Prognozowanie demanda i zasoby bezpieczeństwa: Przekształcanie prognoz ML w decyzje dotyczące zapasów

Prognoza nie jest planem

Często popełniana błąd w zastosowanych prognozach polega na interpretacji przewidywania punktowego — „oczekujemy, że sprzedamy 42 egzemplarze tego SKU poniedziałkowe popołudnie” — jako instrukcji do zapasowania. To nie jest takie. Każda prognoza zawiera rozkład błędu, a polityka zapasów oparta tylko na wartości oczekiwanej systematycznie prowadzi do niedostatku około pół czasu, ponieważ połowa wszystkich rzeczywistych realizacji wymagania przewyższa średnią z definicji. Towarzyszące prognozie firmy uzyskują najwięcej wartości, które traktują prognozę jako wejście do polityki zapasowej, a nie jako samą politykę.

To ważne, ponieważ dwie formy niepowodzeń zarządzania zapasami są asymetryczne w kosztach. Niedostatek stratuje konkretne sprzedaz dzisiaj i, bardziej drogo, może spowodować przeprowadzenie klienta na produkt konkurencji do przyszłych zakupów. Nadzabudowanie zatrzymuje kapitał, zużywa miejsce w magazynie, a dla towarów powszechnie sprzedawanych lub sezonowych, ostatecznie prowadzi do odpadu. Well-designed system nie eliminuje jednego po drugim — pozwala firmie świadomie wybierać, jaką część jednego ryzyka zaszkodzić drugiemu.

Tworzenie prognozy dla poszczególnych pozycji towaru na skalę

Na skalę katalogu handlowego zawierającego setki lub tysiące pozycji towaru (SKU), prognozowanie dla każdego przedmiotu musi być automatyzowane i musi radzić sobie z nierównomierną jakością danych. Praktycznym wzorem jest hierarchia odrobinowego opadania: SKU o długiej, stabilnej historii sprzedaży otrzymują pełny model sezonowy (Prophet jest powszechnym wyborem, ponieważ automatycznie wykrywa tygodniową i roczną sezonowość oraz degradowa się łagodnie przy brakujących danych); nowe SKU z mniej niż 90 dniem historii otrzymują odrobinowy opadanie do prostego średniego lub prognozy przysługującego produkta bardziej stabilnego; SKU z akcjami promocyjnymi otrzymują flagi akcji dodane jako regresory, aby zapobiec interpretacji planowanego rabatu jako organicznej wzrostu proizwozowego.

Dwa szczegóły inżynierskie oddzielają prognozę działającą od tych, które cicho porzucają pracę w produkcji. Pierwszy: podział na trening i test musi być oparty na czasie, nigdy nie losowym — ocena modelu na przypadkowo wybranych 20% wierszy pozwala na przepływ informacji przyszłych do przeszłości i prowadzi do fałszywie optymistycznych liczb dokładności. Drugi: prognozy nigdy nie powinny być pozwalane na ujemne wartości; model, który prognozuje -3 sztuki dla wolno sprzedającego SKU, musi mieć swoje wyjście ograniczone do zera przed dotarciem do dowolnego systemu planowania dolistniejącego.

Z prognozy punktowej do rozkładu błędu

Przez modelowanie jasno wyrażonej niepewności prognozy, a nie jej ignorowanie, zamykamy dziurawą linie między prognozą a planowaniem zapasów. Odchylenie standardowe residualne prognozy — jak daleko rzeczywiste przytyki historyczne odchodziły od przewidywanego wyniku modelu — stało się kluczowym elementem obliczeń zapasów bezpieczeństwa. Dla danego poziomu usługi (prawdopodobieństwa, że nie wystąpi brak towaru podczas okresu dostawy), wymagany bufor jest proporcjonalny do wartości z-tych z rozkładu normalnego pomnożonej przez błąd prognozy i pierwiastek z okresu dostawy w dniach: cel na poziomie 95% odpowiada wartości z-tych około 1,65, podczas gdy cel na 99% przesunie ten mnożnik do około 2,33.

To tworzyła łańcuch liczb, który bezpośrednio wpływa na decyzję zakupową: oczekiwana dzienna przytyka z prognozy, błąd prognozy z historii residualnej, zapas bezpieczeństwa z danego poziomu usługi, punkt reordenowy równy sumie oczekiwanej przytyki nad okres dostawy i buforu bezpieczeństwa, a ilość zamówienia przystosowana do wybranego okresu planowania (często 30 dni oczekiwanych przytyków). Nie żadna z tych liczb wymaga modelowania eksotycznego — wymaga jedynie serio bierąc pod uwagę niepewność prognozy zamiast jej ignorować po produkcji prognozy punktowej.

Oceny quantile jako alternatywa dla założeń dotyczącego rozkładu normalnego

Formuła bezpiecznej zapasowości powyżej zakłada, że błędy prognozy są w przybliżeniu rozłożone prawidłowym rozkładem normalnym, co jest dobrej aproksymacji dla wysokosztrowanych SKU stabilnych, ale zanika dla intermitentnego lub bardzo sezonowego zapotrzebowania, gdzie rozkład błędu jest podskojarzony. Bardziej odporne alternatywą jest prognoza quantile bezpośrednio zamiast jednej średniej: trening osobnych modeli gradientowo pozbawionych zasobów ze stratą quantile na, m.in., 10%, 50% i 90% procentylach tworzy pełny zakres prognoz (P10 jako konserwatywna granica dolna, P50 jako centralne szacowanie, P90 jako przypadek górny) bez założenia na jakąkolwiek konkretną kształt błędu.

Ten podejście generalizuje się prosto do rozmów planowania, które przekraczają pojedynczy punkt odświeżenia — zakres P10/P50/P90 zysku lub zapotrzebowania daje zespołu kupujący / finansowy „najgorszy przypadek / oczekiwany przypadek / najlepszy przypadek” koncepcję, której pojedyncza liczba nie jest w stanie, a także jest bezpośrednio użyteczny do ustalania zobowiązań zakupowych pod warunkiem minimalnych zamówień dostawcy, gdzie koszt nadmiernego i niedostatecznego zamówiania nie jest symetryczny.

Gdzie rzeczywisty próg dokładności znajduje się

Dokładność prognozy jest często wyrażana jako MAPE (średnia absolutna procentowa błąd), a warto mieć realistyczną wizję, co oznacza „dobry” wynik przed ustaleniem interwenniowych celów. Prognozowanie zapotrzebowania dla istniejącychSKU o dużej ilości sprzedawanych towarów zwykle osiąga zakres 5-10% MAPE, gdy jest wykonane poprawnie; bardziej volatylne kategorie, nowe produkty lub krótkie okna historii przesuwają ten zakres do 15-20% i więcej. Nie ma niczego, co mogłoby skompensować prawdziwego szumu zapotrzebowania i zmniejszyć błąd do jednocyfrowych procentów, nawet za pomocą bardziej sofistycjonowanych modeli. Użyteczna dyscyplina polega na wyznaczaniu nowych modeli względem prostej bazowej linii referencyjnej — takiej jak to samo dnia poprzedniej tygodni — ponieważ sofistyczny model, który tylko niewiele lepiej niż trivialna baza, nie jest warta dodatkowej złożoności operacyjnej utrzymania go.

Częstotliwość retrainingu ma taką samą wagę jak wybór modelu. Zmiany cen, działania konkurencji i ogólne warunki rynkowe przesuwają modele prognozy, więc model treningowy jednorazowo nałożony i pozostawiony bez zmian zaszkodzi mu cichym sposobem przez miesiące. Przeprowadzanie retrainingu co tydzień lub co miesiąc, towarzysząc automatycznemu monitoringu błędu prognozy w poruszającym się oknie, złapie tę degradację przed tym, jak stanie się źródłem niedostatków magazynowych lub zasypki zapasów, które tylko stać się będą widoczne podczas następnego fizycznego przeliczenia.

Rozwiązanie zagadki przez wyraźne zdefiniowanie trade-off

Ostatecznym krokiem jest połączenie technicznego procesu z decyzją biznesową, która może być rozumiana przez niezawodowych aktywistów. Zamiast przedstawić projekt prognozy jako „poprawiliśmy dokładność modelu”, bardziej użyteczne jest bezpośrednie porównanie: na bieżącym poziomie usługi, jakie są oczekiwane stopy niedostarczeń i nadzamowień, w jednostkach i walutach, a co zmienna korekcja poziomu usługi wpływa na każdy z tych aspektów? Poziom 95% i 99% sugerują znacząco różne inwestycje w bezpieczne zapasy, a odpowiedź prawidłowa to biznesowa decyzja o tym, które SKU są warto chronić bardziej agresywnie — produkt flagowy, który motywuje powtarzające się zakupy, wymaga wyższego poziomu usługi niż długotowca dodatku, dla którego klient może zadowolony podjąć subsytuację.

Często zadawane pytania

Wypróbuj na żywo

Wszystko powyżej działa bezpośrednio w Twojej przeglądarce — otwórz Demand Forecasting and Safety Stock i zmieniaj parametry podczas działania. Nic nie jest instalowane ani przesyłane na serwer, cały model działa w jednej karcie.