Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Problemi e soluzioni comuni
Problemi comuni relativi ai dati
La cronologia della domanda ha formati di data misti
I sistemi di origine possono esportare le date come DD/MM/YYYY MM/DD/YYYY, o YYYY-MM-DD, a volte, all'interno dello stesso file. Il sistema potrebbe analizzarle in modo errato, assegnando gli ordini ai mesi sbagliati.
Correzione: standardizza i formati delle date nel processo di esportazione. Se non riesci a controllare l'origine, aggiungi la convalida della data nell'SQL del flusso di dati.
Quantità negative nella cronologia degli ordini
Le note di credito, i resi o gli storni possono apparire come quantità negative. Queste possono distorcere le medie della domanda e confondere il modello.
Correzione: filtra solo in base alle quantità positive o filtra in base allo stato dell'ordine (ad esempio, solo Paid/Invoiced gli ordini).
Il numero di record non corrisponde al sistema di origine
Il più delle volte è causato da collisioni di chiavi composite: se due record condividono lo stesso identificatore univoco, uno sovrascrive l'altro.
Può verificarsi anche se i criteri di filtro nella mappatura dei dati escludono i record che si prevede di visualizzare.
Fornisci un esempio specifico di prodotto+sito e il numero di record previsto in modo che il team possa tracciare la discrepanza.
Nel sistema compaiono ordini che non esistono in ERP (o viceversa)
Gli ordini evasi o rimossi tra le esecuzioni del report scompariranno dall'aggiornamento successivo, ma potrebbero comunque apparire nelle eccezioni generate dai dati del giorno precedente.
Gli ordini appena creati non verranno visualizzati fino al prossimo aggiornamento dei dati.
Si tratta di un comportamento previsto: le eccezioni verranno aggiornate nel ciclo di valutazione successivo dopo il caricamento di nuovi dati.
I file di input del piano includono prodotti provenienti da altri stabilimenti o unità aziendali
Se le esportazioni del sistema di origine includono prodotti che non rientrano nell'ambito del progetto di previsione:
Il sistema filtrerà automaticamente in base alla scheda prodotto. Nella previsione verranno inclusi solo i prodotti presenti nel file anagrafico del prodotto. Tuttavia, se una grande percentuale del file di input non rientra nell'ambito di applicazione (ad esempio, più del 50% delle righe), ciò indica che l'esportazione di origine deve essere rafforzata.
Controlla regolarmente il tasso di copertura del prodotto. Dopo ogni caricamento di dati, verifica quale percentuale di prodotti nei file di input relativi alle vendite e alle previsioni corrisponde alla scheda tecnica del prodotto. Se la copertura scende al di sotto dell'80%, verifica se l'ambito di esportazione di origine è cambiato o se è necessario aggiornare la scheda tecnica del prodotto.
Out-of-scope i prodotti inclusi nei dati inseriti nel piano possono causare importi totali gonfiati. Se i file EDI o SIOP includono prodotti provenienti da altri impianti, il segnale di previsione aggregato sarà più alto di quanto dovrebbe essere. Assicurati che i file di input del piano siano filtrati in base allo stesso ambito di prodotto della scheda tecnica del prodotto prima del caricamento.
Problemi comuni relativi a eccezioni e raccomandazioni
Lo stesso prodotto+sito appare più volte nell'elenco delle eccezioni
Ciò può accadere quando la regola sottostante genera un'eccezione separata per ogni data di validità nell'orizzonte di proiezione.
Contatta il tuo team di assistenza per modificare la regola in modo da segnalare solo la prima data di violazione per prodotto+sito.
La raccomandazione non corrisponde a quella che vedo nel grafico
La raccomandazione viene generata da un agente di intelligenza artificiale che analizza i dati disponibili al momento della creazione dell'eccezione. Se i dati sono cambiati da allora, la raccomandazione può fare riferimento a ordini o quantità che non sono più attuali.
Controlla la data e l'ora dell'eccezione: se risale a più di un giorno, la raccomandazione potrebbe essere obsoleta.
Se la raccomandazione è chiaramente sbagliata (ad esempio, ignora un grande ordine visibile nel grafico), fornisci un feedback usando il pollice rivolto verso il basso e segnala l'eccezione specifica al tuo team di assistenza.
La data di impatto o la data di scadenza sembrano errate
La data di impatto indica quando inizia l'emissione dell'inventario (ad esempio, quando inizia l'esaurimento delle scorte o quando l'eccesso supera la soglia).
La data di scadenza deve tenere conto dei tempi di consegna, in modo da avere il tempo di agire prima che il problema si verifichi. Se Act By corrisponde alla data di impatto, il lead time potrebbe non essere incluso: segnalalo al tuo team di assistenza.
I consigli fanno riferimento agli ordini che non riesco a trovare in ERP
Le istantanee ERP cambiano ogni giorno. Un ordine a cui si fa riferimento nella raccomandazione di ieri potrebbe essere stato evaso, annullato o riprogrammato durante l'esecuzione odierna dell'ERP.
Si tratta di una limitazione nota dei dati. ERP-based È possibile aggiungere dati storici sul consumo per fornire un contesto migliore.
Problemi comuni di precisione
Forecast è significativamente peggiore di una semplice media mobile
Se la tua previsione ASC sta perdendo rispetto alla media mobile semestrale del WAPE aggregato, verifica queste cause comuni:
Troppi prodotti scadenti nell'ambito di applicazionevolume/inactive . I prodotti con una domanda scarsa e intermittente sono difficili da superare per qualsiasi modello una media semplice. Utilizza una regola di preelaborazione per adattare la previsione a prodotti con una storia della domanda significativa (ad esempio, almeno 6 mesi di domanda diversa da zero).
Formazione sulla storia obsoleta o contaminata. Se la cronologia degli ordini risale a molti anni fa, i vecchi modelli di domanda potrebbero non riflettere la realtà attuale. Prendi in considerazione una regola di preelaborazione per limitare la cronologia degli allenamenti agli ultimi 3-5 anni o per sostituire i periodi anomali (ad esempio, COVID) con valori normalizzati.
La domanda aumenta a causa degli ordini una tantum. Un singolo ordine all'ingrosso di grandi dimensioni può creare una falsa tendenza al rialzo dei dati di addestramento. Utilizzate una regola di preelaborazione per limitare i valori anomali della domanda mensile a un multiplo della media finale (ad esempio, 5x).
Le regole di consenso sono state applicate nella direzione sbagliata. L'agente LLM può interpretare erroneamente il linguaggio delle regole. La «Riduzione del 27%" può essere applicata come aumento. Convalida sempre il risultato del consenso rispetto alla linea di base confrontando prodotti e mesi specifici. Utilizza un linguaggio di moltiplicazione esplicito («moltiplica per 0,725") anziché un linguaggio direzionale («diminuisci del 27,5% «).
Over-forecasting distorsione (previsione sistematicamente superiore ai valori effettivi)
Un bias positivo significa che stai ordinando più del necessario in tutto il catalogo. Cause comuni:
Il modello viene addestrato in base a un periodo di crescita. Se negli ultimi anni si è registrata una crescita che non continua, il modello estrapola una tendenza che non esiste più.
Le regole del consenso prevedono aggiustamenti verso l'alto. Diverse regole, ognuna delle quali incrementa le previsioni (tendenza all'esaurimento delle scorte, aumento delle tendenze, rialzo stagionale) possono sommarsi. Verifica quali regole sono attive e verifica se si applicano tutte agli stessi prodotti.
Deleted/discontinued prodotti ancora inclusi nell'ambito di applicazione. I prodotti la cui domanda è ancora in calo e che sono ancora oggetto di previsioni mostreranno previsioni eccessive sistematiche.
Under-forecasting distorsione (previsione sistematicamente inferiore ai valori effettivi)
Una distorsione negativa significa che si prevede costantemente una domanda inferiore a quella effettiva, con conseguenti potenziali esaurimenti delle scorte e un'accelerazione dei costi. Cause comuni:
I segnali di previsione esterni non vengono incorporati. Se sono stati caricati gli input del piano (ad esempio, le previsioni dei clienti EDI, i piani di produzione SIOP) ma le regole di consenso non li applicano, la previsione utilizza per impostazione predefinita la base statistica, che potrebbe non acquisire i segnali di domanda visualizzati dai pianificatori. Verifica che le regole di consenso stiano effettivamente modificando l'output confrontando l'esportazione con l' ConsensusForecast esportazione Forecast (baseline). Se sono identiche, le regole non funzionano.
Combinazioni sparse prodotto×sito che riducono l'aggregato. Se si effettuano previsioni con granularità prodotto×sito ma molte combinazioni hanno una domanda pari a zero o prossima allo zero, il modello produce piccole previsioni diverse da zero per le combinazioni inattive. Queste cifre non danno grandi risultati singolarmente, ma collettivamente trascinano la previsione totale al di sotto dei valori effettivi. Utilizza una regola di preelaborazione per escludere le combinazioni con una cronologia delle richieste insufficiente oppure utilizza la compilazione condizionale a zero negli input del piano per segnalare esplicitamente «nessuna domanda prevista» per le combinazioni inattive.
Il modello non ha registrato una tendenza di crescita recente. I modelli statistici ponderano i dati storici. Se la tua attività è cresciuta in modo significativo negli ultimi mesi ma il modello ha una storia di bassi volumi da anni, la tendenza sarà in ritardo. Questo in genere migliora nel tempo man mano che il modello accumula dati più recenti. Nel frattempo, prendete in considerazione una regola di consenso che utilizzi una media finale dei dati effettivi recenti come base per le settimane di previsione esterne.
Year-over-year discrepanza di stagionalità. Se l'andamento della domanda di quest'anno differisce da quello degli anni precedenti (ad esempio, aumento stagionale anticipato, lancio di nuovi prodotti), il modello potrebbe essere sottoprevisto durante il periodo divergente. Verificate se la sottovalutazione si concentra in settimane o mesi specifici che differiscono dall'andamento dell'anno precedente.
La precisione delle previsioni diminuisce in modo significativo su orizzonti più lunghi
È normale che la precisione peggiori all'aumentare dell'orizzonte di previsione: la settimana 1 è sempre più accurata della settimana 8. Tuttavia, se il degrado è più marcato del previsto:
I segnali esterni aiutano solo a breve termine. Se disponete di regole di consenso che incorporano le previsioni dei clienti (EDI) per le prime settimane, la precisione migliorerà notevolmente nel breve termine e diminuirà quando le regole smetteranno di applicarsi. Ciò è prevedibile: valuta la possibilità di estendere le regole a più settimane con un approccio misto (ad esempio, una 50/50 combinazione di segnale esterno e linea di base per le settimane a medio termine).
La linea di base torna a una media a lungo termine su orizzonti più lunghi. I modelli statistici diventano meno sicuri su orizzonti più lunghi e tendono verso la media storica. Se la domanda recente è superiore alla media storica, le settimane esterne sembreranno poco orientate. Si tratta di un comportamento del modello, non di un problema di configurazione.
La volatilità della domanda rende intrinsecamente più difficili gli orizzonti più lunghi. Se la domanda presenta un'elevata variabilità settimanale (coefficiente di variazione > 0,5), anche un modello perfetto mostrerà un errore elevato su orizzonti più lunghi. Concentrate la valutazione dell'accuratezza sulle prime 3-4 settimane, che rappresenta la finestra di pianificazione utilizzabile per la maggior parte delle operazioni.
La previsione esterna (EDI/customer previsione) non migliora la precisione se utilizzata nelle regole di consenso
Se hai aggiunto regole di consenso per incorporare previsioni esterne ma la precisione non è migliorata:
Il segnale esterno potrebbe non coprire un numero sufficiente di prodotti. Le previsioni EDI o per i clienti in genere coprono solo un sottoinsieme del catalogo di prodotti (spesso il 30-50%). I prodotti senza segnale esterno utilizzano ancora la linea di base. Controlla il tuo tasso di copertura: se è inferiore al 50%, l'impatto sulla precisione aggregata sarà limitato.
Il segnale esterno potrebbe non essere sufficientemente preciso per aiutarti. Misura l'accuratezza della previsione esterna in modo indipendente prima di utilizzarla nelle regole. Se il suo WAPE è peggiore della linea di base, incorporarlo farà male piuttosto che aiutare. Valuta la possibilità di limitare la regola a siti o prodotti specifici in cui il segnale esterno è chiaramente migliore (ad esempio, WAPE ponderato per il volume inferiore al 50%).
Il segnale esterno non riporta zeri. Molti sistemi EDI inviano solo record per prodotti con ordini attivi: omettono i prodotti con domanda zero anziché riportare esplicitamente zero. Se la tua regola di consenso dice «quando EDI = 0, imposta la previsione su 0", non verrà mai attivata perché non ci sono zero record. È necessario generare zero record sintetici in fase di preelaborazione per combinazioni prodotto/sito prive di segnale esterno E nessuna cronologia delle vendite recente.
La precisione del segnale esterno varia in base all'orizzonte. Le previsioni dei clienti sono in genere più accurate per la settimana successiva (essenzialmente ordini confermati) e peggiorano rapidamente. Una regola che utilizza il segnale esterno direttamente per tutte le settimane può compromettere la precisione su orizzonti più lunghi. Prendi in considerazione un approccio a più livelli: sostituzione diretta per le settimane 1-3, somministrazione combinata per le settimane 4-6, valore di base solo per le settimane 7+.
Le regole di pianificazione non entrano in vigore
Se non sembra che una regola di consenso modifichi la previsione:
La regola potrebbe essere stata sostituita da una regola con priorità più alta. Le regole vengono applicate in ordine di priorità. Una regola successiva può annullarne una precedente. Controlla l'ordine delle regole.
La condizione della regola potrebbe non corrispondere a nessun prodotto. Se la regola fa riferimento a un attributo del prodotto (ad esempio, product_group_id) che non è presente nei metadati dell'articolo, non corrisponderà automaticamente a nulla.
Il linguaggio delle regole è stato interpretato male. L'agente LLM genera codice dal linguaggio naturale. Una formulazione ambigua può produrre risultati inaspettati. Sii il più specifico e letterale possibile. Usa nomi di campo esatti, moltiplicatori espliciti e condizioni chiare.
L'output del piano di consenso è identico alla previsione di base
Se l' ConsensusForecast esportazione ha gli stessi valori dell'esportazione Forecast (baseline), le regole di consenso non sono state eseguite. Cause comuni:
Mancata corrispondenza delle dimensioni nel join. Il motore di consenso unisce gli input del piano alla linea di base nelle colonne delle dimensioni (ID del prodotto, ID del sito, data). Se i nomi delle colonne differiscono tra la linea di base e gli input del piano (ad esempio, baseline utilizza item_id mentre EDI utilizza product_id), il join non produce corrispondenze e tutte le regole soddisfano i valori predefiniti della linea di base. Verifica che la mappatura delle dimensioni nella configurazione del flusso di dati sia mappata correttamente tra i due schemi.
Mancata corrispondenza del formato della data. La baseline può memorizzare le date come 2026-03-02 mentre gli input del piano le memorizzano come 2026-03-02. T00:00:00.000Z Se l'iscrizione richiede una corrispondenza esatta, le date che tengono conto del fuso orario e quelle relative al fuso orario non corrisponderanno. Verifica che le colonne delle date siano convertite nello stesso formato prima di iscriverti.
Gli input del piano non sono caricati. Verifica che i file di input del piano (EDI, SIOP, ecc.) siano stati inseriti correttamente. Controlla il numero di record nel sistema: se mostrano zero righe per l'input di un piano, il file potrebbe non essere stato caricato.
Il consensus forecast_id corrisponde alla linea di base forecast_id. Se entrambe le esportazioni condividono lo stesso forecast_id, il motore di consenso ha prodotto una copia diretta della baseline senza elaborazione. Ciò indica un problema a livello di sistema: contatta il tuo team di supporto con forecast_id e demand_plan_run_id.
Le regole di consenso si applicano ai prodotti o ai siti sbagliati
Se una regola che dovrebbe applicarsi solo a siti o categorie di prodotti specifici riguarda l'intero catalogo:
La condizione del site/product filtro potrebbe fare riferimento alla colonna sbagliata. Se la tua regola dice «applica ai siti in [elenco]» ma il codice generato verifica una colonna che non esiste o ha valori diversi, il filtro può passare silenziosamente tutte le righe. Verifica controllando a campione alcuni prodotti specifici che NON dovrebbero essere interessati dalla regola.
L'ordine di priorità delle regole può essere invertito. Le regole vengono applicate come una catena in cui le regole successive prevalgono su quelle precedenti. Se una regola generale (ad esempio, «usa la linea di base per tutto») viene applicata dopo una regola specifica (ad esempio, «usa EDI per questi 50 siti»), la regola generale annullerà quella specifica. Assicurati che le descrizioni delle regole indichino chiaramente l'ordine di priorità.
I valori di Forecast sono frazionari (ad esempio, 2.500,37 unità)
I modelli statistici producono valori continui, non numeri interi. Se la tua azienda vende in unità intere, in confezioni o in quantità minime d'ordine:
Aggiungi una regola di arrotondamento come fase finale di consenso. Una semplice regola di «arrotondamento al numero intero più vicino» applicata dopo tutte le altre regole di consenso eliminerà i valori frazionari. I valori inferiori a 0,5 verranno arrotondati a zero, il che è appropriato per combinazioni con richieste molto basse.
Considerate l'arrotondamento alle quantità operative. Se i tuoi prodotti vengono spediti in confezioni standard (ad esempio scatole da 12, pallet da 48), l'arrotondamento alla confezione valida più vicina può migliorare sia l'usabilità che la precisione della previsione. Ciò richiede i dati sulle dimensioni della confezione nella scheda tecnica del prodotto. Condividi i dati relativi al MOQ o alle dimensioni della confezione con il team di supporto per esplorare questa opzione.
La copertura del prodotto diminuisce in modo significativo dopo l'aggiunta di regole di preelaborazione
Le regole di preelaborazione che filtrano i dati di formazione (ad esempio, «solo prodotti previsionali con almeno 8 settimane di domanda diversa da zero») possono ridurre drasticamente il numero di prodotti nella previsione se i dati sono scarsi a livello di prodotto×sito:
Controlla la granularità. Un prodotto può avere 52 settimane di domanda a livello di prodotto, ma solo 3 settimane per ogni singola combinazione prodotto/sito. Una soglia minima di cronologia applicata a livello di prodotto×sito escluderà la maggior parte delle combinazioni. Valuta invece la possibilità di applicare la soglia a livello di prodotto o di abbassarla in modo significativo.
Esegui un test prima della distribuzione. Prima di attivare una regola di preelaborazione, conta quante combinazioni prodotto×sito superano il filtro rispetto al totale attuale. Se si esclude più del 20%, è probabile che la regola sia troppo aggressiva. Inizia con una soglia favorevole e restringila gradualmente.
