Lợi nhuận:
- Hiểu vai trò của AI và NLP trong việc trích xuất tín hiệu xu hướng từ mạng xã hội, dữ liệu tìm kiếm và lịch sử bán hàng
- Khả năng định cấu hình dự báo nhu cầu và thiết lập kịch bản trên cơ sở SKU bằng các phương pháp chuỗi thời gian
- Khả năng xác minh xu hướng và dự báo kết quả đầu ra bằng việc thực hiện bán hàng, dữ liệu chứng khoán và phán đoán kinh doanh
Thời trang, về bản chất, là đặt cược vào tương lai. Một bộ sưu tập được lên kế hoạch trước nhiều tháng, vải được đặt hàng trước, quá trình sản xuất được thực hiện trước cửa hàng. Nếu dự báo sai sẽ có hai loại khổ: thừa hàng (hàng tồn kho, giảm giá, tiêu hủy) và thiếu hàng (không bán được hàng, bỏ lỡ doanh thu). AI giúp giảm bớt sự không chắc chắn này: nó trích xuất các tín hiệu xu hướng từ phương tiện truyền thông xã hội, dữ liệu tìm kiếm và lịch sử bán hàng, đồng thời dự đoán nhu cầu theo sản phẩm. Nhưng thời trang là hành vi của con người; Không có mô hình nào có thể đảm bảo một khoảnh khắc lan truyền hay một cú sốc kinh tế. Trong phần này, chúng ta sẽ thảo luận về phân tích xu hướng và dự báo nhu cầu một cách có kỷ luật.
Tín hiệu xu hướng đến từ đâu?
Nguyên liệu thô của phân tích xu hướng là nhiều nguồn dữ liệu khác nhau. Nền tảng truyền thông xã hội và hình ảnh: màu sắc, hình bóng, họa tiết nào đang ngày càng được hiển thị nhiều hơn. Dữ liệu tìm kiếm: những gì mọi người đang tìm kiếm là tín hiệu có ý định sớm. Lịch sử bán hàng: những gì bán trong cửa hàng của bạn, khi nào, ở khu vực nào. Dịch vụ xu hướng (ví dụ: các ấn phẩm trong ngành): dự đoán với bình luận của chuyên gia. Dữ liệu cạnh tranh/thị trường: những gì đối thủ cạnh tranh đang đưa ra.
Trí tuệ nhân tạo thực hiện hai công việc ở đây. Nó trích xuất chủ đề và tình cảm từ văn bản và thẻ bằng xử lý ngôn ngữ tự nhiên (NLP) (“nói về màu này ngày càng tăng, tông màu tích cực”). Nó thu thập xu hướng màu sắc, hoa văn và hình bóng từ hình ảnh thông qua phân tích hình ảnh. Đây đều là tín hiệu, không phải bằng chứng. Tín hiệu ồn ào; Tính di động trên một nền tảng có thể không được cơ sở khách hàng khác đáp lại.
Mẹo: Luôn lọc tín hiệu xu hướng dựa trên cơ sở khách hàng và dữ liệu bán hàng của riêng bạn. Xu hướng gia tăng trên nền tảng toàn cầu có thể không hợp lệ ở khu vực và phân khúc giá của bạn. “Mọi người đều đang làm việc này” không phải là một chiến lược.
Dự báo nhu cầu: SKU, chuỗi thời gian và sự không chắc chắn
Dự báo nhu cầu thường được thực hiện ở cấp độ SKU (đơn vị lưu giữ hàng tồn kho; sự kết hợp kích thước màu cụ thể của một sản phẩm cụ thể). Cách tiếp cận cơ bản là phân tích chuỗi thời gian: dự đoán tương lai từ mô hình bán hàng trong quá khứ theo thời gian (xu hướng, tính thời vụ, chu kỳ). Các phương pháp cổ điển (trung bình động, làm mịn hàm mũ, ARIMA) và phương pháp học máy thực hiện công việc này.
Điểm quan trọng: một ước tính tốt không phải là một con số duy nhất mà là một phạm vi và xác suất. Thay vì “1.200 SKU này sẽ bán”, “80% cơ hội 950-1.450” hữu ích hơn nhiều vì nó cho phép bạn đưa ra quyết định về cổ phiếu dựa trên khẩu vị rủi ro. Cách mạnh mẽ nhất để xác minh đầu ra của một mô hình là kiểm tra ngược: đào tạo mô hình bằng dữ liệu từ một ngày trong quá khứ và so sánh nó với lần bán hàng thực tế tiếp theo. Nếu mô hình không được dự đoán tốt trong quá khứ thì nó sẽ không đáng tin cậy trong tương lai.
Đối với sản phẩm mới (không có lịch sử bán hàng) việc dự báo khó khăn hơn; Lịch sử (tương tự) và tín hiệu xu hướng của các sản phẩm tương tự được sử dụng cùng nhau, nhưng độ không đảm bảo cao và điều này phải được chấp nhận.
Từng bước: Quy trình làm việc theo xu hướng và dự báo
- Thu thập và làm sạch dữ liệu. Doanh số bán hàng, lợi nhuận, hàng tồn kho, lịch chiến dịch và tín hiệu xu hướng.
- Phân biệt tính thời vụ và xu hướng. Bao nhiêu doanh số bán hàng theo mùa và bao nhiêu là xu hướng thực tế.
- Tạo dự đoán (khoảng thời gian). Giá trị kỳ vọng và khoảng tin cậy của SKU.
- Kiểm tra lại. Đo lường độ chính xác lịch sử của mô hình; Nếu xấu, hãy quay lại mô hình đơn giản.
- Đúng với phán đoán kinh doanh. Thêm các sự kiện đã biết theo cách thủ công (cửa hàng mới, chiến dịch, vấn đề về nguồn cung) vào mô hình.
- Xem và cập nhật. Điều chỉnh lại dự báo khi doanh số bán hàng thực tế tăng lên (dự báo luân phiên).
Ba trường hợp nhỏ: Bằng những con số
Trường hợp 1 - Giảm lượng hàng tồn kho dư thừa. Một thương hiệu đã sản xuất quá nhiều nhóm màu trong mỗi mùa và bán nó với mức giảm giá 40% vào cuối mùa. Ước tính SKU đã được kiểm tra lại với doanh số bán hàng trước đây cho thấy rằng họ đang sản xuất quá mức ở một số kích cỡ chứ không phải là họ đang bán thấp nhu cầu về màu đó. Khi phân bổ kích thước được điều chỉnh, tỷ lệ bán hàng chiết khấu giảm từ 40% xuống 26%.
Trường hợp 2 - Tín hiệu sai. Một nhóm đưa màu neon vào bộ sưu tập đã bùng nổ trên nền tảng xã hội; Tín hiệu toàn cầu rất mạnh. Nhưng cơ sở khách hàng của chính họ (phân khúc cổ điển, trưởng thành) không có quan điểm này; Đảng được giữ lại. Một quy tắc đã được đưa ra để lọc tín hiệu xu hướng của mùa tiếp theo bằng dữ liệu bán hàng của chính mùa đó. Bài học: tín hiệu bị sai lệch nếu không có phân đoạn.
Trường hợp 3 - Giá trị của dự báo theo khoảng thời gian. Khi người mua đặt hàng dựa trên dự báo điểm "bán 1.000 đơn vị", mô hình đưa ra phạm vi 80% là 700-1.400. Người mua nhận thấy rủi ro nên giữ đơn hàng đầu tiên ở mức 800 và lên kế hoạch bổ sung nhanh chóng theo xu hướng bán hàng; Nó tránh được cả tình trạng thừa và thiếu hàng. Tháng 12 đưa ra những quyết định thông minh hơn những con số lẻ.
Nhắc yếu / Nhắc mạnh
Dấu nhắc yếu:
Hãy cho tôi biết những gì sẽ bán trong mùa tới.
Lời nhắc mạnh mẽ:
Vai trò của bạn: Nhà phân tích kế hoạch thời trang. Dưới đây là dữ liệu bán hàng hàng tháng (SKU, số lượng), lịch chiến dịch và ghi chú xu hướng của mùa này trong 3 năm qua. Bài tập: 1) Tách biệt tính thời vụ và xu hướng, giải thích ngắn gọn. 2) Đưa ra dự báo mùa tiếp theo cho các SKU có liên quan; KHÔNG CHẮC CHẮN, mà là khoảng tin cậy 80%.3) Bạn khuyên tôi nên kiểm tra lại dự đoán của bạn như thế nào?4) Tín hiệu xu hướng nào có thể rủi ro trong phân khúc khách hàng của chúng tôi?Đừng bịa đặt những gì không có trong dữ liệu. Dữ liệu: [bảng]
Lời nhắc mạnh mẽ nhắc nhở dự đoán khoảng thời gian, đề xuất backtest và bộ lọc phân đoạn; Nó không áp đặt độ chính xác chính xác.
Mẫu có thể sao chép
1) Phân rã tính thời vụ:
Tách biệt xu hướng, tính thời vụ và thành phần không thường xuyên trong chuỗi doanh số hàng tháng này và nhận xét ngắn gọn về từng thành phần. Đưa ra tóm tắt bằng số thay vì bằng đồ họa. Sê-ri: [dữ liệu]
2) Dự báo theo khoảng thời gian:
Tạo dự báo giai đoạn [n] tiếp theo cho SKU sau. Đưa ra giá trị kỳ vọng và khoảng tin cậy 80% cho mỗi giai đoạn. Liệt kê các giả định của bạn một cách rõ ràng. Lịch sử: [dữ liệu]
3) Thiết lập backtest:
Viết kế hoạch kiểm tra lại mô hình dự báo nhu cầu: phân biệt đào tạo/kiểm tra, số liệu lỗi (ví dụ: MAPE), ngưỡng chấp nhận. Cũng đề xuất một mô hình tam đoạn luận đơn giản (ngây thơ). Bối cảnh: [sản phẩm, kích thước dữ liệu]
4) Bộ lọc phân đoạn xu hướng:
Đánh giá các tín hiệu xu hướng này theo phân khúc khách hàng của chúng tôi (độ tuổi, giá cả, phong cách): tín hiệu nào mạnh, tín hiệu nào rủi ro/không liên quan? Thêm lời biện minh cho từng điều và đề xuất xác thực bằng dữ liệu bán hàng. Tín hiệu: [danh sách]
Bảng nguồn và độ tin cậy
Nguồn dữ liệu
Nó báo hiệu điều gì?
quyền lực
biên giới
Lịch sử bán hàng riêng
nhu cầu thực tế
cao
Không có trong sản phẩm mới
dữ liệu cuộc gọi
ý định sớm
trung bình
Có thể không quay lại mua hàng
phương tiện truyền thông xã hội
Khả năng hiển thị/cảm xúc
trung bình
Độ lệch phân đoạn, tiếng ồn
Dịch vụ xu hướng
dự đoán của chuyên gia
trung bình
Công khai, cởi mở với mọi người
Dữ liệu về đối thủ/thị trường
Định vị
trung bình
bị trì hoãn, một phần
Thận trọng: Không có dự đoán nào đảm bảo cho tương lai. Một khoảnh khắc lan truyền, dự báo thời tiết, cú sốc kinh tế hoặc khủng hoảng nguồn cung có thể đánh lừa ngay cả mô hình tốt nhất. Sử dụng ước tính làm công cụ xác suất; Đừng mù quáng bám vào một con số duy nhất và sửa đổi kế hoạch khi có doanh số thực tế.
Những lỗi thường gặp
- Tin tưởng một cách mù quáng vào dự đoán chính xác. Phạm vi và xác suất giúp đưa ra quyết định thông minh hơn.
- Nhận tín hiệu xu hướng mà không cần lọc phân đoạn. Xu hướng toàn cầu có thể không áp dụng cho khán giả của bạn.
- Không thực hiện backtesting. Một mô hình xấu trong quá khứ sẽ không đáng tin cậy trong tương lai.
- Nhầm lẫn tính thời vụ với một xu hướng. Việc nhầm lẫn tăng trưởng theo mùa với tăng trưởng lâu dài dẫn đến sản xuất thừa.
- Không sửa đổi kế hoạch Dự báo cần được cập nhật khi có doanh số thực tế.
Tóm lại
Phân tích xu hướng thời trang và dự báo nhu cầu là một nỗ lực nhằm giảm bớt sự không chắc chắn khi đặt cược vào tương lai. AI trích xuất xu hướng từ tín hiệu đa nguồn (phương tiện truyền thông xã hội, tìm kiếm, bán hàng) và đưa ra dự báo nhu cầu theo SKU; Nhưng tín hiệu phải đi qua bộ lọc phân đoạn, dự đoán phải có khoảng cách và được kiểm tra lại. Mô hình là một công cụ khả thi, không phải là một nhà tiên tri; quyết định cuối cùng về cổ phiếu và khẩu vị rủi ro vẫn nằm trong phán đoán kinh doanh.
Nhiệm vụ ứng dụng
Tạo chuỗi doanh số hàng tháng giả định (hoặc thực tế) trong ba năm cho một SKU. Áp dụng các mẫu "phân tích theo mùa vụ" và "dự báo khoảng thời gian" từ đơn vị này. Hãy xem phạm vi dự báo do AI đưa ra và giải thích trong một đoạn văn mà trong phạm vi đó, bạn, với tư cách là người mua, sẽ đặt lệnh đầu tiên và lý do (khẩu vị rủi ro). Đồng thời viết trong một câu cách bạn sẽ kiểm tra lại dự đoán này.
danh sách kiểm tra
- [ ] Tôi đánh giá các dự đoán theo phạm vi và xác suất chứ không phải theo từng điểm.
- [ ] Tôi lọc tín hiệu xu hướng theo phân khúc khách hàng của riêng mình.
- [ ] Tôi xác thực các mô hình thông qua việc kiểm tra ngược.
- [ ] Tôi phân biệt giữa tính thời vụ và xu hướng lâu dài.
- [ ] Tôi sửa lại kế hoạch khi có doanh số bán hàng thực tế.