає ці кроки.
Аплікаційне завдання
Мати принаймні 18-24 серіали попиту (реальна або реалістична фантастика). По-перше, дайте AI серію та попросіть його інтерпретувати її характер (тенденцію/сезонність) і запропонувати два методи. Потім скористайтеся потужною підказкою «план перевірки минулого періоду», щоб зарезервувати останні 6 періодів як тести та порівняти принаймні два методи. Критичний крок: самостійно перерахуйте значення MAPE і зміщення, які повертає штучний інтелект за допомогою Excel або Python, і порівняйте їх із виходом штучного інтелекту. Якщо ви знайшли число, яке не збігається, запишіть його. Нарешті, інтерпретуйте ознаку зміщення: ваша модель переоцінює чи занижує, і що це робить для вашого інвентарю?