فائدہ:
- طلب کی پیشن گوئی کے طریقوں میں فرق کرنے کی صلاحیت (موونگ ایوریج، ایکسپونیشنل ہموار، موسمی)
- AI کے ساتھ پیشین گوئی کے منظرنامے ترتیب دینے اور MAPE/MAE جیسے میٹرکس کے ساتھ درستگی کا جائزہ لینے کی اہلیت
- کاروباری سیاق و سباق اور پروموشنل/موسمی اثرات کے ساتھ پیشن گوئی کے آؤٹ پٹ کو کراس چیک کرنے کی صلاحیت
ڈیمانڈ کی پیشن گوئی وہ بنیاد ہے جس پر پیداوار کی منصوبہ بندی، انوینٹری مینجمنٹ اور پوری سپلائی چین کی بنیاد رکھی جاتی ہے۔ غلط پیشن گوئی دونوں طریقوں سے مہنگی ہوتی ہے: حد سے زیادہ تخمینہ لگانا انوینٹری کی لاگت اور ضیاع پیدا کرتا ہے، کم اندازہ لگانا فروخت میں کمی اور گاہک کے عدم اطمینان کا باعث بنتا ہے۔ مصنوعی ذہانت پیشین گوئی کے عمل میں بہت سی جگہوں پر مدد کرتی ہے، طریقہ منتخب کرنے سے لے کر تاریخی ڈیٹا کی تشریح اور منظرنامے تیار کرنے تک؛ لیکن پیشن گوئی کو "جادو کی کرسٹل بال" کے طور پر دیکھنا سب سے بڑی غلطی ہے۔ اس یونٹ میں، ہم کلاسیکی پیشن گوئی کے طریقوں کا احاطہ کریں گے، انہیں AI کے ساتھ صحیح طریقے سے کیسے بنایا جائے، اور درستگی کی پیمائش کیسے کی جائے۔
پیشن گوئی کے طریقوں کا مختصر نقشہ
مطالبات کا ہر سلسلہ ایک جیسا نہیں ہوتا۔ کچھ فلیٹ ہیں، کچھ رجحانات ہیں، کچھ موسمی ہیں۔ سیریز کے مطابق طریقہ کا انتخاب کرنا ضروری ہے۔
طریقہ
یہ کب مناسب ہے؟
توجہ
بولی (آخری قدر)
موازنہ کے لیے (بینچ مارک)
رجحان/سیزن کی پیروی نہیں کرتا ہے۔
حرکت پذیری اوسط
جامد، شور والا سلسلہ
رجحان پر دیر سے ردعمل ظاہر کرتا ہے۔
ایکسپونیشنل اسموتھنگ (SES)
اسٹیشنری سیریز، قریبی ڈیٹا پر زور
اگر کوئی رجحان نہیں ہے تو اچھا ہے۔
ہولٹ (ڈبل ایکسپونیشنل)
جدید سیریز
موسم نہیں پکڑتا
ہولٹ ونٹرس
رجحان + موسمی
کافی تاریخی ڈیٹا کی ضرورت ہے۔
رجعت/ایم ایل
کثیر متغیر، پروموشن موثر
زیادہ فٹ ہونے کا خطرہ
مشورہ: ہمیشہ "بے ہودہ" اندازے کے ساتھ شروع کریں۔ اگر آپ کا پیچیدہ ماڈل سادہ انداز سے بہتر نہیں ہے، تو یہ پیچیدگی کو برداشت کرنے کے قابل نہیں ہے۔ Naive درستگی کی پیمائش کے لیے ایک مفت بینچ مارک ہے۔
ہم درستگی کی پیمائش کیسے کرتے ہیں؟ (میٹرکس)
پیشین گوئی کی درستگی کو ماپے بغیر بہتر نہیں کیا جا سکتا۔ سب سے عام میٹرکس:
- MAE (مطلب مطلق غلطی): غلطیوں کی مطلق قدر کی اوسط۔ یونٹ مانگ یونٹ کے طور پر ایک ہی ہے.
- RMSE (Rot Mean Square Error): بڑی غلطیوں کو مزید سزا دیتا ہے۔
- MAPE (مطلب مطلق فیصد خرابی): فیصد میں؛ آئٹمز کے درمیان موازنہ کے لیے اچھا ہے، لیکن جب ڈیمانڈ صفر کے قریب ہو تو اسے بگاڑ دیا جاتا ہے۔
- تعصب: اوسط غلطی؛ اس بات کی نشاندہی کرتا ہے کہ آیا آپ مسلسل زیادہ/کم سمجھتے ہیں۔
ایک چھوٹا سا نمونہ اکاؤنٹ۔ اصل مانگ [100، 120، 90]، پیشین گوئی [110، 115، 100] ہونے دیں:
غلطیاں (حقیقی - پیشن گوئی): -10, +5, -10 مطلق غلطیاں: 10, 5, 10 → MAE = 25 / 3 ≈ 8.33 فیصد کی خرابیاں: 10/100, 5/120, 10/90 = 10%, 17%, 14MA (+17%) 4.17 + 11.11) / 3 ≈ 8.43%Bias = (-10 + 5 - 10) / 3 = -5 → اوسط سے زیادہ تخمینہ (پیش گوئی > اصل)
منفی تعصب (حقیقی مائنس تخمینہ) اس بات کی نشاندہی کرتا ہے کہ تخمینہ لگاتار حد سے زیادہ ہے؛ اس کا مطلب ہے انوینٹری افراط زر۔ اس طرح کی دشاتمک غلطیاں MAPE میں چھپائی جا سکتی ہیں، اس لیے انہیں ایک ساتھ دیکھا جاتا ہے۔
AI کے ساتھ پیشن گوئی کے عمل کی تعمیر
آپ AI کو دو جگہوں پر سب سے زیادہ مؤثر طریقے سے استعمال کر سکتے ہیں: (1) ڈیٹا کو دیکھنے اور مناسب طریقہ کار اور اقدامات کی تجویز کرنے کے لیے، اور (2) پیشین گوئی کوڈ بنانے کے لیے۔ طریقہ تجویز کے لیے:
کردار: آپ ایک صنعتی انجینئر ہیں جو ڈیمانڈ کی پیشن گوئی میں تجربہ کار ہیں۔ ٹاسک: ذیل میں ماہانہ سیلز سیریز کا جائزہ لیں اور پیشن گوئی کے مناسب طریقے کی تجویز کریں۔ اندازہ کریں کہ کیا کوئی رجحان اور موسم ہے، اپنا جواز لکھیں۔ ڈیٹا (ماہانہ، آخری 24 ماہ): {{ values}} اضافی معلومات: دسمبر میں پروموشن ہے، گرمیوں کے مہینوں میں ڈیمانڈ کم ہو جاتی ہے۔ آؤٹ پٹ جو میں چاہتا ہوں: 1۔ سیریز کے کردار پر تبصرہ (مستحکم/رجحان/موسمی)۔2۔ 2 تجویز کردہ طریقے اور کیوں۔3۔ مجھے کس درستگی کا میٹرک ٹریک کرنا چاہیے؟4۔ نقصانات جن کے بارے میں مجھے دھیان رکھنا چاہیے (آؤٹلیر، پروموشنل اثر)۔ اصول: ڈیٹا کو دیکھے بغیر قطعی درستگی کا وعدہ نہ کریں۔
کمزور پرامپٹ / مضبوط اشارہ
کمزور اشارہ:
میں اگلے مہینے کتنے میں فروخت کروں گا؟
اس میں نہ تو ڈیٹا ہے اور نہ ہی سیاق و سباق؛ AI یا تو اسے مسترد کر دیتا ہے یا مکمل طور پر بنایا ہوا نمبر واپس کر دیتا ہے۔ اس طرح کی پیداوار خطرناک ہے کیونکہ یہ قابل اعتماد معلوم ہوتی ہے۔
طاقتور اشارہ:
اس 24 ماہ کی سیریز کے ساتھ Holt-winters منطق کا استعمال کرتے ہوئے اگلے 3 مہینوں کی پیش گوئی کریں۔ سیزن کی لمبائی 12 ہے۔ پہلے طریقہ کے مفروضے لکھیں، پھر پیشن گوئی دیں، پھر پچھلے 6 مہینوں کی بیک ٹیسٹنگ کرکے MAPE کا حساب لگائیں۔ پروموشن کے مہینوں کو الگ سے نشان زد کریں۔ ڈیٹا: {{ ... }}
دوسرا اشارہ پیشین گوئی اور اس پیشین گوئی (بیک ٹیسٹنگ) پر بھروسہ کرنے کے لئے کتنے اعتماد کے بارے میں پوچھتا ہے۔ یہ ایک "اوریکل" سے پیشین گوئی کو ایک قابل پیمائش آلے میں بدل دیتا ہے۔
بیک ٹیسٹنگ: پیشن گوئی میں اعتماد کی پیمائش
پیشین گوئی کا اصل امتحان ماضی میں ہے، مستقبل میں نہیں۔ آپ اپنے پاس موجود ڈیٹا کو دو حصوں میں تقسیم کرتے ہیں: ماڈل بلڈنگ (ٹرین) اور ٹیسٹنگ۔ آپ پہلے ٹکڑے کے ساتھ ماڈل بناتے ہیں، اگلی مدت کی پیشن گوئی کرتے ہیں، اور اس کا حقیقت سے موازنہ کرتے ہیں۔ یہ "ہولڈ آؤٹ" منطق یہ ظاہر کرتی ہے کہ آیا ماڈل واقعی کام کر رہا ہے یا نہیں۔
مندرجہ ذیل سیریز کے لیے ایک سادہ بیک ٹیسٹ پلان ترتیب دیں: ٹیسٹنگ کے طور پر پچھلے 6 مہینوں کو ایک طرف رکھیں، بقیہ ڈیٹا کے ساتھ 3 مختلف طریقوں (بولی، SES، ہولٹ-ونٹرز) کو تربیت دیں، ٹیسٹنگ کی مدت کے دوران ہر ایک کے لیے MAPE اور تعصب کا حساب لگائیں، اور ایک موازنہ کی میز بنائیں۔ جیتنے کا طریقہ اور دلیل لکھیں۔
خبردار: AI بعض اوقات بیک ٹیسٹ نتائج کی "پیش گوئی" کر سکتا ہے اور آپ کو ایک ریڈی میڈ چارٹ پیش کر سکتا ہے۔ یعنی، وہ ایسے اعداد بنا سکتا ہے جو حقیقت میں ان کا حساب لگائے بغیر معقول معلوم ہوں۔ کوڈ (Python/Excel) کے ساتھ عددی نتائج کو دوبارہ پیش کرنا یقینی بنائیں۔ زبان کا ماڈل طویل ریاضی کو قابل اعتماد طریقے سے انجام نہیں دیتا ہے۔
منی کیس: موسمی مصنوعات کا اوور اسٹاک
کھانے کی تقسیم کرنے والی کمپنی ہر سال موسم سرما میں آئس کریم جیسی موسمی مصنوعات کا بہت زیادہ ذخیرہ رکھنے کی شکایت کرتی ہے۔ انڈسٹریل انجینئر ایلیف اے آئی کو 3 سال کا ماہانہ ڈیٹا دیتا ہے اور اس سے سیریز کے کردار کا جائزہ لینے کو کہتا ہے۔ ہولٹ ونٹرس نے مشورہ دیا ہے کہ اے آئی مضبوط موسم (موسم گرما کی چوٹی) اور معمولی سالانہ ترقی کے رجحان کا پتہ لگاتا ہے۔ ایلیف Python میں پیشین گوئی تیار کرتا ہے اور اس کی پشت پناہی کرتا ہے: MAPE 14% ہے، لیکن تعصب نمایاں طور پر منفی ہے — ماڈل مسلسل حد سے زیادہ پیش گوئی کرتا ہے۔ جب وہ تحقیقات کرتا ہے کہ کیوں، اسے معلوم ہوا کہ اس نے تاریخی اعداد و شمار میں مہم کے دورانیے کو "عام" سمجھا اور ماڈل کو بہت اونچی بنیاد سکھائی۔ جب ہم مہم کے اثر کو ہٹاتے ہیں اور ماڈل کو دوبارہ بناتے ہیں تو تعصب کم ہو جاتا ہے اور موسم سرما کا ذخیرہ نمایاں طور پر کم ہو جاتا ہے۔ سبق: AI نے طریقہ درست طریقے سے تجویز کیا، لیکن ڈیٹا کو صاف کرنا اور تعصب کی تشریح کرنا انسانی کام تھا۔
عام غلطیاں
- میٹرکس کو ٹریک نہیں کرنا: تخمینہ لگانا اور کبھی بھی درستگی کی پیمائش نہیں کرنا۔ پیمائش کے بغیر پیشن گوئی کو بہتر نہیں کیا جا سکتا.
- صرف MAPE کو دیکھنا: تعصب کو نظر انداز کرنا۔ دشاتمک (منظم) غلطی خاموشی سے انوینٹری کو بڑھا دیتی ہے۔
- حساب کے لیے AI کی طرف سے بنائے گئے نمبروں کو غلط سمجھنا: کوڈ کے ساتھ بیک ٹیسٹ اور میٹرک اقدار کی توثیق نہیں کرنا۔
- آؤٹ لیئر/پروموشن کی صفائی نہ کرنا: ایک بار کی مہم کو عام مطالبہ سمجھنا اور اسے ماڈل کو سکھانا۔
- اوورفٹ: جب ایک پیچیدہ ماڈل ماضی میں بالکل فٹ بیٹھتا ہے لیکن مستقبل میں خراب کارکردگی کا مظاہرہ کرتا ہے۔ سادہ ماڈل کو ایک معیار کے طور پر رکھیں۔
خلاصہ میں
- سیریز کے کردار کے مطابق پیشن گوئی کا طریقہ منتخب کریں (اسٹیشنری، ٹرینڈنگ، موسمی)؛ ہمیشہ اپنے آپ کو ایک بولی سے موازنہ کرکے شروع کریں۔
- MAE/RMSE/MAPE کے ساتھ درستگی کی پیمائش کریں، لیکن تعصب کی نگرانی بھی کریں: سمتاتی غلطی سب سے مہنگی ہے۔
- طریقہ کار کی سفارش اور کوڈ جنریشن کے لیے AI استعمال کریں۔ پیشن گوئی کو ایک پیمائشی آلے کے طور پر مرتب کریں، نہ کہ "نبوت"۔
- بیک ٹیسٹنگ اس بات کا اصل امتحان ہے کہ ماڈل کتنا پراعتماد ہو سکتا ہے۔ کوڈ کے ساتھ عددی نتائج کی تصدیق ضرور کریں۔
- یہ انسان کا کام ہے کہ وہ ڈیٹا کو صاف کرے (آؤٹلیر، پروموشن) اور نتیجہ کی تشریح؛ AI ان اقدامات کو چھوڑ دیتا ہے۔
درخواست کا کام
کم از کم 18-24 دورانیے کی ڈیمانڈ سیریز رکھیں (حقیقی یا حقیقت پسندانہ افسانہ)۔ سب سے پہلے، AI کو سیریز دیں اور اس سے اس کے کردار (رجحان/موسمی) کی تشریح کرنے کو کہیں اور دو طریقے تجویز کریں۔ پھر آخری 6 ادوار کو ٹیسٹ کے طور پر محفوظ کرنے کے لیے "بیک ٹیسٹ پلان" طاقتور پرامپٹ کا استعمال کریں اور کم از کم دو طریقوں کا موازنہ کریں۔ اہم مرحلہ: ایکسل یا ازگر کے ساتھ خود AI کے ذریعہ واپس کی گئی MAPE اور تعصب کی اقدار کا دوبارہ حساب لگائیں اور ان کا AI آؤٹ پٹ سے موازنہ کریں۔ اگر آپ کو کوئی ایسا نمبر ملتا ہے جو مماثل نہیں ہے، تو اسے لکھ دیں۔ آخر میں، تعصب کی علامت کی تشریح کریں: کیا آپ کا ماڈل حد سے زیادہ یا کم اندازہ لگا رہا ہے، اور یہ آپ کی انوینٹری کو کیا کرتا ہے؟