需求預測(預覽)

透過範圍、準確度及庫存交接來預測 SKU 需求。

此連接器適用於以下產品和區域:

Service Class Regions
Copilot Studio 進階 除下列區域外的所有 Power Automate 區域 :
     - 美國政府 (GCC)
     - 美國政府(海灣合作委員會高中)
     - 由 21Vianet 營運的中國雲
     - 美國國防部 (DoD)
Logic Apps 標準 所有 Logic Apps 區域, 但下列區域除外:
     - Azure Government 區域
     - Azure 中國區域
     - 美國國防部 (DoD)
Power Apps 進階 除下列區域外的所有 Power Apps 區域 :
     - 美國政府 (GCC)
     - 美國政府(海灣合作委員會高中)
     - 由 21Vianet 營運的中國雲
     - 美國國防部 (DoD)
Power Automate 進階 除下列區域外的所有 Power Automate 區域 :
     - 美國政府 (GCC)
     - 美國政府(海灣合作委員會高中)
     - 由 21Vianet 營運的中國雲
     - 美國國防部 (DoD)
連絡人
Name Saifs AI
URL https://saifs.ai/
Email taher@saifytech.com
連接器中繼資料
Publisher Saifs AI
Website https://saifs.ai/
隱私權原則 https://saifs.ai/privacy_page
Categories 人工智慧;資料

需求預測——Saifs AI 將銷售或銷量歷史轉化為每個產品(或區域/通路)接下來的銷售範圍,而非單純數字。 透過 Microsoft Copilot Studio 或 Microsoft 365 Copilot 連結銷售數據。 MCP 將歷史劃分,透過滾動起點回測選擇經典模型(Naive / SES / Holt / Holt-Winters / Croston-SBA),並回傳排名決策、逐系列預測(含預測區間)、準確度、政權變更警示、資料品質報告及庫存交接(需求與交貨時間加預測誤差 sigma)。

誰應該使用它

  • 零售買家和商品商需要每個 SKU 的下一季展望,而非去年加 10 年的%
  • 依倉庫、倉庫或區域劃分預測的經銷商與批發商
  • 需求較差的備件和工業規劃師應該使用 Croston / SBA
  • 需要依SKU取得單位展望的製造商與生產規劃人員
  • 電子商務與D2C營運規劃下一季並觀察需求變化
  • 藥局和易腐藥的規劃師需要需求範圍,而非虛假的點數估算
  • 支援與人力規劃師預測工單或聯絡量
  • 使用 Tally 或 Excel 的中小企業擁有者,在未先清理或重新命名欄位的情況下即可匯出
  • 庫存與採購經理需要需求超過每項產品的供應商交貨時間
  • Copilot Studio 與 Microsoft 365 Copilot 製造商為代理加入解釋式需求數學

這功能如何幫助

  • 每產品(以及可選的區域或通道)下一次期間預測,並設定預測區間(預設為95%)
  • 透過時間排序回測自動選擇模型;間歇性列車則路由至克羅斯頓/SBA
  • 只有在有足夠歷史時才使用季節性模型;薄級數被拒絕,或以廣泛的淨均值備用方式,並有明確理由
  • as-is 接受混亂的真實世界檔案(憑證日期、帳單數量、庫存項目、倉庫;價值如12件,無日期,2024年1月15日)
  • 庫存交接會使用每個 SKU 自身的交接時間(如提供時);否則就預設等待(14天)
  • 尖刺會被標記並蓋上;密檔中無法讀取的儲存格和洞點是缺失,而非「賣零」

Tools

  • demand_forecaster:約2,500行或200件產品或以下;傳送資料列,取得完整預報結果
  • demand_forecaster_get_engine:較大檔案;回傳一個即刻可執行的 numpy 腳本,讓重資料能留在使用者機器上

認證 OAuth 2.0。 使用者在連接伺服器時完成 OAuth 同意流程。 對於 Microsoft 認證套件,OAuth 用戶端設定會透過 Azure Key Vault(ClientId、ClientSecret、AuthorizationUrl、TokenUrl;RefreshUrl 和 Scopes(適用時)也在使用)。

開始使用

  1. 新增需求預測 - 在 Copilot Studio 或 Microsoft 365 Copilot 中使用 Saifs AI。
  2. 在提示時使用 OAuth 2.0 登入。
  3. 提供銷售或銷量歷史,至少包含日期與數量;包含SKU、區域、通道及交貨時間以取得更佳效果。 複製行完全正確;不要重新命名或預先清理。
  4. 問問你接下來會賣什麼,是按SKU賣、按倉庫,還是在指定交貨期內。

結果是決策支持,不是ERP或S&OP的替代品。 一定要用預報範圍,不要只用中點。 薄弱的歷史被一個明確的理由所壓抑,而非發明精確。 由 Saifs AI 出版。

動作

需求預測

透過範圍、準確度及庫存交接來預測 SKU 需求。

需求預測

透過範圍、準確度及庫存交接來預測 SKU 需求。