التنبؤ بالطلب

تتمثل الخطوة الأولى للتنبؤ بالطلب في تحديد مجموعة من الأهداف أو المعلومات اللازمة لاستنباط استراتيجيات أعمال مختلفة. وتستند هذه الأهداف إلى مجموعة من الفرضيات التي عادةً ما تُستمد من مزيج من النظرية الاقتصادية أو الدراسات التجريبية السابقة. على سبيل المثال، قد يرغب مدير في تحديد السعر الأمثل وكمية الإنتاج المثلى لمنتج جديد، بناءً على كيفية تأثير مرونة الطلب على مبيعات الشركة السابقة.

توجد العديد من النماذج الاقتصادية القياسية المختلفة التي تتباين تبعًا للتحليل الذي يرغب المديرون في إجرائه. يعتمد نوع النموذج المُختار للتنبؤ بالطلب على جوانب عديدة، مثل نوع البيانات المُجمعة وعدد المشاهدات، وما إلى ذلك. ^{[ 11 ]} في هذه المرحلة، من المهم تحديد نوع المتغيرات التي ستُستخدم للتنبؤ بالطلب. يُعد تحليل الانحدار الطريقة الإحصائية الرئيسية للتنبؤ. توجد أنواع عديدة من تحليل الانحدار، ولكنها تُقدم في جوهرها تحليلًا لكيفية تأثير متغير واحد أو أكثر على المتغير التابع قيد القياس. من الأمثلة على نماذج التنبؤ بالطلب نموذج انحدار التنبؤ بالطلب الذي وضعه م. رودمان (1986) لقياس تأثيرات الموسمية على نقطة بيانات مُقاسة. ^{[ 12 ]} استند النموذج إلى نموذج الانحدار الخطي ، ويُستخدم لقياس الاتجاهات الخطية بناءً على الدورات الموسمية وتأثيراتها على الطلب، أي الطلب الموسمي على منتج ما بناءً على المبيعات في الصيف والشتاء.

يُوصَف نموذج الانحدار الخطي على النحو التالي:

${\displaystyle Y_{i}=\beta _{0}+\beta _{1}X_{i}+e}$

أين${\displaystyle Y_{i}}$المتغير التابع،${\displaystyle \beta _{0}}$هو نقطة التقاطع ،${\displaystyle \beta _{1}}$هو معامل الميل،${\displaystyle X_{i}}$المتغير المستقل و e هو حد الخطأ.

يعتمد نموذج التنبؤ بالطلب الخاص بـ م. رودمان على الانحدار الخطي، ويتم وصفه على النحو التالي:

${\displaystyle \lambda _{q}=\{t\mid t=1,\dots ,n{\text{ and }}t{\bmod {Q}}=q\}\qquad q=1,\dots ,Q}$

${\displaystyle \lambda _{q}}$تُعرَّف بأنها مجموعة جميع مؤشرات t  للربع q . وتُعطى العملية التي تُولِّد البيانات لجميع الفترات t  التي تقع في الربع q بالصيغة التالية: 

${\displaystyle Y_{t}=(\beta +\tau \times t)\times \sigma _{q}+e}$

• ${\displaystyle Y_{t}}$= البيانات الخاصة بالفترة
• β = الطلب الأساسي في بداية أفق السلسلة الزمنية
• τ = الاتجاه الخطي لكل ربع سنة
• ${\displaystyle \sigma _{q}}$= العامل الموسمي المضاعف للربع
• e = حد الاضطراب

بعد تحديد نوع النموذج في المرحلة الثانية، يجب تحديد البيانات وطريقة جمعها. يجب تحديد النموذج أولاً لتحديد المتغيرات التي يلزم جمعها. في المقابل، عند اختيار نموذج التنبؤ المطلوب، يجب مراعاة البيانات المتاحة أو طرق جمعها لصياغة النموذج الأمثل. من طرق جمع البيانات المختلفة التي يمكن استخدامها: بيانات السلاسل الزمنية وبيانات المقاطع العرضية . تعتمد بيانات السلاسل الزمنية على الملاحظات التاريخية المأخوذة بالتتابع الزمني، وتُستخدم هذه الملاحظات لاستخلاص الإحصاءات والخصائص والرؤى ذات الصلة من البيانات. ^{[ 13 ]} تشمل نقاط البيانات التي يمكن جمعها باستخدام بيانات السلاسل الزمنية المبيعات والأسعار وتكاليف التصنيع وفتراتها الزمنية المقابلة، أي أسبوعيًا أو شهريًا أو ربع سنويًا أو سنويًا أو أي فترة منتظمة أخرى. تشير بيانات المقاطع العرضية إلى البيانات التي يتم جمعها عن كيان واحد في فترات زمنية مختلفة. عادةً ما تُمثل بيانات المقاطع العرضية المستخدمة في التنبؤ بالطلب نقطة بيانات تم جمعها من فرد أو شركة أو قطاع أو منطقة. على سبيل المثال، مبيعات الشركة (أ) خلال الربع الأول. يشمل هذا النوع من البيانات مجموعة متنوعة من نقاط البيانات التي أدت إلى نقطة البيانات النهائية. قد لا تكون مجموعة نقاط البيانات قابلة للملاحظة أو التحديد، ولكنها قد تكون طريقة عملية لزيادة دقة نموذج التنبؤ بالطلب. ^{[ 14 ]} يمكن الحصول على مصدر البيانات من خلال سجلات الشركة، أو الوكالات التجارية أو الخاصة، أو المصادر الرسمية.

بمجرد الحصول على النموذج والبيانات، يمكن حساب القيم لتحديد تأثير المتغيرات المستقلة على المتغير التابع محل الدراسة. وباستخدام نموذج الانحدار الخطي كمثال على تقدير المعلمات، تُتخذ الخطوات التالية:

صيغة الانحدار الخطي:

${\displaystyle Y_{i}=\beta _{0}+\beta _{1}X_{i}+e}$

تتمثل الخطوة الأولى في إيجاد الخط الذي يقلل مجموع مربعات الفرق بين القيم المرصودة للمتغير التابع والقيم المتوقعة من الخط. ^{[ 10 ]} ويُعبر عن ذلك كما يلي:${\displaystyle {\hat {Y}}_{i}=\beta _{0}+\beta _{1}{X_{i}}}$مما يقلل${\displaystyle \Sigma (Y_{i}-{\hat {Y_{i}}})^{2}}$و${\displaystyle {\hat {Y_{i}}}=\beta _{0}}$، القيمة المُقاسة من خط الانحدار.

${\displaystyle \beta _{0}}$و${\displaystyle \beta _{1}}$يجب أيضًا تمثيلها لإيجاد نقطة التقاطع وميل الخط. طريقة التحديد${\displaystyle \beta _{0}}$و${\displaystyle \beta _{1}}$يتمثل ذلك في استخدام التفاضل الجزئي بالنسبة لكليهما${\displaystyle \beta _{0}}$و${\displaystyle \beta _{1}}$عن طريق مساواة كلا التعبيرين بالصفر وحلهما آنيًا. طريقة إهمال هذه المتغيرات موضحة أدناه:

$\begin{aligned}\beta_1=\frac{n\SigmaXY-\SigmaX\Sigmay}{n\SigmaX^2-(\SigmaX)^2}\\\beta_0=\frac{\SigmaY}{n}-\frac{\beta_1\SigmaX}{n}\end{aligned}}}$

حساب دقة توقعات الطلب هو عملية تحديد مدى دقة التوقعات المتعلقة بطلب العملاء على منتج ما. ^{[ 15 ] [ 16 ]} يُعد فهم طلب العملاء والتنبؤ به أمرًا بالغ الأهمية للمصنعين والموزعين لتجنب نفاد المخزون والحفاظ على مستويات كافية منه. ورغم أن التوقعات ليست مثالية أبدًا، إلا أنها ضرورية للاستعداد للطلب الفعلي. وللحفاظ على مخزون مُحسَّن وسلسلة توريد فعّالة، تُعدّ توقعات الطلب الدقيقة أمرًا لا غنى عنه.

بينما تقيس المقاييس الإحصائية مثل متوسط ​​الخطأ المطلق النسبي (MAPE) ومتوسط ​​مربع الخطأ (MSE) حجم الخطأ، فإنها عادةً ما تتعامل مع التوقعات المفرطة والتوقعات الناقصة بشكل متناظر. مع ذلك، في سياقات سلاسل التوريد والتمويل، غالبًا ما تكون تكلفة الخطأ غير متناظرة . نادرًا ما يتساوى الأثر المالي للاحتفاظ بمخزون زائد (تكاليف التخزين، التقادم) مع الأثر المالي لنفاد المخزون (خسارة هامش الربح، الشحن السريع، فقدان ثقة العملاء). ^{[ 19 ]}

أظهرت الأبحاث في بيئات تخطيط موارد المؤسسات (ERP) أن وحدات التنبؤ القياسية غالباً ما تفشل في مراعاة هذه الاختلالات، مما يؤدي إلى أداء مخزون دون المستوى الأمثل على الرغم من الدقة الإحصائية. ^{[ 20 ]}

تكلفة خطأ التنبؤ (CFE) هي مقياس مصمم لتحديد هذا التأثير المالي بشكل دقيق. وهي تطبق معاملات تكلفة محددة على اتجاه الخطأ:

$${\displaystyle {\text{CFE}}=(C_{under}\times {\text{Error}}_{under})+(C_{over}\times {\text{Error}}_{over})}$$

أين:

• ${\displaystyle C_{under}}$وهي تكلفة الوحدة الواحدة الناتجة عن نقص التنبؤ (على سبيل المثال، هامش الربح الإجمالي المفقود ).
• ${\displaystyle C_{over}}$وهي تكلفة الوحدة الواحدة للتنبؤ المفرط (على سبيل المثال، تكلفة الاحتفاظ بالمخزون).

من خلال التركيز على تقليل هامش الخطأ المالي بدلاً من تقليل الخطأ الإحصائي، يمكن للمؤسسات تجنب "فخ التناظر" - وهو وضع يؤدي فيه التنبؤ الدقيق إحصائياً إلى نتائج مالية دون المستوى الأمثل. ^{[ 21 ]}

بعد تحديد النموذج، يُستخدم لاختبار النظرية أو الفرضية المطروحة في المرحلة الأولى. ينبغي أن توضح النتائج الهدف المنشود، وأن تحدد صحة النظرية أو الفرضية من عدمها. وبالرجوع إلى المثال المذكور في المرحلة الأولى، ينبغي أن يُظهر النموذج العلاقة بين مرونة الطلب في السوق وارتباطها بمبيعات الشركة السابقة. وهذا من شأنه أن يمكّن المديرين من اتخاذ قرارات مدروسة بشأن السعر الأمثل ومستويات الإنتاج للمنتج الجديد.

تتمثل الخطوة الأخيرة في التنبؤ بالطلب بناءً على مجموعة البيانات والنموذج المُنشأ. وللتنبؤ بالطلب، تُستخدم تقديرات لمتغير مُختار لتحديد تأثيره على الطلب. وفيما يتعلق بتقدير هذا المتغير، يُمكن استخدام نموذج انحدار، أو تطبيق تقييمات نوعية وكمية معًا. ومن أمثلة التقييمات النوعية والكمية:

عمليًا، تُطبَّق أساليب التنبؤ بالطلب بشكل متزايد عبر منصات برمجية تستخدم التعلم الآلي لتحليل بيانات المبيعات التاريخية والعوامل الخارجية. ^{[ 22 ]} ومن الأمثلة على ذلك أدوات المؤسسات مثل SAP Integrated Business Planning وحلول الذكاء الاصطناعي مثل Leafio AI، ^{[ 23 ]} التي توفر تحليلات تنبؤية لتخطيط المخزون والطلب عبر قنوات البيع بالتجزئة المتعددة. ^{[ 22 ]}

ذكر هيلتوفث ^{[ 24 ]} ووالر وفاوست ^{[ 25 ]} أن تطبيق التنبؤ بالطلب لم يعد مجرد مشكلة إحصائية في إدارة سلسلة التوريد، بل أصبح جزءًا لا يتجزأ من عملية تخطيط الأعمال. وقد استُخدم في برامج الحاسوب الحديثة، مثل أنظمة تخطيط موارد المؤسسات (ERP) وأنظمة التخطيط المتقدمة (APS)، للتنبؤ بالمنتجات بهدف تحقيق هياكل إدارة المخزون والإنتاج وتوزيع المنتجات. تكشف هذه الدراسة أن الشركات اليوم تستخدم أدوات التحليل التنبؤي التي تجمع بين أساليب التنبؤ التقليدية، مثل نماذج ARIMA والتسوية الأسية، مع أساليب التعلم الآلي، مثل الشبكات العصبية أو تعزيز التدرج. ويؤدي الجمع بين هذين النهجين إلى أداء أفضل من استخدام أي منهما على حدة، مما يسمح بنشر النموذج إما باستخدام نماذج قابلة للتفسير أو نماذج ذات قدرات أقوى يوفرها التعلم الآلي. ^{[ 26 ]}

يُعدّ استخدام البيانات في التنبؤ أحد أبرز الاتجاهات. تستخدم الشركات معلومات مثل سجلات المبيعات، وزيارات المواقع الإلكترونية، والبيانات الاقتصادية لتحسين دقة التنبؤات، ما يعني إمكانية إنجازها بسرعة أكبر وبأخطاء أقل. وتُخزّن العديد من هذه الأنظمة في الحوسبة السحابية، ما يُسهّل الوصول إلى البيانات الجديدة، ويتيح إجراء أي تعديلات على أنظمة التنبؤ في الوقت الفعلي. وأخيرًا، هناك اتجاه متزايد نحو أتمتة التنبؤ في بعض البيئات الأكثر تقلبًا، حيث تُحاكي الشركات سيناريوهات مستقبلية وتتنبأ بها، وتختبر التنبؤات باستمرار وتُعدّلها. ^{[ 26 ] [ 25 ]} طُوّرت هذه التقنية في الأصل للتنبؤ بالطلب المستقبلي، ولكنها تُستخدم الآن لإبلاغ الشركات بمستوى المخزون في متاجرها، ويتم تحقيق التوازن بين المخزون وطلب العملاء تلقائيًا.

من المؤشرات الأخرى على هذا التوجه الأوسع نحو الأتمتة، والذي تشترك فيه برامج التنبؤ، الاستخدام الواسع للذكاء الاصطناعي. ويُعدّ هذا الاستخدام الواسع مثالاً آخر على عقلية الأتمتة التي ترسخت في برامج التنبؤ. فاليوم، أصبح التنبؤ جزءًا لا يتجزأ من نظام سلسلة التوريد الشامل، والذي يتضمن لوحة تحكم للتنبؤ والتخطيط والتنفيذ على منصة سحابية رقمية واحدة. وفي أغلب الأحيان، تُدمج الأساليب الإحصائية التقليدية، مثل التنعيم الأسي أو نموذج ARIMA، مع تقنيات التعلّم الآلي، مثل تعزيز التدرج أو الشبكات العصبية. ويُعدّ الجمع بين عدة مقاييس أفضل من استخدام مقياس واحد، لأن نماذج التعلّم الآلي تتميز بمرونة عالية في قدرتها على استيعاب الأنماط الأكثر تعقيدًا، بينما تتميز النماذج الإحصائية ببساطتها. ^{[ 26 ]} ومن التطورات المهمة الأخرى استخدام البيانات الضخمة في التنبؤ. إذ تُستخدم بيانات المبيعات وحركة مرور الإنترنت وغيرها من المؤشرات الاقتصادية اليوم للحصول على معلومات من الباحثين.