Lợi nhuận:
- Khả năng tạo dự báo nhu cầu dự thảo trên cơ sở SKU với sự hỗ trợ của trí tuệ nhân tạo bằng cách kết hợp dữ liệu bán hàng lịch sử, ảnh hưởng theo mùa và các yếu tố bên ngoài.
- Khả năng diễn giải độ chính xác của dự báo (MAPE, sai lệch) và phân biệt các hậu quả kinh doanh của việc đánh giá quá cao và đánh giá thấp
- Có thể duy trì rằng dự báo do trí tuệ nhân tạo đưa ra chỉ là dự đoán và quyết định đặt hàng cuối cùng thuộc về người quản lý cùng với chi phí tồn kho và dòng tiền.
Có hai sai lầm đắt giá nhất trong bán lẻ: giữ quá nhiều hàng và để tiền mòn mỏi trên kệ, hoặc không giữ đủ hàng và để khách hàng trắng tay. Cả hai đều có cùng một nguồn: dự báo nhu cầu xấu. Trong phần này, bạn sẽ học cách sử dụng trí tuệ nhân tạo như một trợ lý đắc lực giúp dự đoán tương lai từ các lần bán hàng trước đây. Nhưng hãy nói lại từ đầu: dự đoán không phải là lời tiên tri mà là dự đoán mang tính xác suất. AI cung cấp cho bạn một con số; Công việc của bạn là chuyển con số đó thành quyết định đặt hàng.
Dự báo nhu cầu: Nhiệm vụ dự đoán số lượng sản phẩm hoặc danh mục sẽ được bán trong tương lai bằng cách xem xét dữ liệu lịch sử và các yếu tố ảnh hưởng.
SKU (Đơn vị lưu kho): Đây là mã tồn kho duy nhất được lưu giữ cho từng loại sản phẩm khác nhau. Ví dụ: “giày thể thao màu đỏ, cỡ 42” là SKU; số 43 của cùng một mẫu là một SKU riêng.
Ba nguồn thông tin cung cấp cho dự báo
Một dự báo tốt kết hợp ba điều:
- Doanh số lịch sử (cơ sở): Doanh số bán sản phẩm hàng tuần/hàng tháng trong 12-24 tháng qua. AI trích xuất mức "bình thường" từ loạt bài này.
- Hiệu ứng theo mùa và lịch: Ngày lễ, học kỳ, hè-đông, cuối tuần, ngày lĩnh lương. Ví dụ, kem tăng vào mùa hè và tất tăng vào mùa đông.
- Yếu tố bên ngoài: Chiến dịch, thay đổi giá, thời tiết, chuyển động của đối thủ cạnh tranh, mở/đóng cửa. Những điều này đẩy ước tính lên hoặc xuống.
Mẹo: Đừng chỉ nói với AI rằng "tháng trước chúng tôi đã bán được 100 chiếc". Hãy nói, "Tháng trước chúng tôi đã bán được 100 chiếc, nhưng có đợt giảm giá 20% và đó là tuần nghỉ lễ." Không có bối cảnh, dự đoán sẽ sai lệch.
Tạo dự đoán từng bước
- Chuẩn bị dữ liệu: Một bảng rõ ràng, ẩn danh: ngày, SKU, số lượng bán ra, giá cả, khuyến mại/không khuyến mãi, tình trạng còn hàng. Đánh dấu ngày hết hàng; Nếu không, trí tuệ nhân tạo sẽ cho rằng ngày đó là “nhu cầu thấp”.
- Đưa ra bối cảnh: Viết ra mùa giải, các sự kiện sắp tới, các chiến dịch đã lên kế hoạch.
- Yêu cầu dự báo: Yêu cầu dự báo và khoảng tin cậy (trường hợp xấu nhất/tốt nhất) cho một khoảng thời gian cụ thể, theo SKU hoặc danh mục.
- Đo lường độ chính xác: So sánh các dự đoán trước đây của bạn với thực tế (MAPE bên dưới).
- Biến nó thành một quyết định: Kết hợp ước tính với tồn kho an toàn và ngân sách rồi đưa ra quyết định đặt hàng.
Đọc độ chính xác của dự báo: MAPE và độ lệch
MAPE (Lỗi phần trăm tuyệt đối trung bình): Hiển thị độ lệch phần trăm trung bình của dự báo so với doanh số thực tế. Công thức đơn giản là: |thực tế − dự báo| cho mỗi kỳ/thực là mức trung bình của họ.
- MAPE 10% → ước tính sai lệch trung bình 10%, khá tốt.
- MAPE 40% → dự báo không đáng tin cậy, cần có thêm khoảng đệm (tồn kho an toàn) để đưa ra quyết định về đơn hàng.
Định hướng (sai lệch): Dự báo của bạn luôn ở trên (nguy cơ dự trữ quá mức) hay thấp hơn (rủi ro hết hàng) là thực tế? Hãy xem cái này nữa; MAPE không hiển thị hướng.
Trạng thái
Ý nghĩa
kết quả kinh doanh
Ước tính cao liên tục
Bạn đang phóng đại nhu cầu
Tồn kho dư thừa, khủng hoảng, mất lợi nhuận
Đánh giá thấp liên tục
Bạn đánh giá thấp nhu cầu
Hết hàng, không bán được hàng, không hài lòng
MAPE cao, hướng cân bằng
Độ không chắc chắn cao
Tăng lượng hàng tồn kho an toàn, xem xét thường xuyên
MAPE thấp
dự đoán chính xác
Cổ phiếu ít hơn, tiền mặt tốt hơn
trường hợp nhỏ
Trường hợp 1 - Thiếu tính thời vụ: Một cửa hàng tạp hóa đặt mua vở học sinh dựa trên doanh số bán hàng tháng 7 năm ngoái (200 chiếc mỗi tháng). Khi trí tuệ nhân tạo đặt bối cảnh “Học kỳ từ tháng 8 đến tháng 9, doanh số bán hàng tăng gấp 4 lần trong giai đoạn này năm ngoái”, dự đoán sẽ tăng lên 780 chiếc thay vì 200. Nhờ đặt hàng đúng, bạn không bị hết hàng trong năm học; Doanh thu ước tính 60.000 TL trốn thoát năm trước, năm nay bị bắt.
Trường hợp 2 - Không tính ngày hết hàng: Một cửa hàng hết hàng loại cà phê phổ biến trong 3 tuần. Nhìn vào dữ liệu thô, trí tuệ nhân tạo coi những tuần đó là "5 lần bán hàng mỗi tuần" và đưa ra ước tính thấp. Khi nhà phân tích đánh dấu những ngày không có hàng và nói rằng "những tuần này không phản ánh nhu cầu", dự báo sẽ tăng lên 45 mỗi tuần. Nhu cầu thực sự xuất hiện.
Trường hợp 3 - Khái quát hóa hiệu ứng của chiến dịch: Một chuỗi dệt coi đợt giảm giá 50% trong tuần (600 chiếc) là "bình thường" và liên tục đặt hàng 600. Khi trí tuệ nhân tạo được thông báo " đợt giảm giá này được thực hiện bằng chiến dịch một lần, tuần bình thường là 180", dự đoán đã đúng. Nguy cơ tồn kho quá mức và tổn thất giảm giá sau đó được ngăn chặn.
Chân trời dự đoán: bạn có thể nhìn thấy bao xa?
Đường chân trời dự báo: Dự báo được thực hiện trong tương lai bao xa. Quy luật rất đơn giản: tầm nhìn càng dài thì độ bất định càng lớn. Bạn dự đoán doanh số tuần tới tương đối chính xác; sáu tháng sau với phạm vi rộng hơn nhiều. Vì vậy, hãy chọn khoảng thời gian dự báo tùy theo nhu cầu quyết định đơn hàng: khoảng thời gian ngắn và cập nhật thường xuyên cho sản phẩm mới nhanh hết; Tầm nhìn dài hơn và biên độ an toàn rộng hơn đối với sản phẩm nhập khẩu có thời gian thực hiện dài.
Một điểm khác biệt quan trọng nữa là dự báo sản phẩm mới. Không có đợt bán SKU mới nào trước đây; trong trường hợp này, bạn cung cấp cho AI lịch sử của các sản phẩm tương tự (tương tự), mức trung bình của danh mục và kế hoạch ra mắt. Nói "Sản phẩm này không có lịch sử; đưa ra ước tính ban đầu bằng cách xem xét 8 tuần đầu tiên của các sản phẩm tương tự X và Y" là cách hợp lý để điền vào chỗ trống. Tuy nhiên, dự báo sản phẩm mới luôn rủi ro hơn; Nhanh chóng sửa lại dự báo khi có dữ liệu thực tế cho những tuần đầu tiên.
Thận trọng: Đừng coi việc ước tính là cách xử lý "làm một lần và quên nó đi". Dự báo nhu cầu là một quá trình trực tiếp; Mỗi tuần bán hàng mới là cơ hội để cập nhật dự báo. Những người dự báo tốt nhất là những người sử dụng mô hình cập nhật thường xuyên nhất chứ không phải mô hình thông minh nhất.
Dấu nhắc yếu / Dấu nhắc mạnh
Dấu nhắc yếu:
Hãy cho tôi biết sản phẩm này sẽ bán được bao nhiêu vào tháng tới.
Không có bối cảnh; AI tạo nên một số ngẫu nhiên.
Lời nhắc mạnh mẽ:
Vai trò của bạn: chuyên gia hoạch định nhu cầu. Dữ liệu: Dưới đây là số lượng và giá bán hàng tháng trong 18 tháng qua của SKU 4471 và liệu có chiến dịch nào trong tháng đó hay không. Bối cảnh: Sản phẩm này là dép mùa hè; Nhu cầu đạt đỉnh điểm vào tháng 5-tháng 8. Tháng tiếp theo là tháng Sáu. Không có chiến dịch nào được lên kế hoạch. Giá cố định. Nhiệm vụ: (1) số lượng bán hàng dự kiến trong tháng 6, (2) phạm vi kịch bản xấu nhất và tốt nhất, (3) 2 yếu tố chính ảnh hưởng đến dự báo. Quy tắc: Không tính các tháng được đánh dấu là hết hàng vì nhu cầu thấp. Chỉ dựa trên dữ liệu đã cho. Dữ liệu: [dán bảng]
Mẫu lời nhắc có thể sao chép
1) Dự đoán dựa trên SKU
Vai trò của bạn: chuyên gia hoạch định nhu cầu. Tạo dự báo [thời gian] trong tương lai cho [SKU] từ chuỗi doanh số hàng tháng ẩn danh sau đây. Đầu ra: số lượng dự kiến + phạm vi xấu nhất/tốt nhất + 2 giả định. Loại trừ các khoảng thời gian được đánh dấu là hết hàng. Dữ liệu: [dán]
2) Loại bỏ mô hình theo mùa
Hãy tìm mô hình theo mùa định kỳ trong chuỗi doanh số bán hàng 24 tháng bên dưới. Tháng nào là trên, tháng nào là dưới? Cho độ lệch so với giá trị trung bình dưới dạng phần trăm. Trình bày nó dưới dạng bảng. Dữ liệu: [dán]
3) Đánh giá độ chính xác của dự đoán
Dưới đây là ước tính lịch sử và doanh số bán hàng thực tế của tôi. (1) Tính MAPE, (2) dự báo của tôi liên tục tăng cao hơn hay thấp hơn, (3) điều này có ý nghĩa gì đối với cổ phiếu? Hiển thị từng bước. Dữ liệu: [ước tính, cột thực tế]
4) Trích xuất tác động của chiến dịch
Các tuần chiến dịch được đánh dấu trong chuỗi bán hàng bên dưới. Ước tính nhu cầu bình thường (không phải chiến dịch); Cung cấp hiệu ứng chiến dịch dưới dạng phần trăm mức tăng riêng biệt. Vì vậy, tôi muốn xem mức độ đặt hàng bình thường. Dữ liệu: [dán]
Những lỗi thường gặp
- Không đưa ra bối cảnh: Nếu không xác định rõ chiến dịch, mùa vụ, thay đổi giá thì dự đoán sẽ sai lệch.
- Có tính số ngày hết hàng là nhu cầu hay không: Khoảng thời gian hết hàng che giấu nhu cầu thực tế; đánh dấu.
- Chấp nhận khuyến mại như bình thường: Nghĩ rằng việc tăng giá một lần là vĩnh viễn sẽ dẫn đến tình trạng dư thừa hàng tồn kho.
- Dựa vào một con số duy nhất: Không muốn có một phạm vi (kịch bản) và chỉ dựa vào một điểm duy nhất sẽ che giấu rủi ro.
- Hoàn toàn không đo lường độ chính xác: Nếu MAPE và hướng không được theo dõi, dự đoán sẽ ngày càng tệ hơn.
- Lập đơn hàng trực tiếp có ước tính: Đặt hàng không cần tiền mặt, kiểm soát kho bãi và thời hạn sử dụng.
Tóm lại
Dự báo tốt kết hợp doanh số bán hàng trong quá khứ, tính thời vụ và các yếu tố bên ngoài. Đảm bảo cung cấp bối cảnh cho AI (chiến dịch, mùa, ngày hết hàng). Theo dõi độ chính xác của dự báo bằng MAPE và hướng sai lệch; Tăng lượng dự trữ an toàn trong tình trạng không chắc chắn cao. Dự đoán là dự đoán; Quyết định đặt hàng cuối cùng là của bạn, cùng với ngân sách và các ràng buộc.
Nhiệm vụ ứng dụng
Nhận doanh số của 5 SKU bán chạy nhất trong 12-18 tháng qua trong bảng ẩn danh và đánh dấu thời gian hết hàng cũng như thời gian chiến dịch. Tạo dự báo trong tương lai với lời nhắc "1) Dự báo dựa trên SKU", sau đó trích xuất MAPE của các dự báo trước đây của bạn với "3) Đánh giá độ chính xác của dự báo". So sánh kết quả với quyết định đặt hàng của riêng bạn.
danh sách kiểm tra
- [ ] Tôi đã ẩn danh và làm sạch dữ liệu bán hàng của mình.
- [ ] Tôi đã đánh dấu thời gian hết hàng và chiến dịch.
- [ ] Tôi đã đưa bối cảnh mùa và yếu tố bên ngoài cho AI.
- [ ] Tôi muốn một phạm vi kịch bản chứ không phải một con số.
- [ ] Tôi đã kiểm tra MAPE và hướng ngáp.
- [ ] Tôi đã đưa ra quyết định đặt hàng dựa trên ngân sách và những ràng buộc.