پیشنهاد می شود قبل از مطالعه این بخش، بخش قبلی این مقاله  را از طریق لینک زیر مطالعه نمائید:

پیش بینی تقاضا با تجزیه‌وتحلیل پیشرفته – بخش اول

درس هایی مفید برای مدیران در پیش بینی تقاضا

درس ۱: تمرکز بر نتایج به جای تمرکز بر مهارت

هیچ‌کس نمی‌تواند مخالف این گزاره باشد که انجام تجزیه‌وتحلیل پیشرفته برای رسیدن به نتایج است. بااین‌حال، بسیاری از هیئت‌ مدیره ها به مدیران اجرایی فشار می‌آورند که استراتژی همه‌جانبه‌ای را برای هوش مصنوعی توسعه دهند. برخی از دانشمندان داده بیشتر برای توسعه شخصی خود از شبکه‌های عصبی استفاده می‌کنند و کسب نتیجه عامل تصمیم برای آنها عامل مهمی به نظر نمی‌آید. در حقیقت، پیشرفت به‌سوی یک هدف تجاری قابل‌سنجش، سکه شانس موفقیت در این قلمرو است. بایستی دیدگاهتان این‌گونه باشد که به تعدادی از اهداف خود برسید، سپس به فکر سرمایه‌گذاری‌های جدید باشید. (مانند بازی‌های قمارخانه‌ای که تمام سکه‌های را برای یک بازی قمار نمی‌کنند و کسب نتیجه تدریجی روشی با اطمینان بیشتر است!)

در تلاش برای پیشرفت، یک رویکرد خاص با تمام سناریوهای محصول تناسب نخواهد داشت. یک سبد معمولی در هر شرکتی محصولات چندساله، محصولات فصلی، محصولات جدید، محصولات با حجم زیاد سفارش و محصولات با حجم کم است. عمر قفسه‌ای، فراوانی و عمق ارتقاء و شاید بسیاری از عوامل دیگر در طول یک سبد معمولی متفاوت خواهد بود. سناریوهای مختلف به رویکردهای الگوریتمی متفاوت و متناسب باهدف نیاز دارند.

به‌عنوان‌مثال، هنگامی‌که می‌خواهید در مورد یک محصول پیش‌بینی انجام دهید، شاید از مدل میانگین متحرک تجمیعی خود همبسته (ARIMA) مشابه محصولی با ویژگی‌های همسان و تاریخچه فروش مشابه استفاده کنید و سپس آن را با یک روش متحرک یا تابع نمایی برای یک محصول جدید ترکیب کنید. با گذشت زمان، شما ممکن است از رویکرد شبکه عصبی استفاده کنید تا الگوهای به‌کارگیری این روش برای محصولی جدید را بر مبنای تاریخچه گذشته ارائه دهید.

برای مواردی که به‌شدت تبلیغ می‌شود، می‌توانید با پیش‌بینی تقاضای پایه شروع کنید و سپس تأثیرات تبلیغات لایه‌ای روی آن تصور کنید و پیش‌بینی خود را ارتقاء دهید. شما ممکن است قادر به پیش‌بینی تقاضا برای محصولات با عمر طولانی‌مدت در سطح بالاتری از تجمیع تقاضا روی بیاورید؛ مثلاً بگویید مبنای محاسبه شما دسته‌بندی‌های محصول است بجای آنکه فروش تک‌تک فروشگاه‌ها را در نظر بگیرید و این‌زمانی است که شما در زمینه ذخیره موجودی انعطاف‌پذیری باشید. بااین‌حال، برای اقلامی که طول عمر کوتاهی دارند که دقت مهم‌تر است، ضروری است که به تقاضای پیش‌بینی‌شده توسط SKU و بر مبنای فروشگاه پیش بروید.

به‌طور خلاصه، فقط یک مدل را انتظار نداشته باشید. مدل‌های متعددی برای پیش‌بینی وجود خواهند داشت. به‌جای آن به فکر یک مدلی از پلت فرم باشید.

از بالا به پایین شروع کنید. شاید وسوسه شوید که کار پیش‌ بینی را در سطوح بالا شروع کنید- برای مثال ترکیب فروشگاه-SKU ها بخواهید محاسبه کنید؛ اما کارایی محاسباتی و کارآمدتر و غالباً مؤثرتر زمانی اتفاق می‌افتد که بتوانید پیش‌بینی را بر مبنای سلسله‌مراتب محصول یا سلسله‌مراتب بازار (برای مثال شروع با فروش کلی، سپس فروش زنجیره پایین‌تر محصولات، سپس زنجیره دسته‌بندی‌های منطقه‌ای و ای آخر)، انجام دهید. بدین‌صورت تلاش‌های شما برای سطح SKU های فروشگاه در جیبتان باقی می‌ماند و ترکیب‌های حجم بالایی از پیش‌بینی را به‌طور خودکار انجام خواهید داد.

زمانی که افزایش حجم پیش‌بینی به بهبود روش‌های پیش‌بینی منجر نمی‌شود، به دنبال حذف نقاط نرخ برگشت خود باشد. برای ترکیبات واقعاً کم‌حجم – برای مثال یک محصول ممکن است در هر دوره فروخته شود – شاید باید به دنبال جایگزین یک سفارش دائمی برای یک شیشه مربا باشید که اغلب فروش بالایی دارد، اما گاهی اوقات اصلاً فروش نمی‌رود.

به‌دقت در پیش‌بینی و استمرار روشتان فکر کنید. ازآنجاکه پیشرفت در دقت می‌تواند مقادیری ارزش نامتقارن به همراه داشته باشد، به دلیل اینکه سفارش کمتر از تقاضا هزینه بسیار بیشتری از سفارش بیش از تقاضا را به شما تحمیل خواهد کرد بنابراین این‌که قادر باشید تا لبه‌های موجودی فروشگاه صحت پیش‌بینی را حفظ کنید، امری حیاتی است. صرفاً در قالب درصد میانگین خطای مطلق (MAPE) فکر نکنید، معیاری معمول که دقت پیش‌بینی را می‌سنجد. بایستی انحراف معیار MAPE را در طول زمان را نیز در نظر بگیرید، به‌عبارت‌دیگر، باید متوجه شوید که دقت پیش‌بینی شما چه میزان بالا و پایین می‌شود.

بهبود نسبی را برجسته کنید. داستانی که شاید همه شنیده‌اید: “شما مجبور نیستید سریع‌تر از خرس بدوید، فقط سریع‌تر از آدمی که هست باشید، کافیه.” کار شما فقط بهبود عملکرد پیش‌بینی نیست، بلکه بایستی روش پیش‌بینی شما بهتر از روش‌های جایگزین باشد – یعنی عملکرد شما بایستی بهتر از مؤلفه‌های بهینه کاوی دم‌دستی نامتعارف یا رقبایتان باشد. اگر می‌خواهید به بهبود نسبی نگاهی عمیق‌تر داشته باشید به مقاله بسیار عالی Rob Highland و Anne Koehler را در رابطه با میانگین خطای مقیاس مطلق (MASE) رجوع کنید.

درس ۲: پیش‌بینی را نوعی از مدل‌سازی تصور نکنید بلکه بهتر آن است که آن را فرآیند عملیاتی تلقی کنید.