Opplæring i AI-lagerprognoser: hvordan lære butikksjefer å evaluere etterspørselsprognoser

Kan butikksjefene dine si hvorfor en etterspørselsprognose er feil? En studie fra 2009 av mer enn 60 000 forsyningskjedeprognoser fant at små menneskelige justeringer av datastyrte prognoser ofte gjorde dem verre, så ferdigheten til å trene er å bedømme når og hvor mye man skal justere. Det er kjernen i opplæring i AI-lagerprognoser. En etterspørselsprognose er en prediksjon av hvor mye av et produkt kunder vil kjøpe i en gitt periode, og et AI-prognoseverktøy bygger den fra tidligere salg og andre signaler. Denne veiledningen viser hvordan du utformer opplæring rundt én oppgave: å evaluere en etterspørselsprognose og forutsetningene bak den. Den dekker forberedelse, øvelse med tilbakemeldinger, et bearbeidet case med et nytt forsøk, en scoret rubrikk og en overføringssjekk. Den er skrevet for opplæringsdirektører i detaljhandel og butikkdriftsledere. Case-en og rubrikken er illustrasjoner, så en butikkdriftsspesialist bør gjennomgå dem før noen får poeng.

Kjappe fakta

1. Beskriv ytelsesproblemet

Se for deg en butikksjef som åpner sin ukentlige bestillingsanbefaling for butikken. Verktøyet foreslår en normal mengde flaskevann og varme drikker for den kommende uken. Hun vet at et veldedighetsløp vil stenge handlegaten på søndag. Værmeldingen nevner det ikke.

Oppgaven er ikke å bruke verktøyet. Lederen må lese en anbefaling, finne forutsetningene bak den, sammenligne dem med det hun vet lokalt, og bestemme hva hun skal gjøre og hva hun skal spørre om. Anbefalinger kommer fra en modell som bare ser det den ble gitt. Lederen ser gaten.

Denne åpningen er et oppdiktet scenario, ikke en reell hendelse fra en kunde. Den viser hvorfor ferdigheten er en resonneringsbasert en. En leder kan forstå verktøyets skjermbilder perfekt og fortsatt akseptere et tall som en lokal hendelse, en leverandørforsinkelse eller en endring av hylleplass gjør feil. Denne opplæringen handler om å bedømme en prediksjon. Den dekker ikke hvordan et prognoseverktøy kobles til lagersystemer, som er et eget emne med egne eiere.

2. Diagnostiser lærings- og konteksthullene

Sammenlign hva rollen trenger med hvilke opplæringstester som tester i dag. En quiz om verktøyfunksjoner og tester minner om: «Hvor finner du den ukentlige anbefalingen?» Den kan ikke vise om en leder kan oppdage en tvilsom antagelse. Det er analyse og evaluering. Vår guide til matche læringsaktiviteter med Blooms taksonomi forklarer hvordan man leser den kognitive kravet til en oppgave som denne.

Sjekk deretter årsaker som trening ikke vil løse:

• Data. Ser verktøyet kampanjer, lokale arrangementer, vær og leveringstider, eller bare tidligere salg?
• Autoritet. Kan en leder endre en ordre, eller bare godkjenne anbefalingen?
• Verktøy. Kan lederen se hvorfor verktøyet anbefalte et tall, eller bare tallet?
• Prosedyrer. Finnes det en måte å rapportere en dårlig værmelding og få svar på?
• Øve på. Har noen leder noen gang blitt bedt om å utfordre en prognose og forklare hvorfor?

Bare det siste er et tydelig treningsgap. Navngi de andre til sponsorene og bli enige om hvem som eier hver av dem. En manager som er trent til å stille spørsmål ved prognosen, men ikke kan endre rekkefølgen, vil gi opp raskt.

3. Utform målrettet forberedelse og øvelse

Tre lag, hvert med sin egen oppgave.

Forberedelse: sjekk forutsetningene. Gi en kort diagnose av begrepene som brukes i saken, for eksempel prognose, ledetid, sikkerhetslager og kampanjeøkning. En tilbakekallingssjekk bekrefter at forutsetningene er på plass. Ikke rapporter det som beredskap.

Øvelse: laboratorieøvelser med balansert målstyring, med tilbakemeldinger knyttet til beslutninger. I stedet for å bedømme en prognose basert på ett tall, gi ledere et lite scorekort å jobbe seg gjennom. Det kan spørre om fire ting: hvor nøyaktige de siste prognosene var, om prognosen heller én vei (har en tendens til å over- eller undervurdere), hva kostnaden ved å bruke opp er mot kostnaden ved å holde for mye, og hvilke antagelser lederen kan bekrefte eller tvile på. Hver lab ber om en beslutning og en begrunnelse.

Tilbakemeldingen bør peke på avgjørelsen: «Du ga hendelsen et navn, men sa ikke hvor mange enheter du ville endre rekkefølgen med» er mer nyttig enn «God tenkning». Vår guide til utforme interaktiv praksis med nyttig tilbakemelding går videre.

Gjennomgang og overføring: drøft et tvetydig valg. Live-innspill fra en regional leder eller en påfyllsplanlegger gir mest effekt der to beslutninger begge er forsvarlige, for eksempel en liten justering eller en eskalering. Asynkron gjennomgang er nok for enkle kontroller, for eksempel om eleven listet opp forutsetningene. Vår guide til koble forberedelse i eget tempo med live coaching viser hvordan man deler de to.

Et ord om bevis, fordi det former hva man skal lære bort. I en studie fra 2009 i International Journal of Forecasting, Fildes, Goodwin, Lawrence og Nikolopoulos analyserte mer enn 60 000 prognoser og utfall fra fire forsyningskjedeselskaper, og så på hva som skjedde da folk justerte datagenererte prognoser. Justeringer forbedret nøyaktigheten i gjennomsnitt i de fleste tilfeller, men små justeringer gjorde ofte prognosene dårligere, og oppoverjusteringer var mindre sannsynlig å hjelpe enn nedoverjusteringer, noe forfatterne leste som optimismeskjevhet. Dette var en studie av forsyningskjedeplanleggere, ikke butikksjefer, så det er ikke bevis for butikkene dine. Det foreslår hva du bør øve på: juster når du har en reell grunn, si hvor stor endringen er og hvorfor, og vær oppmerksom på din egen optimisme.

4. En bearbeidet sak med tilbakemelding og et nytt forsøk

Illustrativt. En driftsleder i butikken bør validere saken og svarkriteriene før bruk.

Saken. Et verktøy anbefaler å bestille samme mengde flaskevann og varme drikker som forrige søndag. Saksmappen viser åtte uker med salg. I uke fem økte en kampanje salget kraftig. Et veldedighetsløp vil stenge handlegaten på søndag, og butikken ligger langs ruten. Leverandørleveranser ankommer på torsdag.

Oppgaven. Forklar avgjørelsen, siter bevisene du brukte og si hvilken ytterligere informasjon eller støtte du trenger.

Et første forsøk. «Prognosen er basert på reelt salg, så jeg vil godta den.» Anmelderen spør hva prognosen antar om kampanjeuken, om den vet om løpetiden, og hva som skjer hvis butikken blir utsolgt innen lunsjtider. Eleven har ikke noe svar på noen av de tre.

Tilbakemelding og prøv på nytt. Sensoren peker på forfremmelsesuken i saksmappen og arrangementsvarselet, og ber eleven om å omskrive avgjørelsen med dens forutsetninger.

Et sterkere forsøk. Eleven legger merke til at uke fem ser oppblåst ut av kampanjen og spør om modellen fjernet den. De markerer at arrangementet er utenfor noe modellen kunne ha sett, og foreslår å øke vannbestillingen med en oppgitt mengde og la varme drikker være i fred, fordi en løpetur om morgenen sannsynligvis flytter kalde drikker mer enn varme. De sier hva som ville ombestemme dem, for eksempel et svar fra hovedkontoret om fjorårets løpetur, og de spør områdelederen om de kan legge inn en ekstra bestilling før torsdagens levering. De registrerer endringen slik at neste gjennomgang kan sammenligne den med det som ble solgt.

Hvorfor hvert svar er forsvarlig eller ufullstendig. Døm mot de godkjente kriteriene. Det første forsøket kan tilfeldigvis være riktig, men det kan ikke vise det, fordi ingen antagelse er kontrollert. Det andre er sterkere fordi det viser hva som ble antatt, hva som ble justert og hvorfor, og hvor lederens autoritet slutter. Legg til en variant som justerer med en liten mengde uten grunn, og spør gruppen hvordan poengsummen skal endres.

5. Vurder kapasitet og planoverføring

Gi hvert kriterium en poengsum fra 0 til 2. Tilpass kriteriene med spesialisten din: denne rubrikken er et foreslått utgangspunkt som spesialisten din bør validere.

Definer kritiske feil separat, for eksempel å beordre utover en sikkerhets- eller plassgrense. En samlet poengsum må aldri skjule en kritisk feil. Sjekk at to vurderere gir samme poengsum til samme svar før du stoler på poengsummene. Vår veiledning til vurdering av dømmekraft og problemløsning i opplæring dekker ankere og assessorkalibrering mer grundig.

For å sjekke overføringen, gi hver leder en ny sak etter en forsinkelse, og legg deretter til en oppfølging på arbeidsplassen: den neste virkelige prognosegjennomgangen i verkstedet deres, skrevet opp med forutsetninger og beslutning, diskutert med en regional leder og scoret mot samme rubrikk.

To tiltak passer til denne utformingen: kvaliteten på antagelseskontrollene og kvaliteten på beslutningsbegrunnelsenSammenlign en grunnlinje med en usett oppfølgingsoppgave, og definer populasjonen, nevneren og tidspunktet før du starter. Se deretter etter samtidige endringer, for eksempel en ny lansering av prognoseverktøyet, en sesong eller en endring i rekkefølgeregler, før du gir godskrivning for opplæringen. En bedre poengsum er kun bevis på resonnement.

Hvilke bevis viser at elever kan evaluere en prognose?

Se etter tre ting i et usett tilfelle: lederen nevner forutsetningene bak tallet, gir en årsak og en størrelse på eventuelle justeringer, og sier hva de trenger å vite eller hvem de ville spørre. Sjekk senere butikkens egne registre: ble de gjennomgåtte prognosene diskutert, og ble notatene ført? Vær forsiktig med lagerresultater alene, siden mange ting påvirker dem.

Der interaktiv levering hjelper

Interaktive formater hjelper der folk bør forplikte seg til et svar før de ser gruppen. I en live-sesjon kan en tilrettelegger vise prognosen og saksmappen, be hver leder om å stemme over godta, justere eller eskalere og legge til en begrunnelse på én linje, og deretter avsløre spredningen før diskusjon. Den samme saken kan kjøres i eget tempo for forberedelse og for den usynlige oppfølgingen. AhaSlides, en alt-i-ett-plattform for engasjement for team og klasserom, støtter interaktiv læring og veksling mellom live og selvstyrt undervisning. Sjekk eventuelle spesifikke redigerings-, tilbakemeldings- eller rapporteringsfunksjoner du planlegger å stole på mot din egen arbeidsflyt, og behandle AI, simulatorer og integrasjoner som eksterne eller ubekreftede inntil du har sett dem fungere.

Hva trening ikke vil fikse

• Dårlige data. Hvis verktøyet aldri ser kampanjer eller arrangementer, vil ingen kurs fullføre resultatet.
• Strenge bestillingsregler. En fast ordreplan begrenser hva en leder kan justere.
• Autoritet. En leder som ikke kan legge inn en ekstra bestilling, kan bare flagge et problem.
• Begrensninger som gjenstår etter at ferdighetene har blitt forbedret. Leverandørens leveringstider, hylleplass og regler for hovedkontor gjelder fortsatt.

Ofte stilte spørsmål

Hva bør opplæring i AI-lagerprognoser dekke?

Hvordan lese en anbefaling, finne dens forutsetninger, sammenligne dem med lokal kunnskap og bestemme hva man skal gjøre. Å bygge modeller og koble verktøy til aksjesystemer er separate emner.

Må butikksjefer forstå algoritmen?

Ikke i detalj. De må vite hva verktøyet fikk, hva det ikke kunne se og hvordan de kan se når et tall ser feil ut.

Hvordan vurderer du ferdigheter i prognoseevaluering?

Vurder en avgjørelse med dens forutsetninger og begrunnelse mot en eksplisitt vurderingsmatrise, og definer kritiske feil separat.

Hvordan vet du at treningen fungerte?

Poengsett en ny, usett sak etter en forsinkelse mot samme rubrikk, sammenlign den med en grunnlinje og sjekk hva annet som har endret seg i mellomtiden.

Hvem skal gjennomgå saken og vurderingsmatrisen?

En driftsleder i butikken som kjenner sortimentet, bestillingsreglene og godkjenningsgrensene, før noen får poeng på dem.

Hvor skal jeg starte

Velg én prognosebeslutning lederne dine tar hver uke. Skriv én case med en tvilsom antagelse, tilpass rubrikken med fire kriterier med en driftsleder i butikken og kjør den med en liten gruppe. Score en ny case en måned senere før du skalerer den.

For å se hvordan en sak som denne kan kjøres live og brukes om igjen i ditt eget tempo etterpå, prøv den i AhaSlides.