Прибуток:
- Можливість створити проект прогнозу попиту на основі SKU з підтримкою штучного інтелекту шляхом поєднання історичних даних про продажі, сезонних впливів і зовнішніх факторів.
- Здатність інтерпретувати точність прогнозу (MAPE, упередження) і розрізняти бізнес-наслідки переоцінки та недооцінки
- Можливість стверджувати, що прогноз, створений штучним інтелектом, є прогнозом, а остаточне рішення про замовлення належить менеджеру разом із вартістю запасів і грошовим потоком.
Є дві найдорожчі помилки в роздрібній торгівлі: зберігати занадто багато запасів і дозволяти грошам нудитися на полиці, або не зберігати достатньо запасів і залишати покупця з порожніми руками. Обидва мають те саме джерело: погане прогнозування попиту. У цьому розділі ви дізнаєтесь, як використовувати штучний інтелект як потужного помічника, який передбачає майбутнє на основі минулих продажів. Але скажемо з самого початку: прогноз — це не пророцтво, а ймовірнісний прогноз. AI дає вам число; Ваше завдання — перетворити це число на рішення про замовлення.
Прогнозування попиту: це завдання передбачити, скільки продукту чи категорії буде продано в майбутньому, дивлячись на історичні дані та фактори впливу.
SKU (Stock Keeping Unit): це унікальний код запасу, який зберігається для кожного різного варіанту продукту. Наприклад, «червоні кросівки 42 розміру» є SKU; номер 43 цієї ж моделі є окремим SKU.
Три джерела інформації, які живлять прогноз
Хороший прогноз поєднує в собі три речі:
- Історичні продажі (базова лінія): щотижневі/місячні продажі продукту за останні 12-24 місяці. AI витягує «звичайний» рівень із цієї серії.
- Сезонні та календарні ефекти: канікули, навчальний семестр, літо-зима, вихідні, день зарплати. Наприклад, морозива влітку більше, а шкарпеток взимку.
- Зовнішні фактори: Кампанія, зміна цін, погода, рух конкурентів, відкриття/закриття. Вони підвищують або знижують оцінку.
Порада: не просто кажіть ШІ «Ми продали 100 минулого місяця». Скажіть: «Ми продали 100 штук минулого місяця, але була знижка 20%, і це був святковий тиждень». Без контексту передбачення вводить в оману.
Покрокова генерація прогнозів
- Підготуйте дані: анонімну чисту таблицю: дата, артикул, продана кількість, ціна, акція/без акції, наявність. Позначте дні відсутності на складі; Інакше штучний інтелект вважатиме цей день «низьким попитом».
- Надайте контекст: запишіть сезон, майбутні події, заплановані кампанії.
- Запит прогнозу: запит прогнозу та довірчого інтервалу (найгірший/найкращий сценарій) для певного періоду за SKU або категорією.
- Виміряйте точність: порівняйте ваші минулі прогнози з реальністю (MAPE нижче).
- Перетворіть це на рішення: поєднайте кошторис із страховим запасом і бюджетом і прийміть рішення про замовлення.
Точність прогнозу читання: MAPE та зміщення
MAPE (середня абсолютна відсоткова похибка): показує середнє відсоткове відхилення прогнозів від фактичних продажів. Формула проста: |фактичний − прогноз| для кожного періоду / real - їх середнє значення.
- MAPE 10% → оцінки відхиляються в середньому на 10%, досить добре.
- MAPE 40% → прогнози ненадійні, для прийняття рішення про замовлення потрібен додатковий буфер (страховий запас).
Напрямок (упередженість): чи є ваш прогноз стабільно вищим (ризик надмірних запасів) або нижчим (ризик надмірних запасів) реальності? Подивіться також на це; MAPE не показує напрямок.
Статус
Значення
бізнес результат
Постійно висока оцінка
Ви перебільшуєте попит
Надлишок запасів, крах, втрата маржі
Постійна недооцінка
Ви недооцінюєте попит
Немає в наявності, пропущені продажі, невдоволення
Високий MAPE, збалансований напрямок
Невизначеність висока
Збільште страховий запас, часто переглядайте
Низький MAPE
точне передбачення
Менші запаси, кращі гроші
міні-чохли
Випадок 1 — відсутність сезонності: продуктовий магазин замовляє шкільні зошити на основі розпродажів минулого року в липні (200 одиниць на місяць). Коли штучний інтелект подається в контексті «серпень-вересень шкільний семестр, продажі зросли вчетверо за цей період минулого року», прогноз збільшується до 780 одиниць замість 200. Завдяки правильному порядку у вас не закінчаться запаси протягом навчального року; Орієнтовний оборот у 60 000 TL, який втік минулого року, буде спійманий цього року.
Випадок 2 — не враховуючи день відсутності в наявності: у магазині не було популярної кави протягом 3 тижнів. Переглядаючи необроблені дані, штучний інтелект вважає ці тижні «5 продажів на тиждень» і дає низьку оцінку. Коли аналітик відзначає дні без запасів і каже «ці тижні не відображають попит», прогноз збільшується до 45 на тиждень. З'являється реальний попит.
Випадок 3. Узагальнення ефекту кампанії: текстильна мережа вважає тижневий розпродаж зі знижкою 50% (600 одиниць) як «нормальний» і постійно замовляє 600. Коли штучному інтелекту повідомляють, що «цей розпродаж було здійснено за допомогою одноразової кампанії, нормальний тиждень — 180», прогноз виправляється. Ризик надлишку та подальшої втрати уцінки запобігає.
Горизонт прогнозування: як далеко вперед ви бачите?
Горизонт прогнозу: як далеко в майбутньому робиться прогноз. Правило просте: чим довший горизонт, тим більша невизначеність. Ви відносно точно прогнозуєте продажі наступного тижня; через шість місяців із значно ширшим діапазоном. Тож оберіть прогнозний горизонт відповідно до потреб рішення про замовлення: короткий горизонт і часте оновлення для свіжого продукту, який швидко закінчується; Довший горизонт і ширший запас міцності для імпортованого продукту з тривалим терміном виконання.
Ще однією важливою відмінністю є прогнозування нових продуктів. Минулого продажу нового SKU немає; у цьому випадку ви надаєте ШІ історію подібних продуктів (аналогів), середній показник категорії та план запуску. Сказати «Цей продукт не має історії; дайте початкову оцінку, подивившись на перші 8 тижнів подібних продуктів X і Y» — це розумний спосіб заповнити пропуск. Однак прогнозування нових продуктів завжди ризикованіше; Швидко перегляньте прогноз, коли стануть доступними фактичні дані за перші тижні.
Застереження: не сприймайте кошторис як «зроби це один раз і забудь». Прогнозування попиту є живим процесом; Кожен новий тиждень продажів — це можливість оновити прогноз. Найкращі прогнози — це ті, хто використовує ту модель, яка найчастіше оновлюється, а не найрозумнішу модель.
Слабка підказка / Сильна підказка
Слабка підказка:
Скажіть, скільки буде продаватися цей продукт наступного місяця.
Немає контексту; ШІ створює випадкове число.
Потужна підказка:
Ваша роль: фахівець з планування попиту. Дані. Нижче наведено місячний обсяг продажів і ціну за останні 18 місяців для SKU 4471, а також інформацію про те, чи була кампанія в цьому місяці. Контекст: це літні босоніжки; Пік попиту припадає на травень-серпень. Наступний місяць червень. Кампанія не планується. Ціна фіксована. Завдання: (1) очікуваний обсяг продажів у червні, (2) діапазон найгіршого та найкращого сценаріїв, (3) 2 основні фактори, що впливають на прогноз. Правило: не вважайте місяці, позначені як відсутність на складі, як низький попит. На основі лише наданих даних. Дані: [вставити таблицю]
Шаблони підказок, які можна копіювати
1) Прогноз на основі SKU
Ваша роль: фахівець з планування попиту. Створіть майбутній прогноз [period] для [SKU] на основі наступних анонімних щомісячних продажів. Результат: очікувана кількість + найгірший/найкращий діапазон + 2 припущення. Виключити періоди, позначені відсутніми. Дані: [вставити]
2) Видалення сезонного шаблону
Знайдіть повторювану сезонну модель у серії продажів за 24 місяці нижче. Які місяці найвищі, а які нижні? Укажіть відхилення від середнього у відсотках. Оформіть його у вигляді таблиці. Дані: [вставити]
3) Оцінка точності прогнозу
Нижче мої історичні оцінки та фактичні продажі. (1) Обчислити MAPE, (2) мій прогноз постійно зростає або знижується, (3) що це означає для акцій? Показати крок за кроком. Дані: [оцінка, фактичні стовпці]
4) Витягніть вплив кампанії
Тижні кампанії позначені в серії продажів нижче. Оцінка нормального (не передвиборчого) попиту; Укажіть ефект кампанії як окремий відсоток зростання. Тож я хочу бачити нормальний рівень порядку. Дані: [вставити]
Поширені помилки
- Без контексту: якщо кампанія, сезон, зміна ціни не вказано, прогноз буде оманливим.
- Чи рахувати дні відсутності на складі як попит: період відсутності на складі приховує реальний попит; знак.
- Прийняття акційних розпродажів як звичайного: думка про те, що одноразове збільшення є постійним, призведе до надлишку запасів.
- Покладаючись на одне число: небажання мати діапазон (сценарій) і покладатися на одну точку приховує ризик.
- Точність вимірювання взагалі відсутня: якщо MAPE та напрямок не відстежуються, прогноз стає все гіршим і гіршим.
- Оформлення прямих замовлень з кошторисом: Безготівкове оформлення замовлення, контроль складу та терміну придатності.
Підсумовуючи
Гарне прогнозування поєднує минулі продажі, сезонність і зовнішні фактори. Обов’язково вкажіть AI контекст (кампанія, сезон, дні відсутності в наявності). Відстежуйте точність прогнозу за допомогою MAPE та напряму зміщення; Збільшити запас безпеки в умовах високої невизначеності. Предсказание — передбачення; Остаточне рішення щодо замовлення залишається за вами разом із бюджетом і обмеженнями.
Аплікаційне завдання
Отримайте в анонімній таблиці продажі ваших 5 найпопулярніших SKU за останні 12-18 місяців і позначте періоди відсутності в наявності та періоди кампанії. Створіть майбутній прогноз за допомогою підказки «1) Прогноз на основі SKU», а потім витягніть MAPE своїх попередніх прогнозів за допомогою «3) Оцінка точності прогнозу». Порівняйте результат із власним рішенням щодо замовлення.
контрольний список
- [ ] Я анонімізував і очистив свої дані про продажі.
- [ ] Я позначив періоди відсутності в наявності та кампанії.
- [ ] Я надав ШІ контекст сезону та зовнішніх факторів.
- [ ] Мені потрібен діапазон сценаріїв, а не одне число.
- [ ] Я перевірив MAPE та напрямок повороту.
- [ ] Я прийняв рішення про замовлення на основі бюджету та обмежень.