52% руководителей цепей поставок называют доверие к решениям AI одним из главных барьеров для более быстрого внедрения технологии. Еще 51% хотят видеть понятный ROI и срок получения результата от инвестиций.
Такие данные приводит IDC в исследовании Making Supply Chain AI Accountable. В нем участвовали более 2 000 руководителей цепей поставок на 9 рынках.
Сегодня 6% компаний называют свои цепи поставок автономными в масштабе бизнеса, а через один-два года 41% ожидают, что такой подход станет основной моделью работы. При этом механизмы управления AI в планировании полностью встроены в операционные процессы только у 12% опрошенных компаний.
При проверке прогноза спроса важно знать, какие данные использовались, какие бизнес-факторы были учтены и насколько результат оказался близок к факту.
На каких данных AI построил прогноз спроса?
Начать стоит с исходных данных. На результат могут влиять пропуски, выбросы, разовые продажи и изменения в структуре ассортимента.
При проверке прогноза важно знать:
- какой период истории использовался;
- как обрабатывались выбросы;
- учитывались ли разовые события;
- насколько актуальны данные на момент расчета.
Например, крупный заказ в прошлом периоде может повлиять на следующий прогноз спроса. Для оценки результата нужно понимать, относится ли он к регулярному спросу или был разовым событием.
Прогноз по товарной категории и прогноз по отдельному SKU в конкретной точке продаж рассчитываются на разном уровне детализации. Горизонт тоже имеет значение: показатели качества стоит сравнивать для сопоставимых периодов и задач.
Какие события повлияли на прогноз спроса?
История продаж не содержит информацию обо всех будущих изменениях.
Бизнес может заранее знать о промо, изменении цены, листинге, тендере, крупном заказе, запуске нового товара.
При заметном изменении прогноза спроса стоит проверить, какие события были учтены и с какой оценкой влияния. Например, после учета будущей акции прогноз заметно вырос. В этом случае стоит проверить, какой эффект промо был заложен в расчет.
Что можно проверить после появления факта?
После завершения периода прогноз спроса можно сопоставить с фактическим спросом и посмотреть:
- насколько велико отклонение;
- по каким товарам или группам ошибки выше;
- как изменился результат после учета бизнес-факторов;
- улучшили ли прогноз экспертные корректировки.
При анализе нескольких периодов можно также проверить, не отклоняется ли прогноз регулярно в одну сторону.
Для оценки используют разные метрики. Например, MAPE и WAPE показывают величину ошибки, а Bias помогает обнаружить устойчивое смещение прогноза.
В итоге результат прогнозирования спроса должен оставаться проверяемым. Для этого важно знать, на каких данных выполнен расчет, какие бизнес-факторы были учтены и насколько прогноз совпал с фактическим спросом.
