收益：
- 能够在人工智能支持下，结合历史销售数据、季节性影响和外部因素，以 SKU 为基础生成需求预测草案。
- 能够解释预测准确性（MAPE、偏差）并区分高估和低估的业务后果
- 能够坚持认为人工智能产生的预测只是预测，最终的订单决策连同库存成本和现金流一起属于管理者。
零售业有两个最昂贵的错误：库存过多，让钱在货架上滞留；或者库存不足，让顾客空手而归。两者都有相同的根源：糟糕的需求预测。在本单元中，您将学习如何使用人工智能作为强大的助手，根据过去的销售情况预测未来。但我们从一开始就说：预测不是预言，而是概率预测。 AI给你一个数字；您的工作是将这个数字转化为订购决定。
需求预测：通过查看历史数据和影响因素来预测某种产品或类别未来的销量的任务。
SKU（库存单位）：它是为每个不同产品变体保留的唯一库存代码。例如，“红色，尺寸 42 运动鞋”是一个 SKU；同一型号的 43 号是一个单独的 SKU。
提供预测的三个信息来源
一个好的预测结合了三件事：
- 历史销售额（基线）：过去 12-24 个月内产品的每周/每月销售额。 AI从这个系列中提取出“正常”水平。
- 季节和日历影响：假期、学期、夏季-冬季、周末、发薪日。比如夏天冰淇淋增加，冬天袜子增加。
- 外部因素：活动、价格变化、天气、竞争对手动向、开盘/收盘。这些因素会导致估计值上升或下降。
提示：不要只是告诉 AI“我们上个月卖了 100 个”。说：“我们上个月售出了 100 件，但有 20% 的折扣，而且那天是假期。”没有上下文，预测就会产生误导。
逐步预测生成
- 准备数据：匿名、干净的表：日期、SKU、销售数量、价格、促销/无促销、可用性。标记缺货日期；否则，人工智能会认为那一天是“低需求”。
- 给出背景：写下季节、即将举行的活动、计划的活动。
- 请求预测：请求特定时期内按 SKU 或类别的预测和置信区间（最坏/最好情况）。
- 衡量准确性：将您过去的预测与现实进行比较（如下图所示的 MAPE）。
- 将其转化为决策：将估算与安全库存和预算相结合并做出订购决策。
阅读预测准确性：MAPE 和偏差
MAPE（平均绝对百分比误差）：显示预测与实际销售的平均百分比偏差。公式很简单：|实际-预测|每个时期/真实是他们的平均值。
- MAPE 10% → 估计值平均偏差 10%，相当不错。
- MAPE 40% → 预测不可靠，订单决策需要更多缓冲（安全库存）。
方向（偏差）：您的预测是否始终高于现实（库存过剩风险）或低于现实（库存缺货风险）？也请注意这一点； MAPE 不显示方向。
状态
含义
业务成果
持续高估
你夸大了需求
库存过剩、崩溃、利润损失
持续低估
你低估了需求
缺货、错过销售、不满意
高MAPE，平衡方向
不确定性很高
增加安全库存，经常审核
低MAPE
准确预测
库存减少，现金增加
迷你箱
案例 1 — 季节性缺失：一家杂货店根据去年 7 月的销量（每月 200 份）订购学校笔记本。当人工智能给出“8 月至 9 月学期，去年同期销量翻了两番”的背景时，预测会增加到 780 件而不是 200 件。由于订单正确，您在学年期间不会缺货；去年逃出的预计营业额为 60,000 里拉，今年将被捕获。
案例 2 — 不包括缺货日：一家商店的一款热门咖啡缺货了 3 周。查看原始数据，人工智能将这几周视为“每周 5 笔销售额”，并给出了较低的估计。当分析师标记没有库存的天数并表示“这几周没有反映需求”时，预测会增加到每周 45 个。真正的需求出现了。
案例 3 — 推广活动效果：一家纺织连锁店将每周折扣 50%（600 件）视为“正常”，并不断订购 600 件。当人工智能被告知“这次销售是通过一次性活动进行的，正常周是 180 件”时，预测会得到纠正。避免了库存过多和随后的降价损失的风险。
预测视野：你能看到未来多远？
预测范围：预测的未来时间。规则很简单：时间越长，不确定性就越大。您相对准确地预测了下周的销售额；六个月后，范围更广。因此，根据订单决策的需要来选择预测时限：对于生鲜品，用完快，时限短，更新频繁；交货时间长的进口产品的期限更长，安全边际更宽。
另一个重要的区别是新产品预测。过去没有销售过新的 SKU；在这种情况下，您向 AI 提供类似产品（模拟）的历史记录、类别平均值和发布计划。说“该产品没有历史记录；通过查看前 8 周的类似产品 X 和 Y 来给出初步估计”是填补空白的合理方式。然而，新产品的预测总是风险较大；当前几周的实际数据可用时，快速修改预测。
注意：不要将估算视为“做一次就可以忘记”的处理方法。需求预测是一个实时过程；每个新的销售周都是更新预测的机会。最好的预测者是那些使用更新最频繁的模型的人，而不是最聪明的模型。
弱提示/强提示
弱提示：
告诉我这个产品下个月能卖多少钱。
没有上下文； AI随机生成一个数字。
强力提示：
您的角色：需求规划专家。数据：以下是SKU 4471过去18个月的月销售数量和价格以及当月是否有促销活动。背景：本产品为夏季凉鞋； 5 月至 8 月是需求高峰。下个月是六月。没有计划开展活动。价格固定。任务：(1) 6 月份的预期销售数量，(2) 最差和最佳情景范围，(3) 影响预测的 2 个主要因素。规则：不要将标记为缺货的月份计为低需求。仅基于给定的数据。数据：[粘贴表格]
可复制的提示模板
1）基于SKU的预测
您的角色：需求规划专家。从以下匿名月度销售系列中生成 [SKU] 的未来 [期间] 预测。输出：预期数量 + 最差/最佳范围 + 2 个假设。排除标记为缺货的时期。数据：[粘贴]
2）季节性模式去除
在下面的 24 个月销售系列中查找重复出现的季节性模式。哪些月份最高，哪些月份最低？以百分比形式给出与平均值的偏差。以表格形式呈现。数据：[粘贴]
3）预测精度评估
以下是我的历史估计和实际销售额。 (1) 计算 MAPE，(2) 我的预测是否持续走高或走低，(3) 这对股票意味着什么？逐步显示。数据：[估计、实际列]
4) 提取活动影响
活动周在下面的销售系列中标记。估计正常（非活动）需求；以单独的提升百分比形式给出营销活动效果。所以我想看看正常的订单水平。数据：[粘贴]
常见错误
- 不提供背景信息：如果未指定活动、季节、价格变化，则预测将会产生误导。
- 是否将缺货天数计为需求：缺货期间隐藏了真实需求；标记。
- 正常接受促销销售：认为一次性增加是永久性的会导致库存过剩。
- 依赖单个数字：不需要范围（场景）并且依赖单个点隐藏了风险。
- 根本不测量准确性：如果不监控 MAPE 和方向，预测会变得越来越差。
- 根据估算直接订购：无需现金、仓库和保质期控制的订购。
总之
良好的预测结合了过去的销售、季节性和外部因素。请务必向 AI 提供背景信息（活动、季节、缺货日）。使用 MAPE 和偏差方向监控预测准确性；在高度不确定的情况下增加安全库存。预测就是预测；最终的订购决定以及预算和限制由您决定。
应用任务
在匿名表中获取过去 12-18 个月内最畅销的 5 个 SKU 的销售额，并标记缺货和促销期间。使用“1) 基于 SKU 的预测”提示生成未来预测，然后使用“3) 预测准确性评估”提取过去预测的 MAPE。将结果与您自己的订购决定进行比较。
清单
- [ ] 我匿名并清理了我的销售数据。
- [ ] 我标记了缺货和促销期间。
- [ ] 我为 AI 提供了季节和外部因素背景。
- [ ] 我想要一个场景范围，而不是一个数字。
- [ ] 我检查了 MAPE 和偏航方向。
- [ ] 我根据预算和限制做出了订购决定。