Прибуток:
- Здатність розуміти поняття часових рядів, трендів, сезонності та впливу кампанії та використовувати штучний інтелект для прогнозування попиту за допомогою правильних запитань і чистих даних.
- Здатність інтерпретувати точність прогнозу (MAPE, відхилення) і невизначеність (довірчий інтервал, сценарії) і базувати планування на діапазоні, а не на одному числі
- Можливість розрізнити, що передбачення штучного інтелекту базується на історичних даних і що експертне судження виходить на перший план у випадках перерв, таких як нові продукти, рекламні акції чи кризи поставок.
Кожне рішення в ланцюжку постачання базується на одному питанні: який попит буде? Чим точніше ви відповісте на це запитання, тим менше акцій у вас є, тим менше акцій ви тримаєтеся осторонь і тим менше грошей ви пов’язуєте. Прогнозування попиту є двигуном ланцюга поставок; Звідси надходять плани запасів, закупівель, виробництва та транспортування. Штучний інтелект є надзвичайно потужним у цій галузі, оскільки він сканує історію тисяч продуктів набагато швидше, ніж людина, і виділяє шаблони. Але джерело його сили також є його межею: ШІ вчиться на минулому; Якщо майбутнє не схоже на минуле, це неправильно. У цьому розділі ми навчимося мови передбачення, точності вимірювання, управління невизначеністю та того, де ШІ повинен здатися вам.
Мова прогнозування: часові ряди, тренд, сезонність
Дані про попит зазвичай являють собою часовий ряд — ряд чисел, упорядкованих за часом, як-от щоденні продажі продукту. Поділ цієї послідовності на три частини є основою передбачення:
Тенденція, довгостроковий напрямок: продажі з року в рік зростають чи зменшуються? Сезонність, регулярно повторювані коливання: влітку продається морозиво, взимку – обігрівач; У п'ятницю та суботу ринок жвавий. Шум, незрозуміле випадкове відтворення. Хороший прогноз вловлює тенденцію та сезонність і не обманюється шумом. На додаток до них накопичуються події: кампанія, акція, державне свято, погода, переїзд конкурента. Коли ви змушуєте ШІ передбачати, ви повинні повідомити йому ці події; Якщо ви не скажете йому, він подумає, що стрибати в день передвиборчої кампанії – це «нормально», і помилятиметься щодо майбутнього.
Порада: надаючи необроблені дані про продажі в AI, позначайте кампанії, свята та дні відсутності в наявності. День без запасів важливий: продажі в цей день здаються низькими, але реальний попит був високим, товарів просто не було. Якщо ви не вкажете це, AI буде недооцінювати фактичний попит.
Точність вимірювання: MAPE та зсув
«Чи хороший прогноз?» Відповідь на запитання випливає з вимірювання, а не від відчуття. Найбільш поширеним показником є MAPE (середня абсолютна відсоткова помилка — на скільки відсотків у середньому прогнози відхиляються від реальності). Якщо MAPE становить 10%, це означає, що ваші прогнози не відповідають дійсному значенню в середньому на 10%; менше MAPE краще. Друга важлива концепція — упередженість: чи ваш прогноз постійно перевищує реальність (створює надлишок запасів) або занижує (залишає недостатність запасів) реальність? Навіть якщо прогноз має низький MAPE, якщо він завжди відхиляється в одному напрямку, існує систематична проблема.
Частину історії штучного інтелекту можна надати як «тренування», а частину — як «тестування» та порівняти його прогноз із реальністю. Це чесний спосіб зміцнити довіру: тестування моделі на даних, які вона не бачить. Передбачення варто застосувати до майбутнього лише в тому випадку, якщо воно виявляється послідовним у минулому.
Застереження: жодне передбачення не є точним на 100%; Не очікується, що це станеться. Мета полягає не в отриманні ідеального єдиного числа, а в керованому діапазоні, знаючи відхилення. Бінарна ідея «передбачення збулося/не спрацювало» неправильна; Правильне запитання: "наскільки він відхилився та скільки буфера я зберіг відповідно?"
Управління невизначеністю: діапазон, а не одне число
Найнебезпечніша звичка планувальника – сприймати прогноз як єдине число. Насправді кожен прогноз має довірчий інтервал, наприклад «попит наступного місяця, швидше за все, буде між 900 і 1100». Чим ширший цей діапазон, тим вища невизначеність. Знання асортименту безпосередньо впливає на ваше рішення щодо запасів: вузький асортимент потребує меншого запасу безпеки, широкий діапазон вимагає більшого буфера.
Тому завжди запитуйте у ШІ сценарії: песимістичний (якщо попит виявиться низьким), очікуваний і оптимістичний (якщо попит виявиться високим). Розглядаючи три сценарії, план базується не на одному припущенні, а на низці можливих можливостей. Це найпрактичніший спосіб вибратися з пастки «заблокованого в одному номері».
Крок за кроком: дослідження прогнозування попиту за допомогою ШІ
- Очистити дані. Позначати відсутні дні, дні відсутності на складі, відкривати помилкові записи; Робота з анонімним кодом товару.
- Додайте теги до подій. Додайте до даних дні кампанії, свята та рекламних днів.
- Відніміть візерунок. Попросіть штучний інтелект узагальнити тенденції, сезонність і значні події.
- Перевірте це. Збережіть останню частину історії, дозвольте штучному інтелекту передбачити, порівняти з реальністю (MAPE і напрямок зміщення).
- Створіть сценарій. Попросіть три прогнози, песимістичні/очікувані/оптимістичні та довірчий інтервал для кожного.
- Експертний фільтр. ШІ не знає про відомі майбутні збої (новий продукт, криза поставок, законодавство); додати їх вручну. Остаточний план за вами.
три міні-чохла
Випадок 1 — Врахування сезонності. Розповсюджувач напоїв скаржився, що протягом літніх місяців у нього постійно не вистачає товарів, а взимку залишаються товари. Планувальник надав YZ 3 роки анонімних щоденних продажів і усунув сезонність: попит у червні-серпні був у 2,4 рази вищий за зимовий середній, а стрибок починався в середині травня кожного року. За цією схемою він створив літній запас на 3 тижні наперед; літній мертвий запас зменшився на 70%, зимовий. ШІ показав шаблон; Планувальник прийняв рішення щодо запасів.
Випадок 2 — Поступитися новому продукту. Компанія збиралася випустити абсолютно новий продукт; Історичних даних про продажі не було. Планувальник запитав ШІ: «Яким буде попит протягом перших 3 місяців?» запитав він. ШІ дав число, яке здавалося розумним, але планувальник знав, що воно необґрунтоване: не було даних. Замість цього AI запитує: «Яка була перша 3-місячна модель продуктів, випущених у подібних сегментах у минулому?» аналізу та встановіть його як діапазон прогнозу з обережним початковим запасом. Експертне судження перевершило фіктивну впевненість ШІ.
Випадок 3 — безакціонерна пастка дня. Аналітик дійшов висновку, що попит на продукт впав, і рекомендував скоротити запаси. Його старший колега помітив, що дні низьких продажів у даних насправді були днями відсутності в наявності: попит не впав, товарів не було. Коли дані були виправлені за допомогою цієї примітки та повторно передані штучному інтелекту, стало видно, що реальний попит зріс. Неправильно очищені дані дають неправильні прогнози.
Чотири шаблони, які можна копіювати
1) Вилучення шаблону:
Ваша роль: помічник аналітика з планування попиту. Нижче наведено місячні дані про продажі продукту (анонімний код: PRODUCT-X) за останні 36 місяців. Місяці кампанії [список місяців], місяці без запасів [список місяців]. Завдання: узагальніть (1) тенденцію, (2) сезонність, (3) помітні події. Візьміть до уваги, що місяці без запасів приховують справжній попит. Місяць, за який я не надав дані, вигаданий.
2) Тест на точність:
Спрогнозуйте останні 6 місяців, використовуючи перші 30 із 36 місяців, наведених нижче. Потім порівняйте мій прогноз із фактичними останніми 6 місяцями; Обчисліть відхилення та загальний MAPE для кожного місяця. Скажіть мені, чи ваша оцінка постійно упереджена. Показати формулу.
3) Сценарний прогноз:
Оцініть місячний попит на цей продукт у наступному кварталі за 3 сценаріями: песимістичний / очікуваний / оптимістичний. Вкажіть довірчий інтервал для кожного сценарію та запишіть, на якому припущенні він ґрунтується. Зауважте, що це не остаточний, а інтервал для планування.
4) Контроль поломки:
Перелічіть, як прогноз, заснований на історичних даних, який я вам надав, може бути недійсним наступними подіями: [новий продукт / реклама / криза поставок / нормативні зміни]. Запропонуйте, як мені вручну налаштувати прогноз для кожного.
Слабка підказка / Сильна підказка
Слабка підказка:
Скільки я продам наступного місяця?
Ні даних, ні продукту, ні контексту. AI або відкидає, або компенсує; жоден результат не працює.
Потужна підказка:
Ваша роль: помічник з планування попиту. Нижче наведено продажі PRODUCT-X за останні 24 місяці; Позначено місяці кампанії та місяці без запасів. Дайте песимістичний/очікуваний/оптимістичний прогноз на наступні 3 місяці, додайте довірчий інтервал до кожного, покажіть MAPE за попередній тест. Уявіть, що я маю остаточне рішення щодо акцій.
Підхід
удар
управління невизначеністю
Ризик
покладатися на єдиний номер
вводить в оману
Жодного
Високий — план руйнується
Сценарій + діапазон
реалістичний
добре
низький
просто інтуїція
змінна
слабкий
середньо-високий
Сліпо підкоряючись ШІ
змінна
Жодного
висока
Поширені помилки
- Помилково прийнявши день відсутності запасів за реальний низький попит. Коли товарів немає, продажі здаються низькими; Це не означає, що попит впав.
- Блокування в одному номері. Бачити передбачення як абсолютну істину означає ігнорувати невизначеність; Завжди запитуйте діапазон і сценарій.
- Кампанію не позначають тегами. Модель, яка вважає відмову від реклами «нормальним», спотворює майбутнє.
- Прогноз на новий продукт без історії. Здавалося б, безпечна кількість ШІ для продукту без даних необґрунтована.
- Залишаючи розбірку ШІ. ШІ не знає структурних порушень, таких як епідемії, кризи постачання та законодавство; Необхідно втручання спеціаліста.
Застереження: незалежно від того, наскільки гарним виглядає прогноз, він не може бути кращим за якість даних, на яких він базується. «Сміття входить, сміття виходить». Витрачайте більшу частину часу на очищення даних; Решту зробить модель.
Підсумовуючи
Прогнозування попиту є двигуном ланцюжка поставок, а ШІ є потужним помічником, який прискорює цей механізм. Але ШІ вчиться на минулому; помиляється, коли майбутнє не схоже на минуле. Фіксуйте тренд і сезонність, позначайте події, вимірювайте точність за допомогою MAPE і напрямок дрейфу, налаштовуйте прогноз як сценарій і діапазон, а не окреме число. Експертна оцінка на першому місці в нових продуктах і структурних зламах. Очищення даних є основою всього; Остаточний план за вами.
Аплікаційне завдання
Отримайте дані про продажі за останні 12-24 місяці одного з ваших власних продуктів (або гіпотетичного продукту), позначте кампанію та місяці відсутності в наявності. Попросіть AI три сценарії за допомогою шаблону «прогноз сценарію». Потім збережіть частину історії за допомогою шаблону «Тест на точність» і порівняйте передбачення з реальністю. Запишіть MAPE, який ви знайшли, і сценарій, який ви вибрали, разом із його причиною в 5 пунктах; Також вкажіть, який буфер безпеки ви додасте.
контрольний список
- [ ] Я очистив дані, позначив дні відсутності в наявності та кампанії?
- [ ] Чи перевірив я прогноз за допомогою MAPE та напряму зсуву за допомогою ретестування?
- [ ] Чи запитував я сценарій і довірчий інтервал замість одного числа?
- [ ] Якщо є новий продукт/поломка, чи я віддаю перевагу експертній оцінці?
- [ ] Чи затверджував я остаточний план запасів?