پیش‌بینی تقاضا با تجزیه و تحلیل پیشرفته

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 پیش‌بینی 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 پیش‌بینی 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.د

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