Jedną z rzeczy, które mnie interesują w ruchu AI, jest kreatywne wykorzystanie danych i algorytmów do rozwiązywania starych problemów w nowy sposób lub do rozwiązywania nowych problemów.
Mój kolega Vikram Srinivasan mówił o jednym z takich nowych problemów w poprzednim poście na blogu: AI zmienia wszystko, co myśleliśmy o prognozowaniu popytu.
Vik omówił, w jaki sposób AI pomaga poprawić prognozowanie popytu dzięki dodatkowym danym i nowym algorytmom. Wnikając głębiej, wspomniał o obszarze, który sklasyfikowałbym jako zupełnie nowy problem: prognozowanie krótkoterminowe.
Co to jest prognozowanie krótkoterminowe? Opisałbym to jako próbę przewidzenia, jakie będzie następne zamówienie Twojego klienta. Ten problem jest jeszcze bardziej powszechny w przypadku osób sprzedających za pośrednictwem szybko rozwijających się kanałów e-commerce. Oznacza to, że jeśli jesteś producentem sprzedającym przez Amazon, Walmart.com, Home Depot.com itp., Pytanie, które chciałbyś wiedzieć, to, co zamówią od Ciebie w przyszłym tygodniu (lub kilka dni).
Tradycyjne prognozowanie (nawet tradycyjne prognozowanie wspomagane przez sztuczną inteligencję) pomaga lepiej planować produkcję, zapasy i wydajność. Informuje również, kiedy można spodziewać się gwałtownych wzrostów popytu (np. Sezonowości) i jaki wzrost należy zaplanować.
Prognozowanie krótkoterminowe jest inne. Tutaj nasze cele są krótkoterminowe i taktyczne. Po prostu dbamy o to, jak będzie wyglądać kolejne zamówienie. Dbamy o to, ponieważ w ten sposób jesteśmy mierzeni i karani. Jeśli zamówienie przyjdzie za 100, a my dostarczymy tylko 50, poniesiemy kary. A jeśli skracamy zlecenie w ciągu jednego tygodnia, możemy spodziewać się jeszcze większej zmienności w nadchodzących tygodniach.
Detaliści zajmujący się handlem elektronicznym dostarczają długoterminowych prognoz dotyczących tego, jaki będzie popyt na produkty. Ale ta prognoza jest zwykle na poziomie globalnym (zagregowana we wszystkich witrynach) i niezbyt wiarygodna. Producenci często są zaskoczeni bardzo nieregularnymi zamówieniami na poziomie zakładu, które otrzymują co tydzień.
W rzeczywistości detaliści handlu elektronicznego często mają algorytm uczenia maszynowego, który składa te zamówienia. Algorytmy uwzględniają nie tylko oczekiwane zapotrzebowanie konsumentów, ale również uwzględniają takie rzeczy, jak liczba osób odwiedzających strony internetowe produktów, to, czy produkt był ostatnio niedostępny, i jak ogólnie sprzedawca działa.
Jak więc producenci mogą nadążyć? A jeśli walczyli z ogniem? Lub uczenie maszynowe z uczeniem maszynowym w tym przypadku. Gdyby producenci mogli nauczyć się „inżynierii wstecznej” tych algorytmów kolejności, mogliby znacznie poprawić swój wgląd w nadchodzące zamówienia i proaktywnie dostosowywać operacje, aby uniknąć zaskoczenia.
Sztuczna inteligencja może pomóc w inżynierii wstecznej tych algorytmów. Przewiduje, jakie będzie zamówienie, wykorzystując te same dane, które posiada sprzedawca detaliczny - lub przynajmniej te dane, które sprzedawca e-commerce obecnie udostępnia swoim dostawcom.
W tym sensie problem ten jest również ściśle powiązany z marketingowym problemem AI polegającym na dostarczeniu następnej najlepszej akcji lub rynkowym problemem AI polegającym na wydaniu rekomendacji. Ostatecznie szukamy naszego algorytmu, który powie nam, jakie prawdopodobnie będzie następne działanie.
Prognozowanie krótkoterminowe wymaga zarówno danych wewnętrznych (poprzednie zamówienia, poprzednia realizacja dostaw), jak i danych z portalu sprzedawcy internetowego (informacje o stanie magazynowym, informacje o odsłonach, zmiany cen produktu).
AI otwiera wiele nowych problemów do rozwiązania. Wraz z ciągłym rozwojem handlu elektronicznego obszary takie jak prognozowanie krótkoterminowe będą coraz bardziej powszechne.
Mike Watson jest starszym wiceprezesem Analityka Opex Podział LLamasoft. Z tytułem doktora inżynierii przemysłowej i ponad 20-letnim doświadczeniem wiodących globalnych zespołów biznesowych w LogicTools, ILOG i IBM, Mike wnosi do zespołu głęboką wiedzę analityczną i optymalizację łańcucha dostaw. Łączy wiedzę techniczną z osobistym podejściem do pomocy klientom w projektowaniu i wdrażaniu skutecznych rozwiązań dla przedsiębiorstw.
Źródło: https://logisticsviewpoints.com/2020/05/19/near-term-forecasting-ai/
