Školení pro předpovídání zásob s využitím umělé inteligence: jak naučit manažery prodejen vyhodnocovat předpovědi poptávky

Mohou vaši manažeři prodejen říct, proč je prognóza poptávky špatná? Studie z roku 2009, která se zaměřila na více než 60 000 prognóz dodavatelského řetězce, zjistila, že malé lidské úpravy počítačových prognóz je často zhoršují, takže dovedností, kterou je třeba trénovat, je posoudit, kdy a kolik upravit. To je jádro školení v oblasti prognóz zásob s využitím umělé inteligence. Prognóza poptávky je předpověď, kolik produktu si zákazníci v daném období koupí, a nástroj pro prognózování s využitím umělé inteligence ji vytváří z minulých prodejů a dalších signálů. Tato příručka ukazuje, jak navrhnout školení zaměřené na jeden úkol: vyhodnocení prognózy poptávky a předpokladů, na kterých se za ní skrývá. Zahrnuje přípravu, procvičování se zpětnou vazbou, zpracovaný případ s opakovaným pokusem, hodnotící rubriku a kontrolu převodu. Je určena pro ředitele školení v maloobchodě a provozní manažery prodejen. Případová studie a rubrika jsou pouze ilustrativní, takže by si je měl před hodnocením někoho prohlédnout specialista na provoz prodejny.

Rychlá fakta

1. Popište problém s výkonem

Představte si manažerku, která otevírá své týdenní doporučení objednávek pro obchod. Nástroj navrhuje běžné množství balené vody a teplých nápojů pro nadcházející týden. Ví, že v neděli bude hlavní třída uzavřena kvůli charitativnímu běhu. Předpověď počasí o tom nemluví.

Úkolem není nástroj ovládat. Manažer si musí přečíst doporučení, najít předpoklady, na kterých se za ním skrývá, porovnat je s tím, co zná lokálně, a rozhodnout se, co dělat a na co se zeptat. Doporučení vycházejí z modelu, který vidí pouze to, co mu bylo dáno. Manažer vidí situaci.

Tento úvodní scénář je vymyšlený, nikoli skutečný incident od zákazníka. Ukazuje, proč je tato dovednost důležitá pro uvažování. Manažer může dokonale porozumět obrazovkám nástroje a přesto akceptovat číslo, které je chybné kvůli lokální události, zpoždění dodavatele nebo změně skladového prostoru. Toto školení se týká posouzení predikce. Nezabývá se tím, jak je nástroj pro predikci propojen se skladovými systémy, což je samostatné téma s jeho vlastníky.

2. Diagnostikovat mezery ve vzdělávání a kontextu

Porovnejte, co daná role potřebuje, s dnešními tréninkovými testy. Kvíz o nástrojích, které testují funkce, si odpoví: „Kde najdete týdenní doporučení?“ Nemůže ukázat, zda manažer dokáže odhalit pochybný předpoklad. To je analýza a hodnocení. Náš průvodce přiřazování vzdělávacích aktivit k Bloomově taxonomii vysvětluje, jak číst kognitivní nároky takového úkolu.

Pak zkontrolujte příčiny, které školení neopraví:

• Data. Vidí nástroj propagační akce, místní události, počasí a dodací lhůty, nebo pouze minulé prodeje?
• Autorita. Může manažer změnit objednávku, nebo pouze schválit doporučení?
• Nástroje. Vidí manažer, proč nástroj doporučil určité číslo, nebo jen samotné číslo?
• Postupy. Existuje způsob, jak nahlásit špatnou předpověď a dostat odpověď?
• Praxe. Byl někdy nějaký manažer požádán, aby zpochybnil prognózu a vysvětlil proč?

Pouze poslední je prostá mezera v tréninku. Ostatní sdělte sponzorům a dohodněte se, kdo je zodpovědný za každý z nich. Manažer, který je vyškolen zpochybňovat prognózu, ale nedokáže změnit pořadí, to rychle vzdá.

3. Navrhněte cílenou přípravu a praxi

Tři vrstvy, každá s vlastním úkolem.

Příprava: zkontrolujte si předpoklady. Stručně shrňte termíny použité v případu, jako je prognóza, dodací lhůta, bezpečnostní zásoby a zvýšení povýšení. Kontrola stažení zboží z trhu potvrzuje, že jsou splněny předpoklady. Neoznamujte to jako připravenost.

Cvičení: laboratoře s vyváženými scorecardy se zpětnou vazbou vázanou na rozhodnutí. Místo posuzování prognózy na základě jednoho čísla dejte manažerům malou hodnotící tabulku, se kterou se mohou vypořádat. Ta by se mohla ptát na čtyři věci: jak přesné byly poslední prognózy, zda se prognóza přiklání k jedné straně (spíše nadhodnocuje nebo podhodnocuje), jaké jsou náklady na vyčerpání rezerv oproti nákladům na příliš velké množství rezerv a které předpoklady může manažer potvrdit nebo zpochybnit. Každá laboratoř se ptá na rozhodnutí a důvod.

Zpětná vazba by měla poukazovat na rozhodnutí: „Pojmenovali jste událost, ale neuvedli jste, o kolik jednotek byste změnili pořadí“ je užitečnější než „Dobrý úsudek“. Náš průvodce navrhování interaktivních postupů s užitečnou zpětnou vazbou jde dál.

Revize a přenos: diskuse o nejednoznačné volbě. Živý vstup od regionálního manažera nebo plánovače doplňování zásob je nejdůležitější tam, kde jsou obě rozhodnutí obhajitelná, například při malé úpravě nebo eskalaci. Asynchronní kontrola je dostatečná pro jednoduché kontroly, například zda student uvedl předpoklady. Náš průvodce propojení přípravy vlastním tempem s živým koučováním ukazuje, jak je rozdělit.

Slovo o důkazech, protože ty formují to, co učit. Ve studii z roku 2009 v časopise International Journal of Forecasting, Fildes, Goodwin, Lawrence a Nikolopoulos analyzovali více než 60 000 prognóz a výsledků od čtyř společností zabývajících se dodavatelskými řetězci a zkoumali, co se stane, když lidé upraví počítačem generované prognózy. Úpravy ve většině případů v průměru zlepší přesnost, ale malé úpravy často prognózy zhorší a úpravy směrem nahoru pravděpodobně pomohou méně než úpravy směrem dolů, což autoři interpretují jako zkreslení optimismu. Jednalo se o studii plánovačů dodavatelského řetězce, nikoli manažerů prodejen, takže se nejedná o důkazy o vašich prodejnách. Navrhuje však, co praktikovat: upravovat, když k tomu máte skutečný důvod, říct, jak velká je změna a proč, a sledovat svůj vlastní optimismus.

4. Vyřešený případ se zpětnou vazbou a opakovaným pokusem

Ilustrativní příklad. Vedoucí provozu prodejny by měl před použitím ověřit případ a kritéria odpovědi.

Pouzdro. Nástroj doporučuje objednat stejné množství balené vody a teplých nápojů jako minulou neděli. Soubor případu ukazuje osm týdnů prodeje. V pátém týdnu propagační akce prudce zvýšila prodej. V neděli bude hlavní třída uzavřena charitativním během a obchod je na trase. Dodávky od dodavatelů dorazí ve čtvrtek.

Úkol. Vysvětlete své rozhodnutí, uveďte použité důkazy a uveďte, jaké další informace nebo podporu potřebujete.

První pokus. „Předpověď je založena na skutečných prodejích, takže ji přijmu.“ Recenzent se ptá, co předpověď předpokládá ohledně propagačního týdne, zda ví o průběhu akce a co se stane, když se obchod vyprodá do oběda. Student nemá na žádnou z těchto tří otázek odpověď.

Zpětná vazba a opakování. Recenzent poukáže na týden povýšení v spisu a oznámení o akci a požádá studenta, aby rozhodnutí přepsal s jeho předpoklady.

Silnější pokus. Student si všimne, že pátý týden vypadá kvůli propagaci přehnaně, a zeptá se, zda ji model odstranil. Označí, že událost je mimo rámec toho, co model mohl vidět, a navrhne zvýšit objednávku vody o stanovené množství a ponechat teplé nápoje na pokoji, protože ranní nákup pravděpodobně posune studené nápoje více než teplé. Řekne, co by ho rozmyslelo, například odpověď z centrály ohledně loňského nákupu, a zeptá se oblastního manažera, zda by mohl před čtvrtečním doručením zadat další objednávku. Zaznamená změnu, aby ji další kontrola mohla porovnat s prodanými náklady.

Proč je každá odpověď obhajitelná nebo neúplná. Posuďte podle schválených kritérií. První pokus se může ukázat jako správný, ale nemůže to prokázat, protože nebyl ověřen žádný předpoklad. Druhý je silnější, protože ukazuje, co se předpokládalo, co bylo upraveno a proč a kde končí autorita manažera. Přidejte variantu, která upravuje jen nepatrně bez udání důvodu, a zeptejte se skupiny, jak by se mělo skóre změnit.

5. Posouzení kapacit a plánování přenosu

Každé kritérium ohodnoťte od 0 do 2. Kritéria upravte se svým specialistou: tato rubrika je navrhovaným výchozím bodem, který by měl váš specialista ověřit.

Definujte kritické chyby samostatně, například řazení za hranicí bezpečnostního nebo prostorového limitu. Celkové skóre nesmí nikdy zakrývat kritickou chybu. Než se na skóre spolehnete, ověřte si, zda dva hodnotitelé udělili stejné odpovědi stejné skóre. Náš průvodce hodnocení úsudku a řešení problémů ve výcviku hlouběji se zabývá kotvami a kalibrací posuzovatelů.

Pro kontrolu přenosu zadejte každému manažerovi po zpoždění nový případ a poté přidejte následnou analýzu na pracovišti: další skutečnou prognózu v jejich dílně, sepsanou s jejími předpoklady a rozhodnutími, prodiskutovanou s regionálním manažerem a ohodnocenou podle stejné rubriky.

Do tohoto návrhu zapadají dvě opatření: kvalita kontrol předpokladů a kvalita odůvodnění rozhodnutíPorovnejte základní linii s neviditelným následným úkolem a před zahájením definujte populaci, jmenovatele a načasování. Poté, než školení připíšete k zápočtu, hledejte souběžné změny, jako je vydání nového nástroje pro předpovídání, roční období nebo změna pravidel řazení. Lepší skóre svědčí pouze o uvažování.

Jaké důkazy by prokázaly, že studenti dokáží vyhodnotit prognózu?

V neviditelném případě hledejte tři věci: manažer pojmenuje předpoklady, na kterých se číslo zakládá, uvede důvod a velikost případné úpravy a řekne, co by potřeboval vědět nebo koho by se měl zeptat. Později zkontrolujte vlastní záznamy dílny: byly projednány revidované prognózy a byly si poznámky uchovány? Buďte opatrní pouze u výsledků zásob, protože je ovlivňuje mnoho faktorů.

Kde pomáhá interaktivní výuka

Interaktivní formáty pomáhají tam, kde by se lidé měli zavázat k odpovědi před setkáním se skupinou. V živém setkání může facilitátor ukázat prognózu a spis případu, požádat každého manažera, aby hlasoval o přijetí, úpravě nebo eskalaci a přidal jednořádkové zdůvodnění, a poté odhalit rozložení před diskusí. Stejný případ může probíhat vlastním tempem pro přípravu a skrytou následnou činnost. AhaSlides, komplexní platforma pro zapojení týmů a učeben, podporuje interaktivní učení a přepínání mezi živou výukou a výukou dle vlastního tempa. Porovnejte všechny konkrétní funkce pro tvorbu obsahu, zpětnou vazbu nebo reporting, na které se chcete spolehnout, s vaším vlastním pracovním postupem a s umělou inteligencí, simulátory a integracemi zacházejte jako s externími nebo nepotvrzenými, dokud je neuvidíte fungovat.

Co trénink neopraví

• Špatná data. Pokud nástroj nikdy nezaznamená propagační akce ani události, žádný kurz nedodá kompletní výstup.
• Pevná pravidla objednávání. Pevný harmonogram objednávek omezuje, co může manažer upravit.
• Autorita. Manažer, který nemůže zadat další objednávku, může problém pouze nahlásit.
• Omezení, která přetrvávají i po zlepšení dovedností. Dodací lhůty dodavatelů, skladovací prostor a pravidla pro ústředí firmy stále platí.

Často kladené otázky

Co by mělo zahrnovat školení pro předpovídání zásob s využitím umělé inteligence?

Jak číst doporučení, najít jeho předpoklady, porovnat je s místními znalostmi a rozhodnout se, co dělat. Vytváření modelů a propojení nástrojů se systémy skladových zásob jsou samostatná témata.

Musí manažeři prodejen rozumět algoritmu?

Ne do detailů. Potřebují vědět, co nástroj dostal, co neviděl a jak poznat, kdy číslo vypadá špatně.

Jak hodnotíte dovednosti v oblasti vyhodnocování prognóz?

Rozhodnutí s jeho předpoklady a zdůvodněním ohodnoťte podle explicitní rubriky a kritické chyby definujte samostatně.

Jak poznáte, že školení fungovalo?

Po zpoždění zařaďte nový, neviditelný případ do stejné rubriky, porovnejte ho s výchozím stavem a zkontrolujte, co se mezitím změnilo.

Kdo by měl případ a rubriku zkontrolovat?

Vedoucí provozu prodejny, který zná váš sortiment, pravidla objednávání a limity schvalování ještě předtím, než je někdo ohodnotí.

Kde začít

Vyberte si jedno prognózní rozhodnutí, které vaši manažeři dělají každý týden. Napište jeden případ s pochybným předpokladem, upravte rubriku čtyř kritérií s manažerem provozu prodejny a spusťte ji s malou skupinou. O měsíc později ohodnoťte nový případ, než jej rozšíříte.

Chcete-li vidět, jak by se takový případ dal spustit a následně znovu použít vlastním tempem, vyzkoušejte si to v AhaSlides.