مطالبہ کی پیشن گوئی: فروخت کی پیشن گوئی، موسمی اور رجحان کا تجزیہ

فائدہ:

• تاریخی فروخت کے اعداد و شمار، موسمی اثرات اور بیرونی عوامل کو ملا کر مصنوعی ذہانت کے ساتھ SKU کی بنیاد پر ڈیمانڈ کی پیشن گوئی کا مسودہ تیار کرنے کی صلاحیت۔
• پیشن گوئی کی درستگی (MAPE، تعصب) کی تشریح کرنے اور حد سے زیادہ اور کم اندازہ لگانے کے کاروباری نتائج کی تمیز کرنے کی صلاحیت
• اس بات کو برقرار رکھنے کے قابل ہونا کہ مصنوعی ذہانت کے ذریعہ تیار کردہ پیشن گوئی ایک پیشین گوئی ہے اور حتمی آرڈر کا فیصلہ منیجر کا ہے اور اسٹاک کی قیمت اور نقد بہاؤ کے ساتھ۔

ریٹیل میں دو سب سے مہنگی غلطیاں ہیں: بہت زیادہ اسٹاک رکھنا اور رقم کو شیلف پر پڑا رہنے دینا، یا کافی اسٹاک نہ رکھنا اور گاہک کو خالی ہاتھ چھوڑنا۔ دونوں کا ایک ہی ذریعہ ہے: خراب مانگ کی پیشن گوئی۔ اس یونٹ میں آپ مصنوعی ذہانت کو ایک طاقتور معاون کے طور پر استعمال کرنے کا طریقہ سیکھیں گے جو ماضی کی فروخت سے مستقبل کی پیش گوئی کرتا ہے۔ لیکن آئیے شروع سے کہتے ہیں: ایک پیشین گوئی ایک پیشین گوئی نہیں ہے، لیکن ایک امکانی پیشن گوئی ہے. AI آپ کو ایک نمبر دیتا ہے؛ یہ آپ کا کام ہے کہ اس نمبر کو آرڈرنگ فیصلے میں ترجمہ کریں۔

ڈیمانڈ فورکاسٹنگ: تاریخی اعداد و شمار اور متاثر کن عوامل کو دیکھ کر مستقبل میں کسی پروڈکٹ یا زمرے کا کتنا حصہ فروخت کیا جائے گا اس کا اندازہ لگانا کام ہے۔

SKU (اسٹاک کیپنگ یونٹ): یہ ایک منفرد اسٹاک کوڈ ہے جو ہر مختلف پروڈکٹ کے لیے رکھا جاتا ہے۔ مثال کے طور پر، "سرخ، سائز 42 کے جوتے" ایک SKU ہے۔ اسی ماڈل کا نمبر 43 ایک الگ SKU ہے۔

معلومات کے تین ذرائع جو پیشن گوئی کو پورا کرتے ہیں۔

اچھی پیشن گوئی تین چیزوں کو یکجا کرتی ہے:

1. تاریخی فروخت (بیس لائن): گزشتہ 12-24 مہینوں میں مصنوعات کی ہفتہ وار/ماہانہ فروخت۔ AI اس سیریز سے ایک "نارمل" لیول نکالتا ہے۔
2. موسمی اور کیلنڈر کے اثرات: تعطیلات، اسکول کی مدت، موسم گرما، موسم سرما، اختتام ہفتہ، تنخواہ کا دن۔ مثال کے طور پر گرمیوں میں آئس کریم بڑھ جاتی ہے اور سردیوں میں موزے بڑھ جاتے ہیں۔
3. بیرونی عوامل: مہم، قیمت میں تبدیلی، موسم، حریف کی نقل و حرکت، افتتاحی/اختتام۔ یہ تخمینہ کو اوپر یا نیچے دھکیلتے ہیں۔

اشارہ: AI کو صرف یہ مت بتائیں کہ "ہم نے پچھلے مہینے 100 فروخت کیے ہیں۔" کہو، "ہم نے پچھلے مہینے 100 فروخت کیے تھے، لیکن وہاں 20% رعایت تھی اور یہ چھٹی کا ہفتہ تھا۔" سیاق و سباق کے بغیر، پیشین گوئی گمراہ کن ہے۔

قدم بہ قدم پیشین گوئی کی نسل

1. ڈیٹا تیار کریں: ایک گمنام، صاف ٹیبل: تاریخ، SKU، فروخت کی گئی مقدار، قیمت، پروموشن/کوئی پروموشن، دستیابی۔ آؤٹ آف اسٹاک کے دنوں کو نشان زد کریں؛ دوسری صورت میں، مصنوعی ذہانت اس دن کو "کم مانگ" سمجھے گی۔
2. سیاق و سباق دیں: سیزن، آنے والے واقعات، منصوبہ بند مہمات لکھیں۔
3. پیشن گوئی کی درخواست کریں: SKU یا زمرہ کے لحاظ سے، ایک مخصوص مدت کے لیے پیشن گوئی اور اعتماد کے وقفے (بدترین/بہترین صورت حال) کی درخواست کریں۔
4. درستگی کی پیمائش کریں: اپنی ماضی کی پیشین گوئیوں کا حقیقت سے موازنہ کریں (نیچے MAPE)۔
5. اسے فیصلے میں تبدیل کریں: تخمینہ کو حفاظتی اسٹاک اور بجٹ کے ساتھ جوڑیں اور آرڈر کرنے کا فیصلہ کریں۔

پڑھنے کی پیشن گوئی کی درستگی: MAPE اور تعصب

MAPE (مطلب مطلق فیصد خرابی): اصل فروخت سے پیشین گوئیوں کا اوسط فیصد انحراف دکھاتا ہے۔ فارمولہ سادہ ہے: |اصلی − پیشن گوئی| ہر مدت کے لیے / حقیقی ان کی اوسط ہے۔

• MAPE 10% → تخمینے اوسطاً 10% سے ہٹ جاتے ہیں، بہت اچھا۔
• MAPE 40% → پیشین گوئیاں ناقابل اعتبار ہیں، آرڈر کے فیصلے میں مزید بفر (حفاظتی اسٹاک) کی ضرورت ہے۔

سمت (تعصب): کیا آپ کی پیشن گوئی مستقل طور پر اوپر ہے (زیادہ ذخیرہ کرنے کا خطرہ) یا نیچے (ذخیرہ کرنے کا خطرہ) حقیقت ہے؟ یہ بھی دیکھیں؛ MAPE سمت نہیں دکھاتا ہے۔

حیثیت

مطلب

کاروباری نتیجہ

مسلسل اعلی تخمینہ

آپ مطالبہ کو بڑھا چڑھا کر پیش کر رہے ہیں۔

اضافی اسٹاک، پگھلاؤ، مارجن کا نقصان

مسلسل کم اندازہ

آپ مانگ کو کم سمجھتے ہیں۔

اسٹاک سے باہر، فروخت چھوٹ گئی، عدم اطمینان

ہائی MAPE، متوازن سمت

غیر یقینی صورتحال زیادہ ہے۔

حفاظتی اسٹاک میں اضافہ کریں، کثرت سے جائزہ لیں۔

کم MAPE

درست پیشن گوئی

دبلی پتلی اسٹاک، بہتر کیش

چھوٹے مقدمات

کیس 1 - موسم کی کمی: ایک گروسری اسٹور پچھلے سال جولائی کی فروخت (200 یونٹس فی مہینہ) کی بنیاد پر اسکول کی نوٹ بک کا آرڈر دیتا ہے۔ جب مصنوعی ذہانت کو "اگست-ستمبر اسکول کی مدت، پچھلے سال اس عرصے میں فروخت چار گنا" کے تناظر میں دیا جاتا ہے، تو پیشن گوئی 200 کے بجائے 780 یونٹس تک بڑھ جاتی ہے۔ درست ترتیب کی بدولت، تعلیمی سال کے دوران آپ کا اسٹاک ختم نہیں ہوتا؛ 60,000 TL کا تخمینہ ٹرن اوور، جو پچھلے سال بچ گیا تھا، اس سال پکڑا جا رہا ہے۔

کیس 2 — اسٹاک کے ختم ہونے والے دن کو شمار نہیں کرنا: ایک اسٹور میں 3 ہفتوں سے مقبول کافی کا اسٹاک ختم تھا۔ خام ڈیٹا کو دیکھتے ہوئے، مصنوعی ذہانت ان ہفتوں کو "فی ہفتہ 5 سیلز" کے طور پر دیکھتی ہے اور کم تخمینہ دیتی ہے۔ جب تجزیہ کار بغیر اسٹاک کے دنوں کو نشان زد کرتا ہے اور کہتا ہے کہ "یہ ہفتے مانگ کی عکاسی نہیں کرتے"، تو پیشن گوئی بڑھ کر 45 فی ہفتہ ہو جاتی ہے۔ حقیقی مطالبہ ابھرتا ہے۔

کیس 3 - مہم کے اثر کو عام کرنا: ٹیکسٹائل چین 50% ڈسکاؤنٹ ہفتہ فروخت (600 یونٹ) کو "عام" سمجھتا ہے اور مسلسل 600 کا آرڈر دیتا ہے۔ جب مصنوعی ذہانت سے کہا جاتا ہے کہ "یہ فروخت ایک بار کی مہم کے ساتھ کی گئی تھی، عام ہفتہ 180 ہے"، پیشین گوئی درست ہو جاتی ہے۔ اوور اسٹاک اور اس کے نتیجے میں مارک ڈاؤن نقصان کے خطرے کو روکا جاتا ہے۔

پیشن گوئی افق: آپ کتنا آگے دیکھ سکتے ہیں؟

پیشن گوئی افق: مستقبل کی پیشن گوئی کتنی دور ہے۔ اصول آسان ہے: افق جتنا لمبا ہوگا، غیر یقینی صورتحال اتنی ہی زیادہ ہوگی۔ آپ اگلے ہفتے کی فروخت کی نسبتاً درست پیش گوئی کرتے ہیں۔ چھ ماہ بعد بہت وسیع رینج کے ساتھ۔ لہذا آرڈر کے فیصلے کی ضرورت کے مطابق پیشن گوئی افق کا انتخاب کریں: مختصر افق اور تازہ پروڈکٹ کے لیے بار بار اپ ڈیٹ جو تیزی سے ختم ہو جائے؛ طویل لیڈ ٹائم کے ساتھ درآمد شدہ مصنوعات کے لیے طویل افق اور حفاظت کا وسیع مارجن۔

ایک اور اہم امتیاز نئی مصنوعات کی پیشن گوئی ہے۔ نئے SKU کی کوئی ماضی کی فروخت نہیں ہے۔ اس صورت میں، آپ AI کو ملتے جلتے پروڈکٹس (اینالاگ)، زمرہ اوسط، اور لانچ پلان کی تاریخ دیتے ہیں۔ یہ کہنا کہ "اس پروڈکٹ کی کوئی تاریخ نہیں ہے؛ اسی طرح کی مصنوعات X اور Y کے پہلے 8 ہفتوں کو دیکھ کر ابتدائی تخمینہ لگائیں" خالی جگہ کو پُر کرنے کا ایک معقول طریقہ ہے۔ تاہم، نئی مصنوعات کی پیشن گوئی ہمیشہ خطرناک ہوتی ہے۔ فوری طور پر پیشن گوئی پر نظر ثانی کریں کیونکہ پہلے ہفتوں کا اصل ڈیٹا دستیاب ہو جاتا ہے۔

احتیاط: تخمینہ کو "ایک بار کرو اور بھول جاؤ" کے علاج کے طور پر مت سمجھو۔ ڈیمانڈ کی پیشن گوئی ایک لائیو عمل ہے؛ ہر نیا فروخت ہفتہ پیشن گوئی کو اپ ڈیٹ کرنے کا ایک موقع ہے۔ بہترین پیشن گوئی کرنے والے وہ ہیں جو سب سے زیادہ بار بار اپ ڈیٹ ہونے والے کو استعمال کرتے ہیں، نہ کہ ہوشیار ماڈل۔

کمزور فوری / مضبوط اشارہ

کمزور اشارہ:

مجھے بتائیں کہ یہ پراڈکٹ اگلے مہینے کتنے میں بکے گی۔

کوئی سیاق و سباق نہیں ہے؛ AI ایک بے ترتیب نمبر بناتا ہے۔

طاقتور اشارہ:

آپ کا کردار: ڈیمانڈ پلاننگ ماہر۔ ڈیٹا: ذیل میں SKU 4471 کے لیے گزشتہ 18 مہینوں کی ماہانہ فروخت کی مقدار اور قیمت دی گئی ہے اور آیا اس مہینے میں کوئی مہم چل رہی ہے۔ سیاق و سباق: یہ مصنوعات موسم گرما کے سینڈل ہے؛ مئی اگست میں مانگ عروج پر ہوتی ہے۔ اگلا مہینہ جون ہے۔ کوئی مہم کا منصوبہ نہیں ہے۔ قیمت مقرر ہے۔ ٹاسک: (1) جون کے لیے متوقع فروخت کی مقدار، (2) بدترین اور بہترین منظر نامے کی حد، (3) پیشن گوئی کو متاثر کرنے والے 2 اہم عوامل۔ اصول: کم طلب کے طور پر مہینوں کو غیر اسٹاک کے طور پر شمار نہ کریں۔ صرف دیے گئے ڈیٹا کی بنیاد پر۔ ڈیٹا: [پیسٹ ٹیبل]

کاپی کرنے کے قابل پرامپٹ ٹیمپلیٹس

1) SKU پر مبنی پیشن گوئی

آپ کا کردار: ڈیمانڈ پلاننگ ماہر۔ مندرجہ ذیل گمنام ماہانہ سیلز سیریز سے [SKU] کے لیے مستقبل کی [مدت] کی پیشن گوئی تیار کریں۔ آؤٹ پٹ: متوقع مقدار + بدترین/بہترین حد + 2 مفروضے۔ اسٹاک سے باہر نشان زد ادوار کو خارج کریں۔ ڈیٹا: [پیسٹ کریں]

2) موسمی پیٹرن کو ہٹانا

ذیل میں 24 ماہ کی سیلز سیریز میں اعادی موسمی پیٹرن تلاش کریں۔ کون سے مہینے اوپر ہیں اور کون سے مہینے نیچے ہیں؟ اوسط سے انحراف کو بطور فیصد دیں۔ اسے میز کی شکل میں پیش کریں۔ ڈیٹا: [پیسٹ کریں]

3) پیشن گوئی کی درستگی کی تشخیص

ذیل میں میرے تاریخی تخمینے اور اصل فروخت ہیں۔ (1) MAPE کا حساب لگائیں، (2) کیا میری پیشن گوئی مسلسل اوپر یا کم ہو رہی ہے، (3) اسٹاک کے لیے اس کا کیا مطلب ہے؟ قدم بہ قدم دکھائیں ڈیٹا: [تخمینہ، اصل کالم]

4) مہم کے اثرات کو نکالیں۔

مہم کے ہفتوں کو ذیل میں فروخت کی سیریز میں نشان زد کیا گیا ہے۔ عام (غیر مہم) مانگ کا تخمینہ لگائیں۔ مہم کا اثر ایک الگ لفٹ فیصد کے طور پر دیں۔ لہذا میں عام آرڈر کی سطح کو دیکھنا چاہتا ہوں۔ ڈیٹا: [پیسٹ کریں]

عام غلطیاں

• سیاق و سباق نہ دینا: اگر مہم، موسم، قیمت میں تبدیلی کی وضاحت نہیں کی گئی ہے، تو پیشین گوئی گمراہ کن ہوگی۔
• آیا اسٹاک سے باہر دنوں کو ڈیمانڈ کے طور پر شمار کیا جائے: ایک آؤٹ آف اسٹاک مدت حقیقی طلب کو چھپا دیتی ہے۔ نشان
• پروموشنل سیلز کو معمول کے مطابق قبول کرنا: یہ سوچنا کہ ایک بار کا اضافہ مستقل ہے اضافی اسٹاک کا باعث بنے گا۔
• ایک نمبر پر بھروسہ کرنا: حد (منظر نامہ) کی خواہش نہ کرنا اور کسی ایک نقطہ پر بھروسہ کرنا خطرے کو چھپا دیتا ہے۔
• درستگی کی پیمائش نہیں کرنا: اگر MAPE اور سمت کی نگرانی نہیں کی جاتی ہے، تو پیشن گوئی بدتر سے بدتر ہوتی جاتی ہے۔
• اندازوں کے ساتھ براہ راست آرڈر کرنا: بغیر نقدی، گودام اور شیلف لائف کنٹرول کے آرڈر کرنا۔

خلاصہ میں

اچھی پیشن گوئی ماضی کی فروخت، موسمی اور بیرونی عوامل کو یکجا کرتی ہے۔ AI کو سیاق و سباق (مہم، سیزن، آؤٹ آف اسٹاک دن) دینا یقینی بنائیں۔ MAPE اور تعصب کی سمت کے ساتھ پیشن گوئی کی درستگی کی نگرانی؛ اعلی غیر یقینی صورتحال میں حفاظتی اسٹاک میں اضافہ کریں۔ ایک پیشن گوئی ایک پیشن گوئی ہے؛ بجٹ اور رکاوٹوں کے ساتھ ساتھ آرڈر کرنے کا حتمی فیصلہ آپ کا ہے۔

درخواست کا کام

پچھلے 12-18 مہینوں میں اپنے 5 سب سے زیادہ فروخت ہونے والے SKUs کی فروخت ایک گمنام ٹیبل میں حاصل کریں اور آؤٹ آف اسٹاک اور مہم کے دورانیے کو نشان زد کریں۔ "1) SKU پر مبنی پیشن گوئی" پرامپٹ کے ساتھ مستقبل کی پیشن گوئی تیار کریں، پھر "3) پیشن گوئی کی درستگی کی تشخیص" کے ساتھ اپنی ماضی کی پیشین گوئیوں کا MAPE نکالیں۔ اپنے آرڈرنگ فیصلے کے ساتھ نتیجہ کا موازنہ کریں۔

چیک لسٹ

• میں نے اپنا سیلز ڈیٹا گمنام اور صاف کیا۔
• میں نے آؤٹ آف اسٹاک اور مہم کے ادوار کو نشان زد کیا۔
• [ ] میں نے سیزن اور بیرونی عنصر کا سیاق و سباق AI کو دیا۔
• میں ایک منظر نامے کی حد چاہتا تھا، ایک عدد نہیں۔
• [ ] میں نے MAPE اور yaw سمت کو چیک کیا۔
• میں نے آرڈرنگ کا فیصلہ بجٹ اور رکاوٹوں کی بنیاد پر کیا۔