پیش‌ بینی تقاضا با تجزیه و تحلیل پیشرفته

چه تعداد تجهیزات و نفرات در کارخانه شما وجود دارد؟ میزان خرید مواد اولیه شما چقدر است؟ برای شروع کار چه میزان هزینه می کنید؟ کی به سود می رسید؟ در بحث پیش‌بینی عرضه و تقاضا با تجزیه و تحلیل پیشرفته برای اینکه به این سوالات پاسخ دهید، نیاز است تا به بررسی های جداگانه ای بپردازید. اما به صورت کلی زمانی به پاسخ میرسیم که گنجایش تولید را بدانیم و درخواست بازار را بررسی کرده باشیم. هر چند که پیش بینی عرضه و تقاضا فقط برای برقراری قسمت تولیدی نیست بلکه برنامه ریزی گنجایش تولید به صورت ماهیانه، شرح دادن وظایف پرسنل، سفارش دادن مواد اولیه، طرح های پیشرفت کارخانه و … هم بستگی به آن دارد. 

در واقع پیش بینی عرضه و تقاضا و تجزیه و تحلیل پیشرفته یک موضوع آماری است که در علم های مختلف مورد استفاده قرار می گیرد، اما در دنیای کاری، به خصوص در حوزه تولید، موقعی نتیجه می دهد که بر اساس داده های بازاریابی و محدودیت های عملیاتی بازبینی شود. از این رو در این مطلب تلاش کردیم تا این مباحث را مورد بررسی قرار دهیم. در ادامه مطلب با چند معنی کلیدی آشنا خواهید شد تا با مفهوم تقاضا و بحث پیش بینی عرضه و تقاضا و تجزیه و تحلیل پیشرفته آشنا شوید.

نیاز و تقاضا در تجزیه و تحلیل پیشرفته

بسیاری از رفتارشناسان معتقد هستند که کارهای انسان از نیازهای او نشات می گیرند. درخواست هایی که مازلو معتقد است از اولویت بندی خاصی پیروی می کنند. این اولویت بندی ها از جمله نیازهای اولیه همچون آب و غذا تا رسیدن به بهترین خود می باشند. شیوه های متفاوتی برای رفع نیازها وجود دارد. به طور مثال شخصی کت و شلوار می پوشد و دیگری شلوار جین و تیشرت را انتخاب می کند. هر دو این انتخاب ها شیوه ای برای پوشیده بودن ( نیاز بنیادی)، مورد تایید دوستان و اطرافیان بودن (نیاز احساسی) و بدست آوردن احترام (نیاز به عزت نفس) می باشد. در مثالی دیگر می توانیم به عادت های غذایی اشاره کنیم که در اشخاص متفاوت می باشد. به طور مثال سلیقه غذایی هندی ها و چینی ها با یکدیگر متفاوت می باشد. اما به هر صورت غذا خوردن به نیاز گرسنگی انسان پاسخ می دهد.

این مثال ها نشانگر تفاوت بین نیازها و خواسته ها می باشد. همه افراد نیازهای مختلفی دارند، اما از شیوه های مختلفی برای رسیدن به آنها استفاده می کنند. به همین دلیل شخصی ترجیح می دهد که از راه تحصیلات و شغل عالی به کسب اعتبار اجتماعی بپردازد. اما شخص دیگری در تلاش است تا از طریق پوشیدن لباس های خاص و گران قیمت به این درجه برسد.

اما به طور کلی مقصود ما از تقاضا چیست؟ در صورتی که یک شخص نیازی داشته باشد و بتواند به آن برسد، در واقع کلمه تقاضا شکل گرفته است. به طور مثال شخصی برای رسیدن به نیازهای اجتماعی و احساسی خود نیاز به گوشی آیفون در خود می بیند و پول مورد نیاز آن را هم دارد. در این صورت او متقاضی این گوشی به شمار می رود و در صورتی که این کالا موجود باشد اقدام به خرید آن می کند. در صورتی که آن شخص قدرت خرید گوشی را به هر دلیلی نداشته باشد، دیگر متقاضی آن گوشی به شمار نمی رود.

عرضه و تقاضا در تجزیه و تحلیل پیشرفته

در بحث پیش بینی عرضه و تقاضا و تجزیه و تحلیل پیشرفته، در واقع عرضه جواب صنعت به تقاضا می باشد. به بیانی ساده تر، اشخاص و تیم هایی در بازار وجود دارند که یک چیزی را می خواهند و توان خرید را هم دارند. از طرفی دیگر اشخاص و تیم هایی وجود دارند که با عرضه ی محصولات و خدمات خود به تقاضای آنها رسیدگی می کنند. این نکته حائز اهمیت است که قدرت مالی و خواستن یک چیز برای اینکه تقاضا شکل بگیرد کافی نیست. بلکه اشخاصی باید وجود داشته باشند که مقدار مبلغ معین شده را پرداخت نمایند. به طور مثال یک فرد جوراب می خواهد و مبلغ صد میلیون تومان هم دارد. اما نمی خواهد هشتاد میلیون تومان برای خرید یک جفت جوراب بپردازد. در واقع او متقاضی خرید یک جفت جوراب ده هزار تومانی می باشد. و میلی به خرید جوراب چند میلیون تومانی ندارد.

در نتیجه بین تقاضا و عرضه و مبلغی که برای کالا مشخص می شود یک نوع ارتباط منطقی وجود دارد. برای شرح دادن این ارتباط، در علم اقتصاد یک نمونه به نام عرضه و تقاضا ارائه شده است که در آن دو نکته مهم وجود دارد.

نکته 1: در واقع قیمت روی تقاضا تاثیر خود را می گذارد. به این معنا که یک کالا با قیمتی ارزان تر تقاضای بیشتری دارد. اما در صورتی که گران شود متقاضیان آن کمتر خواهند شد.

نکته 2: روی عرضه، قیمت هم تاثیرگذار است. به این معنا که هر چه قیمت یک کالا یا خدمت در بازار بیشتر شود، افراد بیشتری به عرضه آن تمایل نشان می دهند.

حالا بر اساس این دو نکته در بحث عرضه و تقاضا، یک حکایت فرضی را بخوانید. فرض می کنیم که مقدار عرضه یک کالا از تقاضای آن در بازار کمتر است. به طور مثال تقاضای بازار یک چیزی حدود هزار واحد است اما 500 واحد عرضه از آن عرضه می شود. در این صورت برای تعادل بین عرضه و تقاضا، ممکن است قیمت گران تر شود. بعد از آن از تقاضایی که برای هزار واحد بود کم می شود تا به مقدار عرضه برسد. اما بر مبنای نکته دوم، زمانی که قیمت گران می شود، ممکن است مقدار عرضه هم زیاد شود و این معادله برعکس شود.

به این معنا که در بحث پیش بینی عرضه و تقاضا و تجزیه و تحلیل پیشرفته، کم کم مقدار عرضه از تقاضایی که 500 واحد بود بیشتر می شود و در این حالت، بر مبنای نکته اول، دوباره قیمت ها کمتر می شوند تا تعداد تقاضا کنندگان زیاد شود. البته که این جریان می تواند پیچیده تر از این باشد. به طور مثال در کشور ما مقدار عرضه خودرو از تقاضای آن بیشتر می باشد. اما دولت قیمت ها را نظارت می کند و ما شاهد کم شدن تقاضای خودرو نیستیم. با این توضیحات، در موضوع پیش بینی تقاضا باید میزان عرضه صنعت هم بررسی شود. به این معنا که نمی توانیم یک کارخانه یا شرکت را فقط عامل تاثیرگذاری در بازار بدانیم. از این رو برای پیش بینی تقاضا مجبور هستیم تا رفتار دیگر فعالان صنعت را هم مورد بررسی قرار دهیم.

پیش بینی تقاضای بازار به چه معناست؟

یکی از جامع ترین و دقیق ترین تقاضای بازار در کتابی به اسم مدیریت بازاریابی، به نویسندگی کاتلر و کلر، مطرح شده است. به نقل قول از آن اینگونه بیان می کنیم:

“به تمام محصولاتی که مشتریان معین، در منطقه جغرافیایی خاص و یک دوره زمانی معین و در شرایط بازاریابی خاص می خرند، تقاضای بازار میگویند.”

بر اساس این تعریف به چند نکته مهم می پردازیم.

• برای تقاضا در بازار باید دقیقا معین شود که از کدام قسمت مشتریان صحبت می کنیم. زیرا تقاضا در بخش های مختلف متفاوت است. 
• در واقع تقاضای بازار بر اساس زمان است و در بازه های زمانی متفاوتی متغیر است. از این رو وقتی آینده آن را نظاره می کنیم باید معین شود که از یک سال دیگر سخن می گوییم یا ده سال دیگر.
• کاتلر معلم بازاریابی می باشد و روی بازاریابی تاکید زیادی دارد. هرچند که در واقع بازاریابی روی تقاضا تاثیرگذار است اما در بعضی تعریف ها به آن اشاره ای نمی گردد.

جوانب پیش بینی تقاضا در تجزیه و تحلیل پیشرفته

پیش بینی عرضه و تقاضا جوانب مختلفی دارد که دربرگیرنده بازه زمانی پیش بینی، قسمت بندی بازار و سطح های کالا می باشد. به این معنا که برای پیش بینی باید در این سه گزینه تصمیم بگیریم که در ادامه به بررسی آنها خواهیم پرداخت.

بازه زمانی پیش بینی تقاضا

در پیش بینی عرضه و تقاضا، امکان دارد مقدار تقاضای بازار در چهار سال پیش رو درخشان باشد. اما تحت تاثیر تغییراتی که در تکنولوژی و سایر مسائل دیگر اتفاق می افتد، در یک بازه ده ساله به کمترین میزان خود برسد. و یا از کالا در بازار پیش رو استقبال نشود. اما شرایط دچار تغییر نگردد و فروش خوبی در سالهای آینده داشته باشد. از این رو به وضوح، پیش بینی تقاضا در گرو زمان است و می تواند برای آینده ای نزدیک، از یک تا چند ماه و یا بازه ای دور باشد. حال این سوال پیش می آید که برای شروع یک واحد تولیدی، کدام بازه زمانی برای پیش بینی تقاضا خوب است؟

در ابتدای مبحث پیش بینی عرضه و تقاضا و تجزیه و تحلیل پیشرفته، تا حدودی به جواب این سوال اشاره شد که شروع و بهره برداری از یک واحد تولیدی به طور معمول با هدف برخورداری از تقاضای کنونی بازار نیست، زیرا هنوز کار راه اندازی نشده است. بلکه بر مبنای تقاضای سالهای پیش رو برنامه ریزی می گردد. از طرفی دیگر ظرفیت تولید یک میزان ثابت نیست و خیلی اوقات از همه ظرفیت آن استفاده نمی شود. به همین دلیل باید تقاضای احتمالی ماه های پیش رو پیش بینی شود تا شرح وظایف افراد و مقدار سفارش مواد اولیه روی برنامه انجام شود.

مدیر یک واحد تولیدی از زمانی که تصمیم می گیرد شروع به تولید کند تا زمانی که کار آن شروع می گردد و برنامه تولید ماه های آینده را می چیند، و یا زمان که برای پیشرفت محصولات تازه و یا امکانات کارخانه خود شروع به کار می کند، نیاز به پیش بینی تقاضا خواهد داشت. از سوی دیگر برنامه ریزی بازاریابی و استخدام کارکنان و قیمت گذاری و پیشرفت محصولات تازه و سفارش دادن مواد اولیه و … بر اساس نتایج پیش بینی تقاضا می باشند.

قسمت بندی بازار

به سه دلیل برای پیش بینی عرضه و تقاضا و تجزیه و تحلیل پیشرفته به قسمت بندی بازار نیازمند هستیم.

اول اینکه به طور معمول صدها و هزاران بازار گوناگون برای یک کالا وجود دارد و پیش بینی تقاضای همه آنها ممکن نمی باشد. به طور مثال یک تولید کننده خودکار نمی تواند موقعیت تقاضای آن در همه کشورها را مورد بررسی قرار دهد.

دوم اینکه هرچه بازار را بزرگ تر بدانیم، از میزان دقت پیش بینی عرضه و تقاضا کاسته می شود. زیرا قسمت های متفاوتی از آن تحت تاثیر عوامل گوناگونی می باشند و نمی توان همه آنها را با یکدیگر بررسی کرد. به طور مثال دانش آموزان در ابتدای سال تحصیلی خود، رغبت زیادی به خرید خودکار دارند. که باعث می شود تا تقاضا در این قسمت زیاد شود. اما این موضوع برای مسئولان مهم نیست. زیرا تقاضا در این قسمت ثابت می ماند. 

سوم اینکه آگاهی از تقاضای یک بازار بزرگ سودمند نمی باشد. به طور مثال فرض کنید که تقاضای خرید شیر پاکتی در ایران، به طور روزانه یک میلیون باشد. در صورتی که تولیدکننده آن شما باشید، کارخانه خود را در کدام استان بنا می کنید؟ میزان توزیع شیر پاکتی در هر استان به صورت روزانه توسط شما چقدر است؟ کدام منطقه ها سود بیشتری دارد؟ تبلیغات خود را بر اساس کدام قسمت از جامعه انجام می دهید؟پس میتوان نتیجه گرفت که عوامل زیادی برای قسمت بندی بازار وجود دارند. اما کدام قسمت ها را برای پیش بینی تقاضا انتخاب کنیم؟

• بازارهایی که سرمایه گذاری روی آنها صورت گرفته است و هدف ما می باشند.
• بازارهایی که موقعیت آنها را بررسی کرده ایم تا در صورتی بدست آمدن فرصت برای ورود به آنها اقدام کنیم.
• بازارهایی که در اختیار رقبا می باشند و با بررسی کردن آنها قصد داریم برنامه پیش روی رقبا را پیش بینی کنیم.

در مورد حالت سوم تصور کنید که یک کارخانه در بازار کار می کند که هدف ما قرار ندارد. اما در صورتی که با کم شدن تقاضا مواجه شود، امکان دارد برای وارد شدن به بازارهای تحت تسلط ما برنامه ریزی کند. یا در صورتی که با زیاد شدن تقاضا مواجه شود به مواد اولیه بیشتری نیاز خواهد داشت و امکان دارد روی میزان چانه زنی درخواست کنندگان تاثیر بگذارد. دقت داشته باشید که قسمت بندی بازار محدود به مختصات جغرافیایی نمی شود. بلکه برای برنامه ریختن بهتر، به خصوص در قسمت پخش، باید تعیین شود که مقدار تقاضا در هر کدام از قسمت های خرده فروشی، عمده فروشی، نمایندگی ها و غیره چه میزان خواهد بود.

سطوح محصول

یک کالا سطوح مختلفی دارد و به روش های متفاوتی درآمدزایی از آن صورتی می گیرد. به طور مثال تصور کنید که کارخانه ای کار تولید تیغه و بدنه را انجام می دهد. (همچون ژیلت) سطح های متفاوت درآمدزایی از این کالاها شامل موارد زیر هستند.

• این دو کالا به صورت جداگانه به فروش برسند. به این معنا که مشتریان ابتدا یک بدنه و تیغه بخرند و هر مدت یکبار به خرید تیغه های جدید بپردازند.
• بدنه در کنار چند تیغه به فروش برسد. در یک بسته بندی مشترک. و زمانی که عمر تیغه ها تمام شد، مشتری برای خرید تیغه های جدید دست به کار شود.
• دانش فنی تولید این کالاها یا خط تولید آنها به فروش برسد.
• تمام کارخانه فروخته شود.

تقاضا برای هر کدام از این سطوح متفاوت است و نیاز به بررسی هایی به صورت جداگانه دارد. به طور مثال یک کارخانه می تواند تقاضای انواع حالت های فروش کالاهای خود را مورد بررسی قرار دهد تا بتواند بهترین روش را مشخص کند. و یا تقاضا برای خرید دانش فنی کالاهای خود را پیش بینی نماید تا بهترین زمان برای ارائه کالاهای جدید خود را معین نماید یا بهترین زمان واگذار کردن کارخانه را بررسی کند. دقت به سطح کالاها کمک می کند تا پیش بینی تقاضا آگاهانه تر و کاربردی تر باشد.

دقت روش های تخمین تقاضا در تجزیه و تحلیل پیشرفته چه میزان است؟

هیچ موقع در پیش بینی قطعیتی وجود نخواهد داشت. به این معنی که نتایج پرهزینه ترین و بهترین فرایندهای پیش بینی هم می توانند قطعی نباشند. به طور کلی موارد زیر تاثیرگذاری روی دقت پیش بینی دارند.

روش پیش بینی

این روش به دو گونه روی دقت کار تاثیر می گذارد. اولا بعضی روش ها به طور کلی بهتر هستند. این روش ها در مواردی استفاده می شوند که دقت کار بالاست.دوما باید روشی که بکار گرفته می شود با شرایط پیش بینی شده تناسب داشته باشد. با این تفاسیر چرا همیشه از بهترین روش های پیش بینی استفاده نمی شود؟ زیرا گاهی به زمان یا هزینه ی زیادی نیاز دارن یا با نوع مسئله و خواسته های ما سازگار نیستند. به طور مثال بسیاری از شیوه های کمّی فقط برای پیش بینی های کوتاه مدت و در نهایت میان مدت استفاده می شوند. 

پیچیدگی های محیط

شرایط محیط اصلی ترین عامل برای کم کردن دقت پیش بینی عرضه و تقاضا می باشد. به طور مثال رونق یا رکود اقتصادی، زیاد یا کم شدن نرخ ارز، محدود یا زیاد شدن گرفتن مجوز، زیاد یا کم شدن وام های تولیدی، متغیر بودن الگوی مصرف، زیاد یا کم شدن نرخ واردات و صادرات و … به آسانی می تواننند روی تقاضا تاثیرگذار باشند. البته که این موارد را تا حدودی می شود پیش بینی کرد. اما عواملی همچون جنگ و طوفان، زلزله، بیماری و  غیره را نمی توان پیش بینی کرد. به همین دلیل هیچ موقع به پیش بینی ها نمی توانیم با قطعیت اطمینان کنیم. از این رو هرچه پایداری محیطی بیشتر و بازه ای که پیش بینی در آن صورت می گیرد نزدیکتر باشد، امکان دارد که نتیجه پیش بینی ها دقیق تر و مطمئن تر باشند. اما در بازه طولانی اتفاقات زیادی رخ می دهد که تمام آنها انحراف بزرگی در دستاوردها به وجود می آورند.

اطلاعات و داده ها

پیش بینی عرضه و تقاضا بر مبنای اطلاعات فعلی و گذشته صورت می گیرند. به طور مثال تغییرات فروش یک کالا را مورد بررسی قرار می دهیم یا در پی اطلاعاتی هستیم که نشان دهنده افزایش یا کاهش تقاضای پیش رو باشد. آشکار است که هرچه اطلاعات بیشتر و دقیق تر باشند پیش بینی ها بهتر خواهند بود.  البته بیشتر مواقع بدست آوردن این اطلاعات گران است یا اطلاعاتی در مورد کالا و خدمات تازه در دسترس نیست که دقت پیش بینی را تحت تاثیر می گذارد.

شرکت‌ها می‌توانند از تجزیه و تحلیل پیشرفته برای بهبود پیش‌بینی تقاضا استفاده کنند

شرکت‌ها می‌توانند از تجزیه و تحلیل پیشرفته برای بهبود پیش‌بینی تقاضا استفاده کنند، اما تنها درصورتی که روند کار را به خوبی مدیریت کنند.

موفق‌ترین شرکت‌ها روی نتایج متمرکز هستند، پیش‌بینی را به عنوان یک فرآیند عملیاتی می‌دانند و ابزارهای پیش‌بینی را فقط در زمان استراتژیک در داخل مجموعه می‌سازند.

یک شرکت بزرگ محصولات مصرفی بطور متوسط ۱۰ درصد بیشتر از آنچه را که به فروش می‌رسد در قفسه‌ها قرار می‌دهد، یک راه‌کار که خطر تمام شدن محصولات را کمتر می‌کند. اما ادامه این روند هزینه‌ها را برایشان بیشتر کرد. مشکل کجا بود؟

این شرکت بعد از بررسی مشکل، سه علت را شناسایی کرد. در مرحله اول پیش‌بینی تقاضا است، در حالی که برای موارد با حجم بالا از نظر منطقی دقیق است، برای مواردی که بیشترین حجم فروخته شده را به خود اختصاص می‌داد، بطور قابل توجهی بی‌تأثیر بود. دوم، واسطه‌های مدیریت سفارش‌ که شرکت در اختیار فروشندگان خود قرار داده است زمان زیادی را برای یادگیری و آموزش دربرمی‌گرفت. و سرانجام لایه‌های مختلف مدیریت فروش و پشتیبانی برنامه‌ریزی همیشه مفید نبودند. تمایل داشتند به راحتی اندازه یک سفارش را تنظیم کنند.

هر یک از این چالش‌ها راه‌حل‌هایی را پیشنهاد می‌کردند: پیش‌بینی بهتر، رابط کاربری بهتر برای تبدیل آن پیش‌بینی به سفارشات، و تغییر در ساختار و پشتیبانی ساختار مدیریتی و برنامه ریزی برای تکرار فروش.

این شرکت در نهایت به هر سه پرداخت و باعث شد دقت پیش‌بینی را بیش از ۳۰ درصد در مقایسه با رویکرد قبلی خود بهبود بخشد (شکل 1 را ببینید). این رابط سفارش با نرخ خالص ترویج‌کنندگان نزدیک به ۶۰ ساخته شده است.

شکل ۱: با پیش‌بینی بهتر، یک شرکت هزینه‌های سفارش‌های بیش از حد را کاهش می‌دهد.

این شرکت اکنون به طور گسترده‌تر این راه‌حل جامع را ارائه می‌دهد. هنگامی که این امکان در همه بازارها مستقر شد، شرکت برای افزایش بازده سه گانه در سرمایه گذاری خود انتظار افزایش سالانه ۹ رقمی سود عملیاتی را دارد.

این خلاصه در مورد بخش پیش‌بینی کننده داستان است. برای رهبران که از پیش‌بینی تقاضای فعلی خود، چه مدیر و چه مدیران تیم تحلیلی ناراضی هستند، ما سه درس مفید را حائز اهمیت می‌دانیم:

• بر نتایج متمرکز شوید ، نه پیچیدگی.

• پیش بینی را به عنوان یک فرآیند عملیاتی در نظر بگیرید، نه یک تمرین مدل سازی.

• وقتی پیش بینی استراتژیک است، بسازید. وقتی که نیست، بخرید.

درس ۱: روی نتایج متمرکز شوید ، نه پیچیدگی

هیچ کس مخالفت نمی‌کند که هدف از انجام تجزیه و تحلیل پیشرفته کسب نتیجه است. با این وجود، بسیاری از هیئت‌های مدیره به مدیر عاملان فشار می‌آورند تا یک استراتژی هوش مصنوعی گسترده را به کار گیرند. به نظر می‌رسد برخی دانشمندان داده بیشتر از دستیابی به نتایج تجاری بیشتر بر استفاده از شبکه‌های عصبی برای پیشرفت شخصی خود متمرکز شده‌اند. در حقیقت، پیشرفت به سمت هدف تجاری هدفمند و قابل اندازه گیری، امتیاز برتر است.

در تلاش برای پیشرفت، یک رویکرد در همه سناریوهای محصول مناسب نیست. ترکیب محصولات یک شرکت معمولی شامل محصولات چند ساله، محصولات فصلی، محصولات جدید، محصولاتی با حجم زیاد و محصولاتی با حجم کمتر است. ماندگاری، فراوانی و عمق ارتقاء و شاید بسیاری از عوامل دیگر ممکن است متفاوت باشد. سناریوهای مختلف ممکن است از رویکردهای الگوریتمی متناسب بهره‌مند باشند. به عنوان مثال، هنگام ایجاد پیش‌بینی برای یک محصول جدید، می توانید یک مدل میانگین متحرک رگرسیون (ARIMA) از تاریخ فروش کالای متفاوت با ویژگی‌های مشابه استفاده کنید، و سپس آن را با یک میانگین متحرک یا رویکرد هموارسازی در تاریخچه محدودتر محصول جدید ترکیب کنید. با گذشت زمان، ممکن است یک روش شبکه عصبی را برای تشخیص الگوهای احتمال پذیرش محصول جدید از چندین مثال گذشته امتحان کنید.

برای موارد بسیار تبلیغ شده، می‌توانید با پیش‌ بینی تقاضای پایه شروع کنید و سپس تأثیر تبلیغات قیمت را در بالای آن لایه بندی کنید. شما ممکن است قادر به پیش بینی تقاضا برای محصولات با عمر مفید طولانی‌تر در یک طبقه‌بندی از محصولات باشید. با این وجود، برای موارد کوتاه مدت که از اهمیت بیشتری برخوردار است، باید به پیش‌بینی تقاضا توسط SKU و فروشگاه نیز نزدیک شوید. خلاصه اینکه، فقط انتظاریک مدل را نداشته باشید. تعداد زیادی مدل وجود دارد در عوض به یک بستر مدل فکر کنید.

از بالا به پایین کار کنید. این وسوسه کننده است که پیش‌بینی خود را در کوچک‌ترین سطح شروع کنید. اما از نظر محاسباتی کارآمدتر و غالباً به همان اندازه مؤثراست که بتوانید سلسله مراتب‌های محصول و بازار را کم کنید. هنگامی که افزایش گرانول متوقف می‌شود و منجربه پیشرفت چشمگیر در پیش‌بینی می‌شود، به دنبال نقطه کاهش بازده باشید. و برای ترکیبات با حجم بسیار پایین – جایی که، برای مثال، هر مورد ممکن است به فروش برسد یا نه – ممکن است تعویض دستور یک سفارش را برای یک وضعیت حساس که بیشتر به فروش می رسد، جایگزین کنید، اما گاهی اوقات چنین نمی‌شود.

بر بهبود نسبی تاکید کنید. کار شما فقط بهبود عملکرد پیش‌بینی نیست، اما آن  را بهتر از پیشنهادهای پرتکرار انجام بدهید. اگر می‌خواهید به پیشرفت نسبی عمیق‌تر بپردازید، مقاله عالی راب هیندمن و آن کوهلر را در مورد میانگین خطای مقیاس مطلق (MASE) به عنوان یک معیار بهتر استفاده کنید.

درس ۲: با پیش‌ بینی به عنوان یک فرآیند عملیاتی رفتار کنید، نه یک تمرین مدل‌سازی

پیش‌بینی با انتخاب مهمترین موارد پیش‌بینی شروع می‌شود. از طریق دریافت و بهبود داده‌ها ، فکر کردن در مورد چگونگی مقیاس بندی و حفظ مدل‌های پیش‌بینی خود، و اعتماد به خروجی کافی برای استفاده از آن، درآمدزایی می‌کند. و سرانجام با ارزیابی نتایج مدل و کسب و کار به منظور بهبود مستمر کل فرآیند نتیجه گیری می‌شود.

همه باید با ترکیبی از معیارهای هدف خاص که برای ارزیابی پیش‌بینی مورد استفاده قرار می‌گیرند، توافق کنند. آیا هرسال میزان بهبود پیش‌بینی را اندازه می‌گیرید، یا با سایر رویکردهای پیش‌بینی مقایسه‌ای همزمان دارید؟ آیا حجم واحد یا حجم هزینه را پیش‌بینی می‌کنید؟ آیا شما درکاهش یا جلوگیری از اتمام موجودی تمرکز دارید؟ در بسیاری از موارد، جواب این است که برخی از هر دو را انجام دهیم، تعادل بین این ملاحظات از جمله موارد دیگر است. معیارهایی که ممکن است با گذشت زمان تکامل یابد. نکته اصلی این است که در مورد مکان‌هایی که هدف‌های شما در آن قرار دارند، شفاف و هماهنگ با سایر ذینفعان باشید. در اصل به نظر می‌رسد آشکار است؛ در عمل، اغلب اینطور نیست.

داده‌های بهتر احتمالاً مهمترین سرمایه‌گذاری است که می‌توانید انجام دهید. یک شرکت تولیدی محصولات مصرفی، که در بیش از ده کشور فعالیت دارد، اخیراً با شروع آموزش مدل پیش‌بینی خود، این موضوع را کشف کرد. این شرکت داده‌های خود را تقسیم کرده، مدل را در یک زیر مجموعه از آن داده‌ها آموزش داده و سپس آن نتایج را با داده‌هایی که در این آموزش استفاده نشده است، مقایسه می‌کند. نتایج اولیه امیدوارکننده بود: رویکرد مدل‌سازی جدید باعث بهبود 30٪ -40٪ در MAPE شد. اما هنگامی که آزمایش‌های دنیای واقعی آغاز شد، پیشرفت تقریباً نیمی از آن بود که از داده‌های تخمین زده شده قیمت و تبلیغ استفاده کرده بود. مشکل این بود که داده‌های اولیه دقیق نبودند. هنگامی که تیم برگشت و داده‌های بهتری را به مدل وارد کرد‌، آنها متوجه پتانسیل مورد نظر برای اولین بار شدند. آنها رابط کاربری را به گونه‌ای طراحی کردند که تکرارها با استفاده از پیش‌بینی برای سفارش بتوانند اطلاعات به‌روز و قیمت تبلیغاتی را وارد کنند و از بهترین داده‌های ممکن برای مدل‌سازی آینده اطمینان حاصل کنند. عملیات پیش‌بینی خوب اغلب با ابتکاراتی برای بهبود کیفیت داده‌ها همراه می‌شوند.

این شرکت با اضافه کردن گزارش‌های معاملاتی مبتنی‌بر اسکن سریع و متغیرهای ارتجاعی متناوب، مانند اینکه آیا فروش محصول X به محصول Y کمک می‌کند یا به آن آسیب می‌رساند ، صحت سکوی مدل را بهبود بخشید.

به نحوه‌ی پردازش داده‌های خود توجه کنید. در این بازه، شما پیش‌بینی‌های بسیار زیادی را در مدت زمان کوتاهی خواهید کرد. اگر چیزی اشتباه پیش برود، تعمیر آن گران و آشفته خواهد بود. شما می‌توانید این مسايل را با توجه به اینکه چه اطلاعاتی نیاز دارید پیش‌بینی کنید و بدانید اتفاق‌ها طبق پیش‌بینی شما در جریان هستند.

هنگامی که داده‌های شما اشتباه باشند، می‌توانید از آنها برای پیش‌بینی استفاده کنید. اصطلاح جالب برای این “درون یابی” است، رویکردی شبیه به کار دریانوردان که از مثلث دریایی، که قبل از GPS استفاده می شدند تا حدس بزنند کجا هستند، است. اطمینان حاصل کنید که تعداد پیش‌بینی‌هایی را که انتظار دارید تولید کنید. چک‌های خودکار را انجام دهید تا پلت فرم مدل به خوبی در مقیاس مورد نظر کار کند. هنگامی که یک چیز نادرست به نظر می‌رسد، آن را در ریشه ردیابی کنید، و سپس سایر مواردی که به نظر می‌رسد را بررسی کنید.

امتحان کردن در دنیای واقعی. هنگامی که صحت و قوام یک سکوی مدل را با استفاده از یک نمونه آزمایشی ایجاد کردید، چالش بعدی ارزیابی عملکرد آن در مقیاس شرایط دنیای واقعی است. سکوهای مدل که این آزمون را پشت سر نمی‌گذارند – که ممکن است برای یک مجموعه داده خاص عالی باشد، اما به خوبی تعمیم نمی‌یابد، لازم است که مرتباً ساده یا دوباره ساخته شود. در مورد آنچه که تخریب در عملکرد پیش‌بینی ممکن است در مورد تحولات جدید در داده‌های قدیمی به شما بگوید، تأمل کنید. به عنوان مثال می‌تواند تغییر عادات مشتری یا اثر غیرمنتظره یک رقیب جدید را آشکار سازد. همچنین، هزینه‌های تغییرات روند خود را اندازه‌گیری کنید، نه فقط سودهای دقیق در پیش‌بینی. این ممکن است باعث شود که هزینه بعدی خود را برای چیزی غیر از مدل ، مانند رابط کاربری یا مربیگری بهتر برای کاربران صرف کنید.

درباره آن کاربران مزاحم: آنها فقط از الگویی که درک نمی‌کنند استفاده نمی‌کنند. این دلیل دیگری برای شروع ساده است. همچنین پیگیری استفاده از رابط سفارش، و نه فقط پیش‌بینی و نتیجه سفارش مهم است. با کمال تعجب، مردم همیشه آنچه را که به آنها می‌گویید انجام نمی‌دهند. غالباً، ارائه پیش‌بینی برای موارد استفاده کافی نیست. برای مثال باید پیش‌بینی را با داده‌های مربوط به فروش اخیر یا مثلاً در دوره مشابه پیش‌بینی کنید. یک پیشنهاد ویژه بنیادین اینجاست: آنها را از همان ابتدای برنامه در تیم توسعه پلت فرم مدل خود قرار دهید. برای حمایت از پیشرفت مداوم، یک هیئت مشاوره تشکیل دهید و آنها را نیز در آن بگنجانید. آنها ایده‌هایی برای ویژگی‌هایی دارند که می‌توانند داده‌های شما را فراتر از آنچه تصور می‌کنید اضافه کنند.

چگونگی ارزیبای مدل‌های خود را در طول زمان تغییر دهید. بدیهی است، عملکرد همیشه باید در ارزیابی غالب باشد. به این ترتیب، اگر نتیجه بدی وجود داشته باشد، می‌توانید به متغیرها و ضرایب مدلی که آن را تولید کرده است نگاهی بیندازید و سپس آنچه را که در پس ماجرا وجود دارد جستجو کنید. و پس از آن، هنگامی که ایده‌های بهبود عملکرد برای مدلتان تمام شد، ممکن است هزینه بعدی ROI شما برای از کارآمدتر کردن کل پلت‌فرم مدل باشد تا بتوانید در هزینه‌های خود صرفه جویی کنید.

درس ۳: هنگام پیش بینی استراتژیک، بسازید. وقتی که نیست بخرید.

اگر شما یک تیم علوم داده داخلی دارید، آنها تعصبی برای ساختن خواهند داشت، زیرا، خوب، این کاری است که آنها انجام می‌دهند. برعکس، اکثر مدیران نمی‌خواهند بسازند، زیرا کاری ترسناک است، و آسان‌تر این است که از یک فروشنده داخلی استفاده کنند تا از یک تیم داخلی برای “مدیریت سازنده” استفاده کنند. مراقب هر دو گزینه باشید.

قانون اول هنگامی که تصمیم گرفتید، بخرید یا بسازید این است که مقرارت را بدانید. اگر یک پیش‌بینی بهتر برای تجارت شما استراتژیک است، پس به بهبود مداوم خطای پیش‌بینی و کنترل زیادی روی بستر پیش‌بینی خود نیاز دارید. همچنین بدانید که 80٪ تلاش شما به ساخت خط لوله داده که از مدل‌ها تغذیه می‌کند و نتایج را بررسی و صادر می‌کند، می‌رود. هنگام خرید یک ابزار مدل سازی تجاری، شما هنوز هم باید این کار را انجام دهید، و هیچ مقدار پیچیدگی الگوریتمی شما را از یک خط لوله داده بد نجات نمی‌دهد. حتماً بر روی تمام هزینه راه‌حل خود تمرکز کنید و بر این اساس بودجه خود را اختصاص دهید.

ممکن است شما در فکر خرید یک ابزار پیش‌بینی در زمینه ارتقاء پلتفرم گسترده‌تر، مانند سیستم برنامه ریزی منابع سازمانی (ERP) باشید. رویدادهای اصلی در یک ERP نحوه ارائه یا نمایندگی تجارت شما، مدل داده آن و قوانین مربوط به تجارت است. اگر شخصی‌سازی ERP برای شما استراتژیک باشد، بیشتر بودجه شما برای تغییر خط لوله داده‌ای که از مدل تغذیه می‌کند صرف خواهد شد، و منابع کمتری برای تعویض و تحول موتور پیش‌بینی شده خریداری شده وجود خواهد داشت.

گزینه‌های منبع باز غالباً نقطه شروع مناسبی هستند، اما لازم نیست حتما خود را ملزم به استفاده صد در صدی از آن کنید. راه‌حل‌های تجاری نیز می‌تواند انتخاب مناسبی باشد. نکته مهمی که باید به خاطر داشته باشید این است که استراتژی فناوری استراتژی تجارت را دنبال می‌کند.

طبیعی است که بدانید سازمان شما قادر به مالکیت و تکامل یک پلت‌فرم پیش‌بینی پیشرفته است یا خیر. اگرتصمیم به برون سپاری عملیات پیش‌بینی خود به یک فروشگاه مدل‌سازی را دارید، باید برخی از داده‌های داخلی و توانایی مهندسی را حفظ کنید. به این ترتیب، شما می‌توانید آنچه را که می‌خواهید بهتر درک کرده و راهنمایی کنید، از بیرون و از خانه زیر نظر استراتژی سازمان خود استفاده کنید و اطمینان حاصل کنید که کنترل و دید را در پیش‌بینی‌ها حفظ می‌کنید. شما باید بر خطوط لوله داده که مدل‌های یک فروشگاه را تغذیه و مصرف می‌کنند، کنترل کنید. این ممکن است به همه بررسی کیفیت داده‌ها گسترش یابد. خوب است که فروشنده از دگرگونی‌های اختصاصی داده‌های خام و ویژگی‌های مصنوعی به عنوان بخشی از ارائه آن استفاده کند، اما باید بدانید که چه مواردی را برای مدلتان باید ارزیابی کنید.

مدل‌های ساختمانی فقط یک تمرین تحلیلی نیستند، توسعه نرم افزار است؛ این بدان معناست که شما باید IT را درگیر کنید، زیرا آنها زیرساخت‌ها و سیاست‌هایی را که منجربه توسعه مدل می‌شود، حاکم و پشتیبانی می‌کنند. حتی اگر کار خود را در فضای ابری انجام ندهید، به داده‌هایی که ارائه می‌دهید نیاز دارید. تولید محصولات مصرفی شما را ملزم به رعایت شرایط امنیتی، حفظ حریم خصوصی و قابلیت استفاده می‌کند. این مکالمات شما را به سمت ملاحظات گسترده‌تر پذیرش فناوری اطلاعات، مانند آموزش و پشتیبانی سوق خواهد داد. بنابراین سرکشی نکنید!

امیدواریم که این دروس به شما کمک کنند سؤالات بهتر بپرسید و اگر شما یک مدیر تحلیلگر هستید، امیدواریم که این پیشنهادات پاسخ‌های بهتری را برای شما فراهم کنند. در هر صورت، ما مشتاقانه منتظر شنیدن نتایج شما هستیم.

منبع: bain