Lợi nhuận:
- Khả năng hiểu các khái niệm về chuỗi thời gian, xu hướng, tính thời vụ và tác động của chiến dịch, đồng thời sử dụng trí tuệ nhân tạo để dự báo nhu cầu với các câu hỏi phù hợp và dữ liệu rõ ràng.
- Khả năng diễn giải độ chính xác của dự báo (MAPE, độ lệch) và độ không chắc chắn (khoảng tin cậy, kịch bản) và lập kế hoạch cơ sở trên một phạm vi thay vì một con số duy nhất
- Có thể phân biệt rằng dự đoán của trí tuệ nhân tạo dựa trên dữ liệu lịch sử và phán đoán của chuyên gia sẽ được đưa ra trong các trường hợp gián đoạn như sản phẩm mới, khuyến mãi hoặc khủng hoảng nguồn cung.
Mọi quyết định trong chuỗi cung ứng đều dựa trên một câu hỏi: sẽ có bao nhiêu nhu cầu? Bạn trả lời câu hỏi này càng chính xác thì bạn càng nắm giữ ít cổ phiếu, càng tránh xa ít cổ phiếu và càng ít tiền bị ràng buộc. Dự báo nhu cầu là động cơ của chuỗi cung ứng; Các kế hoạch tồn kho, mua hàng, sản xuất và vận chuyển đều được cung cấp từ đây. Trí tuệ nhân tạo cực kỳ mạnh mẽ trong lĩnh vực này vì nó quét lịch sử của hàng nghìn sản phẩm nhanh hơn nhiều so với con người và trích xuất các mẫu. Nhưng nguồn sức mạnh của nó cũng có giới hạn: AI học hỏi từ quá khứ; Nếu tương lai không giống quá khứ thì đó là sai lầm. Trong phần này, chúng ta sẽ học ngôn ngữ dự đoán, đo lường độ chính xác, quản lý sự không chắc chắn và nơi AI sẽ đầu hàng bạn.
Ngôn ngữ dự báo: chuỗi thời gian, xu hướng, tính thời vụ
Dữ liệu về nhu cầu thường là một chuỗi thời gian — một chuỗi các số được sắp xếp theo thời gian, chẳng hạn như doanh số bán sản phẩm mỗi ngày. Chia chuỗi này thành ba phần là cơ sở dự đoán:
Xu hướng, định hướng dài hạn: doanh số bán hàng tăng hay giảm qua các năm? Tính thời vụ, biến động thường xuyên: kem bán vào mùa hè, máy sưởi bán vào mùa đông; Chợ đông đúc vào thứ Sáu và thứ Bảy. Tiếng ồn, chơi ngẫu nhiên không giải thích được. Một dự báo tốt sẽ nắm bắt được xu hướng và tính thời vụ và không bị đánh lừa bởi những tiếng ồn. Trên hết, các sự kiện chồng chất: chiến dịch, khuyến mãi, ngày nghỉ lễ, thời tiết, động thái của đối thủ cạnh tranh. Khi bạn đưa ra dự đoán cho AI, bạn phải cho nó biết những sự kiện này; Nếu bạn không nói cho anh ấy biết, anh ấy sẽ cho rằng việc nhảy vào ngày vận động tranh cử là “bình thường” và sẽ mắc sai lầm về tương lai.
Mẹo: Khi cung cấp dữ liệu bán hàng thô cho AI, hãy đánh dấu các chiến dịch, ngày lễ và ngày hết hàng. Ngày không có hàng rất quan trọng: doanh số bán hàng ngày hôm đó có vẻ thấp nhưng nhu cầu thực tế lại cao, chỉ là không có hàng sẵn. Nếu bạn không chỉ rõ điều này, AI sẽ đánh giá thấp nhu cầu thực tế.
Đo độ chính xác: MAPE và độ lệch
“Dự báo có tốt không?” Câu trả lời cho câu hỏi đến từ sự đo lường chứ không phải cảm giác. Chỉ báo phổ biến nhất là MAPE (Lỗi phần trăm tuyệt đối trung bình - trung bình có bao nhiêu điểm phần trăm khiến các dự đoán sai lệch so với thực tế). Nếu MAPE là 10%, điều đó có nghĩa là dự đoán của bạn sai giá trị thực trung bình 10%; MAPE thấp hơn thì tốt hơn. Khái niệm quan trọng thứ hai là độ lệch: dự báo của bạn có nhất quán cao hơn (tạo ra tình trạng dư thừa hàng) hay thiếu hàng (thiếu hàng) thực tế không? Ngay cả khi dự báo có MAPE thấp nhưng nếu nó luôn lệch theo cùng một hướng thì vẫn có vấn đề mang tính hệ thống.
Bạn có thể cung cấp cho AI một phần lịch sử dưới dạng "huấn luyện" và một phần là "thử nghiệm" và so sánh dự đoán của nó với thực tế. Đây là cách trung thực để xây dựng niềm tin: thử nghiệm mô hình trên dữ liệu mà nó chưa thấy. Một dự đoán chỉ có giá trị áp dụng cho tương lai nếu nó đã được chứng minh là nhất quán trong quá khứ.
Thận trọng: Không có dự đoán nào chính xác 100%; Nó không được mong đợi sẽ xảy ra. Mục tiêu không phải là tạo ra một số hoàn hảo mà là một phạm vi có thể quản lý được, biết được độ lệch. Ý tưởng nhị phân về “dự đoán đã thành hiện thực/nó không hoạt động” là sai; Câu hỏi đúng là "nó đã sai lệch bao nhiêu và tôi đã giữ lại bao nhiêu vùng đệm?"
Quản lý sự không chắc chắn: phạm vi, không phải số đơn
Thói quen nguy hiểm nhất của người lập kế hoạch là coi dự báo như một con số cứng duy nhất. Trên thực tế, mọi dự báo đều có khoảng tin cậy - chẳng hạn như “nhu cầu tháng tới rất có thể nằm trong khoảng từ 900 đến 1.100”. Phạm vi này càng rộng thì độ không chắc chắn càng cao. Biết phạm vi ảnh hưởng trực tiếp đến quyết định trữ hàng của bạn: phạm vi hẹp yêu cầu ít hàng dự trữ an toàn hơn, phạm vi rộng yêu cầu nhiều khoảng đệm hơn.
Vì vậy, hãy luôn hỏi AI về các tình huống: bi quan (nếu nhu cầu thấp), dự kiến và lạc quan (nếu nhu cầu cao). Xem xét ba kịch bản, kế hoạch này không dựa trên một giả định duy nhất mà dựa trên một loạt các khả năng có thể xảy ra. Đây là cách thiết thực nhất để thoát khỏi cái bẫy “bị khóa số duy nhất”.
Từng bước: Nghiên cứu dự báo nhu cầu với AI
- Xóa dữ liệu. Đánh dấu ngày thiếu, ngày hết hàng, mở hồ sơ sai sót; Làm việc với mã sản phẩm ẩn danh.
- Gắn thẻ sự kiện. Thêm chiến dịch, ngày nghỉ lễ và ngày khuyến mãi vào dữ liệu.
- Trừ mô hình. Yêu cầu AI tóm tắt các xu hướng, tính thời vụ và các sự kiện đáng chú ý.
- Kiểm tra nó. Lưu trữ phần cuối cùng của lịch sử, để AI dự đoán, so sánh với thực tế (MAPE và thiên hướng).
- Tạo một kịch bản. Yêu cầu ba dự đoán, bi quan/kỳ vọng/lạc quan và khoảng tin cậy cho mỗi dự đoán.
- Bộ lọc chuyên gia. AI không biết về những gián đoạn đã biết sắp xảy ra (sản phẩm mới, khủng hoảng nguồn cung, luật pháp); thêm chúng theo cách thủ công. Kế hoạch cuối cùng là của bạn.
ba trường hợp nhỏ
Trường hợp 1 - Nắm bắt tính thời vụ. Một nhà phân phối đồ uống phàn nàn rằng anh ta liên tục hết hàng trong những tháng mùa hè và chỉ còn hàng trong mùa đông. Người lập kế hoạch đã cung cấp doanh số bán hàng hàng ngày ẩn danh trong 3 năm cho YZ và loại bỏ tính thời vụ: nhu cầu từ tháng 6 đến tháng 8 gấp 2,4 lần mức trung bình của mùa đông và bước nhảy vọt bắt đầu vào giữa tháng 5 hàng năm. Theo mô hình này, anh ấy đã chuẩn bị hàng vào mùa hè trước 3 tuần; lượng chết mùa hè giảm 70%, lượng chết mùa đông giảm. AI đã cho thấy mô hình; Người lập kế hoạch đưa ra quyết định về kho hàng.
Trường hợp 2 - Nhượng bộ sản phẩm mới. Một công ty sắp tung ra một sản phẩm hoàn toàn mới; Không có dữ liệu bán hàng lịch sử. Người lập kế hoạch hỏi AI: "Nhu cầu trong 3 tháng đầu tiên sẽ là bao nhiêu?" anh ấy hỏi. AI đưa ra một con số có vẻ hợp lý - nhưng người lập kế hoạch biết rằng nó vô căn cứ: không có dữ liệu. Thay vào đó, AI hỏi "Mẫu sản phẩm 3 tháng đầu tiên được phát hành ở các phân khúc tương tự trước đây là gì?" phân tích và thiết lập nó như một phạm vi dự báo, với lượng hàng tồn kho ban đầu thận trọng. Đánh giá của chuyên gia đã bác bỏ sự tự tin hư cấu của AI.
Trường hợp 3 - Không có hàng là cái bẫy trong ngày. Một nhà phân tích kết luận rằng nhu cầu về một sản phẩm đã giảm và đề nghị giảm lượng hàng tồn kho. Đồng nghiệp cấp cao của anh nhận thấy rằng những ngày doanh số thấp trong dữ liệu thực chất là những ngày hết hàng: nhu cầu không giảm, không có hàng. Khi dữ liệu được sửa lại theo ghi chú này và đưa lại cho AI, người ta thấy nhu cầu thực tế đã tăng lên. Dữ liệu được làm sạch không đúng cách sẽ tạo ra những dự đoán không chính xác.
Bốn mẫu có thể sao chép
1) Trích xuất mẫu:
Vai trò của bạn: trợ lý phân tích kế hoạch nhu cầu. Dưới đây là số liệu bán hàng hàng tháng của một sản phẩm (mã ẩn danh: product-X) trong 36 tháng qua. Tháng chiến dịch [danh sách tháng], tháng không có hàng [danh sách tháng]. Nhiệm vụ: Tóm tắt (1) xu hướng, (2) diễn biến theo mùa, (3) các sự kiện đáng chú ý. Hãy tính đến những tháng không có hàng tồn kho che giấu nhu cầu thực sự. Tháng mà tôi không cung cấp dữ liệu là bịa đặt.
2) Kiểm tra độ chính xác:
Dự đoán 6 tháng gần nhất sử dụng 30 tháng đầu tiên của 36 tháng dưới đây. Sau đó so sánh dự đoán của tôi với thực tế 6 tháng qua; Tính toán độ lệch và tổng MAPE cho mỗi tháng. Hãy cho tôi biết nếu ước tính của bạn luôn bị sai lệch. Hiển thị công thức.
3) Kịch bản dự báo:
Ước tính nhu cầu hàng tháng đối với sản phẩm này trong quý tới theo 3 kịch bản: bi quan/dự kiến/lạc quan. Đưa ra khoảng tin cậy cho từng kịch bản và viết ra giả định đó dựa trên. Lưu ý rằng đây không phải là điều dứt khoát mà là một khoảng thời gian để lập kế hoạch.
4) Kiểm soát sự cố:
Hãy liệt kê xem dự báo dựa trên dữ liệu lịch sử mà tôi đã cung cấp cho bạn có thể bị vô hiệu như thế nào bởi các sự kiện sắp tới sau: [sản phẩm mới / khuyến mãi / khủng hoảng nguồn cung / thay đổi quy định]. Đề xuất cách tôi nên điều chỉnh dự báo theo cách thủ công cho từng mục.
Dấu nhắc yếu / Dấu nhắc mạnh
Dấu nhắc yếu:
Tháng tới tôi sẽ bán được bao nhiêu?
Không có dữ liệu, không có sản phẩm, không có bối cảnh. AI hoặc từ chối hoặc bù đắp; không có kết quả nào hoạt động.
Lời nhắc mạnh mẽ:
Vai trò của bạn: trợ lý lập kế hoạch nhu cầu. Dưới đây là doanh số bán RED-X trong 24 tháng qua; Tháng chiến dịch và tháng không có hàng được đánh dấu. Đưa ra dự báo bi quan/dự kiến/lạc quan trong 3 tháng tới, thêm khoảng tin cậy cho từng dự báo, hiển thị MAPE qua thử nghiệm trước đây. Giả vờ như tôi có quyết định cuối cùng về cổ phiếu.
Cách tiếp cận
đánh
quản lý sự không chắc chắn
Rủi ro
dựa vào số duy nhất
gây hiểu lầm
không có
Cao — kế hoạch sụp đổ
Kịch bản + phạm vi
thực tế
tốt
thấp
chỉ là trực giác
Biến
yếu đuối
trung bình cao
Tuân lệnh AI một cách mù quáng
Biến
không có
cao
Những lỗi thường gặp
- Nhầm ngày hết hàng với nhu cầu thực sự thấp. Khi không có hàng, doanh số bán hàng có vẻ thấp; Điều này không có nghĩa là nhu cầu đã giảm.
- Khóa trong một số duy nhất. Xem dự đoán là sự thật tuyệt đối là bỏ qua sự không chắc chắn; Luôn yêu cầu phạm vi và kịch bản.
- Không gắn thẻ chiến dịch. Mô hình cho rằng việc tung ra quảng cáo là “bình thường” sẽ bóp méo tương lai.
- Dự đoán về sản phẩm mới mà không có lịch sử. Con số tưởng chừng như an toàn của AI đối với sản phẩm không có dữ liệu là không có cơ sở.
- Để lại việc phá vỡ cho AI. AI không biết những sự phá vỡ cấu trúc như dịch bệnh, khủng hoảng nguồn cung và luật pháp; Phải có sự can thiệp của chuyên gia.
Thận trọng: Cho dù dự đoán có tốt đến đâu thì nó cũng không thể tốt hơn chất lượng của dữ liệu làm cơ sở cho dự đoán đó. "Rác vào, rác ra." Dành phần lớn thời gian của bạn để làm sạch dữ liệu; Phần mô hình thực hiện phần còn lại.
Tóm lại
Dự báo nhu cầu là động cơ của chuỗi cung ứng và AI là trợ thủ đắc lực giúp tăng tốc động cơ này. Nhưng AI học hỏi từ quá khứ; là sai lầm khi tương lai không giống quá khứ. Nắm bắt xu hướng và tính thời vụ, gắn thẻ các sự kiện, đo lường độ chính xác bằng MAPE và hướng trôi, thiết lập dự báo dưới dạng kịch bản và phạm vi chứ không phải một con số. Đánh giá của chuyên gia được đặt lên hàng đầu trong các sản phẩm mới và sự phá vỡ cấu trúc. Làm sạch dữ liệu là nền tảng của mọi thứ; Kế hoạch cuối cùng là của bạn.
Nhiệm vụ ứng dụng
Nhận dữ liệu bán hàng trong 12-24 tháng qua của một trong những sản phẩm của chính bạn (hoặc sản phẩm giả định), đánh dấu chiến dịch và những tháng hết hàng. Hỏi AI về ba tình huống với mẫu “dự đoán kịch bản”. Sau đó lưu trữ một số lịch sử bằng mẫu "Kiểm tra độ chính xác" và so sánh dự đoán với thực tế. Viết MAPE bạn đã tìm thấy và kịch bản bạn đã chọn, cùng với lý do của nó, vào 5 mục; Đồng thời chỉ định bộ đệm bảo mật nào bạn sẽ thêm.
danh sách kiểm tra
- [ ] Tôi đã xóa dữ liệu, đánh dấu hết hàng và ngày chiến dịch chưa?
- [ ] Tôi đã xác thực dự đoán bằng MAPE và hướng sai lệch thông qua kiểm tra ngược chưa?
- [ ] Tôi có yêu cầu một kịch bản và khoảng tin cậy thay vì một con số không?
- [ ] Nếu có sản phẩm mới/hỏng hóc, tôi có ưu tiên đánh giá của chuyên gia không?
- [ ] Tôi đã phê duyệt kế hoạch tồn kho cuối cùng chưa?