Lợi nhuận:
- Khả năng phân biệt các phương pháp dự báo nhu cầu (trung bình động, làm mịn theo cấp số nhân, tính thời vụ)
- Khả năng thiết lập các kịch bản dự đoán bằng AI và đánh giá độ chính xác bằng các số liệu như MAPE/MAE
- Khả năng kiểm tra chéo sản lượng dự báo với bối cảnh kinh doanh và hiệu ứng khuyến mại/theo mùa
Dự báo nhu cầu là cơ sở để lập kế hoạch sản xuất, quản lý hàng tồn kho và toàn bộ chuỗi cung ứng. Dự báo sai sẽ gây tốn kém cả hai mặt: đánh giá quá cao tạo ra chi phí tồn kho và lãng phí, đánh giá thấp dẫn đến mất doanh thu và sự không hài lòng của khách hàng. Trí tuệ nhân tạo giúp ích ở nhiều khía cạnh trong quá trình dự báo, từ việc chọn phương pháp đến diễn giải dữ liệu lịch sử và tạo ra các kịch bản; Nhưng coi dự báo như một “quả cầu pha lê ma thuật” là sai lầm lớn nhất. Trong phần này, chúng ta sẽ đề cập đến các phương pháp dự báo cổ điển, cách xây dựng chúng một cách chính xác bằng AI và cách đo lường độ chính xác.
Bản đồ tóm tắt các phương pháp dự báo
Không phải mọi chuỗi yêu cầu đều hoạt động giống nhau; Một số không thay đổi, một số có xu hướng, một số theo mùa. Cần phải chọn phương pháp theo chuỗi.
phương pháp
Khi nào thì thích hợp?
Chú ý
Ngây thơ (giá trị cuối cùng)
Để so sánh (điểm chuẩn)
Không theo xu hướng/mùa
trung bình động
Chuỗi tĩnh, ồn ào
Phản ứng muộn với xu hướng
Làm mịn theo cấp số nhân (SES)
Chuỗi văn phòng phẩm, nhấn mạnh vào dữ liệu gần đó
Tốt nếu không có xu hướng
Holt (số mũ gấp đôi)
Dòng thời trang
Không bắt được mùa
Holt-Mùa Đông
Xu hướng + tính thời vụ
Yêu cầu đủ dữ liệu lịch sử
Hồi quy/ML
Đa biến, khuyến mãi hiệu quả
Nguy cơ thừa cân
Mẹo: Luôn bắt đầu bằng một suy đoán "ngây thơ". Nếu mô hình phức tạp của bạn không tốt hơn so với phỏng đoán ngây thơ thì nó không đáng để mang theo sự phức tạp. Naive là một chuẩn mực miễn phí để đo lường độ chính xác.
Chúng tôi đo lường độ chính xác bằng cách nào? (Số liệu)
Độ chính xác của dự đoán không thể được cải thiện nếu không đo lường nó. Các số liệu phổ biến nhất:
- MAE (Lỗi tuyệt đối trung bình): Giá trị trung bình của giá trị tuyệt đối của các lỗi. Đơn vị giống như đơn vị nhu cầu.
- RMSE (Lỗi bình phương trung bình gốc): Phạt các lỗi lớn hơn nhiều hơn.
- MAPE (Lỗi phần trăm tuyệt đối trung bình): Tính bằng phần trăm; Tốt để so sánh giữa các mặt hàng, nhưng bị bóp méo khi nhu cầu gần bằng 0.
- Độ lệch: Sai số trung bình; Cho biết liệu bạn có thường xuyên đánh giá quá cao/đánh giá thấp hay không.
Một tài khoản mẫu nhỏ. Giả sử nhu cầu thực tế là [100, 120, 90], dự báo là [110, 115, 100]:
Sai số (thực tế - dự báo): -10, +5, -10Sai số tuyệt đối: 10, 5, 10 → MAE = 25/3 ≈ 8.33Tỷ lệ sai số: 10/100, 5/120, 10/90 = 10%, 4.17%, 11.11%MAPE = (10 + 4.17 + 11,11) / 3 ≈ 8,43%Độ lệch = (-10 + 5 - 10) / 3 = -5 → trung bình đánh giá quá cao (dự đoán > thực tế)
Độ lệch âm (ước tính trừ thực) chỉ ra rằng ước tính luôn được đánh giá quá cao; Điều này có nghĩa là lạm phát hàng tồn kho. Những lỗi định hướng như vậy có thể được ẩn trong MAPE nên chúng được xem xét cùng nhau.
Xây dựng quy trình dự báo bằng AI
Bạn có thể sử dụng AI hiệu quả nhất ở hai nơi: (1) để xem dữ liệu và đề xuất phương pháp cũng như hành động thích hợp cần thực hiện và (2) để tạo mã dự đoán. Đối với gợi ý phương pháp:
Vai trò: Bạn là một kỹ sư công nghiệp có kinh nghiệm trong lĩnh vực dự báo nhu cầu. Nhiệm vụ: Kiểm tra chuỗi doanh số hàng tháng dưới đây và đề xuất phương pháp dự báo phù hợp. Đánh giá xem có xu hướng và tính thời vụ hay không, viết lời giải thích của bạn. Dữ liệu (hàng tháng, 24 tháng qua): {{ value }}Thông tin bổ sung: Có khuyến mãi vào tháng 12, nhu cầu giảm trong những tháng hè. Đầu ra tôi muốn: 1. Nhận xét về tính chất của bộ truyện (ổn định/xu hướng/theo mùa).2. 2 phương pháp được đề xuất và lý do.3. Tôi nên theo dõi số liệu chính xác nào?4. Những cạm bẫy tôi nên đề phòng (ngoại lệ, hiệu quả quảng cáo). Quy tắc: Đừng hứa hẹn độ chính xác tuyệt đối khi chưa xem dữ liệu.
Nhắc yếu / Nhắc mạnh
Dấu nhắc yếu:
Tháng tới tôi sẽ bán được bao nhiêu?
Điều này không chứa dữ liệu cũng như bối cảnh; AI sẽ từ chối nó hoặc trả về một con số hoàn toàn giả tạo. Kết quả đầu ra như vậy là nguy hiểm vì nó có vẻ đáng tin cậy.
Lời nhắc mạnh mẽ:
Dự đoán 3 tháng tiếp theo bằng logic Holt-Winters với chuỗi 24 tháng này. Độ dài mùa là 12. Đầu tiên hãy viết các giả định của phương pháp, sau đó đưa ra dự báo, sau đó tính toán MAPE bằng cách kiểm tra lại 6 tháng qua. Đánh dấu các tháng khuyến mãi riêng biệt. Dữ liệu: {{ ... }}
Lời nhắc thứ hai yêu cầu cả dự đoán và mức độ tin cậy để tin tưởng vào dự đoán đó (kiểm tra lại). Điều này biến dự đoán từ một “nhà tiên tri” thành một công cụ có thể đo lường được.
Backtesting: Đo lường độ tin cậy trong dự đoán
Thử nghiệm thực sự về khả năng dự đoán là ở quá khứ chứ không phải tương lai. Bạn chia dữ liệu bạn có thành hai: xây dựng mô hình (đào tạo) và thử nghiệm. Bạn xây dựng mô hình với phần đầu tiên, dự đoán giai đoạn tiếp theo và so sánh nó với thực tế. Logic “giữ lại” này cho biết liệu một mô hình có thực sự hoạt động hay không.
Thiết lập một kế hoạch backtest đơn giản cho loạt bài sau: dành 6 tháng qua làm thử nghiệm, đào tạo 3 phương pháp khác nhau (ngây thơ, SES, Holt-Winters) với dữ liệu còn lại, tính toán MAPE và độ lệch cho từng phương pháp trong thời gian thử nghiệm và lập bảng so sánh. Viết phương pháp chiến thắng và lý do.
Hãy cẩn thận: AI đôi khi có thể "dự đoán" kết quả backtest và hiển thị cho bạn một biểu đồ làm sẵn; nghĩa là anh ta có thể tạo ra những con số có vẻ hợp lý mà không cần thực sự tính toán chúng. Đảm bảo tái tạo các kết quả bằng số bằng mã (Python/Excel). Một mô hình ngôn ngữ không thực hiện các phép tính dài một cách đáng tin cậy.
Hộp đựng nhỏ: Quá nhiều sản phẩm theo mùa
Một công ty phân phối thực phẩm phàn nàn về việc có quá nhiều sản phẩm theo mùa như kem hàng năm vào mùa đông. Kỹ sư công nghiệp Elif cung cấp dữ liệu hàng tháng trong 3 năm cho AI và yêu cầu nó đánh giá tính chất của bộ truyện. Holt-Winters gợi ý rằng AI phát hiện tính thời vụ mạnh mẽ (cao điểm vào mùa hè) và xu hướng tăng trưởng nhẹ hàng năm. Elif tạo dự đoán bằng Python và kiểm tra lại nó: MAPE là 14%, nhưng độ lệch âm đáng kể — mô hình luôn dự đoán quá cao. Khi điều tra lý do, anh ta phát hiện ra rằng mình đã nhầm giai đoạn chiến dịch trong dữ liệu lịch sử là "bình thường" và dạy mô hình có cơ sở quá cao. Khi chúng tôi loại bỏ hiệu ứng chiến dịch và xây dựng lại mô hình, độ lệch sẽ giảm và lượng dự trữ mùa đông giảm đáng kể. Bài học: AI đã đề xuất phương pháp này một cách chính xác, nhưng công việc của con người là làm sạch dữ liệu và giải thích sự thiên vị.
Những lỗi thường gặp
- Không theo dõi số liệu: Ước tính và không bao giờ đo lường độ chính xác. Dự đoán mà không đo lường không thể được cải thiện.
- Chỉ cần nhìn vào MAPE: Bỏ qua sự thiên vị. Lỗi định hướng (có hệ thống) âm thầm làm tăng lượng hàng tồn kho.
- Nhầm các con số do AI tạo ra để tính toán: Không xác thực giá trị backtest và số liệu bằng mã.
- Không làm sạch giá trị ngoại lệ/khuyến mãi: nhầm chiến dịch một lần là nhu cầu thông thường và dạy nó cho người mẫu.
- Overfit: Khi một mô hình phức tạp phù hợp hoàn hảo trong quá khứ nhưng hoạt động kém trong tương lai. Giữ mô hình đơn giản làm chuẩn.
Tóm lại
- Chọn phương pháp dự báo theo tính chất của chuỗi (đứng yên, xu hướng, theo mùa); Luôn bắt đầu bằng cách so sánh bản thân với một người ngây thơ.
- Đo độ chính xác bằng MAE/RMSE/MAPE, nhưng cũng theo dõi độ lệch: lỗi định hướng là đắt nhất.
- Sử dụng AI để đề xuất phương pháp và tạo mã; Hãy thiết lập dự báo như một công cụ có thể đo lường được chứ không phải là một “lời tiên tri”.
- Backtesting là bài kiểm tra thực sự về mức độ tin cậy của một mô hình; Hãy chắc chắn để xác minh kết quả bằng số bằng mã.
- Công việc của con người là làm sạch dữ liệu (ngoại lệ, thăng cấp) và giải thích kết quả; AI bỏ qua các bước này.
Nhiệm vụ ứng dụng
Có ít nhất một chuỗi yêu cầu dài 18-24 (tiểu thuyết có thật hoặc hiện thực). Đầu tiên, đưa cho AI một loạt phim và yêu cầu nó diễn giải đặc điểm của nó (xu hướng/tính thời vụ) và đề xuất hai phương pháp. Sau đó, sử dụng lời nhắc mạnh mẽ về "kế hoạch kiểm tra lại" để dành 6 tiết cuối làm bài kiểm tra và so sánh ít nhất hai phương pháp. Bước quan trọng: Tính toán lại các giá trị MAPE và độ lệch do AI tự trả về bằng Excel hoặc Python và so sánh chúng với đầu ra AI. Nếu bạn tìm thấy một số không khớp, hãy viết nó ra. Cuối cùng, hãy giải thích dấu hiệu sai lệch: mô hình của bạn đang đánh giá quá cao hay đánh giá thấp và điều này ảnh hưởng gì đến lượng hàng tồn kho của bạn?