پیش بینی تقاضا با تجزیه‌وتحلیل پیشرفته

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

 بخش اول – بخش دوم

درس هایی مفید برای مدیران در پیش بینی تقاضا

درس ۱: تمرکز بر نتایج به جای تمرکز بر مهارت

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

پیش‌بینی با انتخاب مهم‌ترین چیزها برای پیش‌بینی آغاز می‌شود؛ با جمع‌آوری و بهبود داده‌ها ادامه می‌یابد، تفکر در مورد چگونگی اندازه‌گیری و حفظ مدل‌های پیش‌بینی و اعتماد به خروجی به‌اندازه کافی برای استفاده از آن؛ و در نهایت با ارزیابی نتایج مدل و کسب‌وکار به‌منظور تداوم این روند پایان می‌یابد اما این نقطه پایان نیست.

تمام افراد باید در مورد ترکیبی از معیارهای هدف خاص که برای ارزیابی پیش‌بینی به کار می‌رود، توافق کنند. آیا شما پیش‌بینی پیشرفت سالانه را در مقایسه با دیگر روش‌های پیش‌بینی انجام می‌دهید؟ آیا شما بر مبنای حجم دلاری محاسبه می‌کنید و یا حجم واحدهای کالایی؟ آیا تمرکز شمار بر کاهش سفارش بیش از تقاضاست و یا بر اجتناب از اتمام کالای در دسترس تمرکز دارید؟ در بسیاری از موارد، پاسخ این است هر دو را باید انجام داد، این مسئله ملاحظات را متعادل سازد و تمامی مؤلفه‌ها را در برمی‌گیرد. شاید معیارهایی که بیشتر تأکید می‌کنید ممکن است در طول زمان تکامل پیدا کنند. نکته اصلی این است که با ذینفعان دیگر درباره اهدافی که مدنظر است چه چیزهایی را باید هدف بگیرند. اصل این داستان بدیهی به نظر می‌رسد. در عمل، در اغلب موارد این‌طور نیست.

داده‌های بهتر احتمالاً مهم‌ترین سرمایه‌گذاری است که می‌توانید انجام دهید. یک شرکت تولیدکننده محصولات با عملیات در بیش از دوازده کشور، اخیراً هنگامی‌که شروع به آموزش مدل پیش‌بینی خود کرد، کشف کرد. این شرکت داده‌های خود را تقسیم می‌کند، مدل را در یک زیرمجموعه از آن داده‌ها آموزش می‌دهد و سپس آن نتایج را با داده‌هایی که در آموزش استفاده نمی‌شود مقایسه می‌کند. نتایج اولیه امیدوارکننده بود: رویکرد جدید مدل‌سازی بهبودی ۳۰ تا ۴۰ درصد در MAPE را به وجود آورد؛ اما هنگامی‌که آزمایش‌های دنیای واقعی آغاز شد، بهبود تنها به نصف آن میزان که با استفاده از اطلاعات برآورد قیمت و ارتقاء داده‌شده بود، اتفاق افتاد. مشکل این بود که داده‌های اولیه دقیق نبودند. هنگامی‌که تیم برگشت و داده‌های بهتر را به مدل داده، شروع به درک پتانسیل‌های تحلیل را دید که در ابتدا مشاهده کرده بود. آنها رابط کاربر را طوری طراحی کردند تا نمایندگان سفارش با استفاده از پیش‌بینی برای قرار دادن سفارش می‌توانند قیمت‌گذاری و اطلاعات تبلیغی را به‌روز نگه‌دارند که از بهترین داده‌های ممکن برای مدل‌سازی آینده، اطمینان حاصل می‌کند. عملیات پیش‌بینی خوب اغلب با ابتکارهایی همراه است که به بهبود کیفیت داده‌ها کمک می‌کند.

این شرکت دقت پیش‌بینی را مبتنی بر اسناد تجاری اسکن شده و متغیرهای کشسانی تقاضا بهبود بخشید؛ به‌عنوان‌مثال زمانی که کالای X به حراج گذاشته می‌شود چه اثری بر کالای Y دارد.

در مورد مواد خام داده‌ای که قرار است متریال آشپزی (به مفهوم همان فرآیند عملیاتی تحلیل) تحلیلی شما باشد فکر کنید. در مقیاس بزرگ، شما پیش‌بینی‌های متعددی را از در حیطه بازه‌های زمانی کوچک تولید خواهید کرد. اگر جایی اشتباه کنید، هزینه گزافی جهت ترمیم آن به شما تحمیل خواهد شد. می‌توان وقوع این مسئله را پیش‌بینی کرد. باید بدانید که انتظار چه نوع داده‌هایی را دارید و اطمینان حاصل کنید که داده‌ها به‌عنوان ورودی وارد سیستم تحلیل شما می‌شوند. حدس بزنید که چه موقعی داده‌ها ازدست‌رفته یا به نظر اشتباه هستند. اصطلاح فانتزی برای این “درون­یابی” است، یک رویکرد مشابه که ملوانان جهت مکان‌یابی به‌مثابه مثلثی سازی داده‌ها بهره می‌بردند، این‌زمانی بود که سیستم GPS هنوز اختراع نشده بود. اطمینان حاصل کنید که تعداد پیش‌بینی‌هایی که افراد انتظار دارند ارائه می‌دهید. بررسی کنید که به‌طور خودکار این بازبینی‌ها برای توسعه پلتفرمی که مدنظر دارید در مقیاس خوبی انجام شوند. وقتی یک‌چیز به نظر نادرست است تا ریشه تولید داده‌های اشتباه آن را ردیابی کنید و سپس تمامی داده‌های مشابه را نیز بررسی مجدد نمایید. خطی VIP را با تجزیه‌وتحلیل داده‌های اکتشافی و اضافی، برای محصولات با حجم بالا و دیگر SKU های استراتژیک مانند محصولات کلیدی جدید و فروشگاه‌های مربوط، ایجاد کنید که تا زمانی که آنچه خودکار شده است مسیری اشتباه را طی کرد، قابلیت گریز داشته باشید. کارکنان خود را مطابق با این سیستم سازمان‌دهی کنید!

در مسیر افزایش قدرت ارائه پیش‌بینی‌های بهتر، اغلب وجود دو یا چند مدل بهتر از یک مدل است. با حرکت از به‌کارگیری مدل‌های ساده مانند میانگین‌های متحرک، تکنیک‌های هموارسازی نمایی، به مدل‌هایی نظیر ARIMA و مدل‌های دیگر پس از ARIMA، فضایی برای ترکیب همین مدل‌ها اختصاص دهید، قبل از آنکه به مدل‌های پیچیده‌تر روی بیاورید. حتی هنگامی‌که شما رویکردهای پیچیده‌تری را به کار گرفته‌اید، آنها را با استفاده از ترکیب‌های متفاوت مدل‌های ساده‌تر، ارزیابی کنید. مزیت استفاده از رویکردهای چندگانه این است که اگر یکی از آنها منجر به پیش‌بینی غیرمنتظره‌ای شود (که البته شما باید آن را موردبررسی قرار دهید)، دیگران می‌توانند آن را ارزیابی کنند و پیش‌بینی واقع‌گرایانه‌تری ارائه نمایند.

به‌طور واقعی مدل‌ها ارزیابی کنید. هنگامی‌که دقت و صحتِ پلت فرمِ مدل را با استفاده از یک نمونه آزمایشی (ازجمله بازرسی در دوره‌های قبلی) آزمون کردید، چالش بعدی ارزیابی عملکرد آن در مقیاس واقعی در شرایط واقعی است. پلت فرم‌های مدلی که از این آزمون با موفقیت گذر نکنند- امکان دارد این مدل برای مجموعه داده‌های خاص مناسب نباشد و پلت فرم برای مجموعه داده‌هایی که در اختیار دارید، بسیار بزرگ‌تر از مقیاس پلت فرم باشد- ممکن است نیاز به ساده‌سازی یا بازنویسی مجدد داشته باشد. در مورد هرگونه افت عملکردیِ پیش‌بینی دقیق شوید چون ممکن است به شما در زمینه پیشرفت‌های جدید در تحلیل داده‌های قدیمی کمک کند. به‌عنوان‌مثال، می‌تواند نشانگر تغییر عادت مشتری یا اثر غیرمنتظره یک رقیب جدید باشد. همچنین، ارزش دلاری کل تغییراتی را که اعمال کرده‌اید بسنجید و صرفاً به منافع دقت پیش‌بینی فکر نکنید. در این صورت هزینه کرد دلاری شما ممکن است تغییر کند و روی مقولات معمول سرمایه‌گذاری نکنید؛ به‌عنوان‌مثال شاید بخواهید بر آموزش کارکنان خودتان و یا بهبود رابط کاربری متمرکز شوید.

درباره آن دسته از کاربران مزاحم: این دسته از کاربران هر مدلی را که فهم نکنند به کار نخواهند گرفت. دقیقاً، همین موضوع دلیلی دیگر برای شروع از مدل‌های ساده است. همچنین باید استفاده کارکنان از رابط کاربری سفارش را رصد کنید و صرفاً بر روی پیش‌بینی یا نتیجه سفارش‌های متمرکز نشوید. شاید تعجب کنید که بدانید افراد همیشه کاری را که به آنها می‌گویند انجام نمی‌دهند. اغلب، برای صرفِ ارائه پیشنهادهای پیش‌بینی کافی نیست و بایستی پیش‌بینی را با اطلاعات مربوط به فروش اخیر یا از یک دوره مشابه بهینه کنید درون بافتار واقعی شرح دهید. هنگامی‌که آنها چیزی را تنظیم می‌کنند، شما باید بدانید علت این تنظیم جدید چه بوده و تأثیرات تنظیمات آنها را، خوب یا بد به خودشان نشان دهید. توصیه رادیکالی که در اینجا می‌توان ارائه داد این است: از ابتدای برنامه توسعه مدل‌های پیش‌بینی، آنها را در فرآیند کاری تیم توسعه پلت فرم درگیر کنید. یک هیئت مشورتی برای پشتیبانی از بهبود مدل‌ها پیش‌بینی، تشکیل دهید و آنها را نیز در آن سهیم کنید. آنها ایده‌هایی غیرقابل‌تصوری برای بهبود مجموعه داده‌های شما ارائه خواهند کرد که اصلاً رد تخیل شما هم نمی‌گنجد (به‌عنوان‌مثال، “این فروشگاه در نزدیکی محل نمایشگاه شهر است، زمانی که نمایشگاهی برپاست، همه‌چیز این فروشگاه متوقف می‌شود”).

روش‌های ارزیابی مدل‌های پیش‌بینی را در طول زمان تغییر دهید. بدیهی است، عملکرد همیشه معیاری حاضر برای ارزیابی است اما از همان ابتدا بر شفافیت فرآیند ارزش زیادی قائل شوید. در این ترتیب، اگر یک نتیجه حیرت‌انگیز از مدل بیرون بیاید، می‌توانید به متغیرها و ضرایب مدل که آن را تولید می‌کنید نگاه کنید – شاید یک مجموعه عجیب از متغیرهای انتخاب‌شده یا یک ضریب عجیب‌وغریب را مشاهده کنید و سپس آنچه پشت این مسئله است را ردیابی کنید و پس‌ازآن، زمانی که شما شروع به اجرای ایده‌های بهبود عملکرد برای مدل خودکرده‌اید، دلار بعدیِ ROI شما، ممکن است کارایی کل پلت فرم مدل را افزایش دهد. همین موضوع هزینه کرد شما بر روی سرورهای سخت‌افزاری را کاهش می‌دهد.

درحالی‌که شما ممکن است با رویکرد رگرسیون چندگانه مانند ARIMA شروع کنید، همان‌طور که قبلاً شرح داده شد، برخی از شرکت‌ها بهبود عملکرد و کارایی را با استفاده از رویکردهای الگوریتمی مبتنی بر درخت تصمیم که برای طبقه‌بندی دقیق‌تر طراحی‌شده‌اند، میسر می‌کنند. بااین‌حال، پیچیدگی بیشتر همواره نتایج دلخواه نخواهد داشت. یک شرکت که از یادگیری عمیق استفاده می‌کند متوجه شد که رشد عملکرد تجمیعی بهای سنگینی برای پیچیده‌تر شدن فرآیند پیش‌بینی است و شاید بهتر باشد فرآیندی ساده و قابل‌درک‌تر توسعه دهید.

درس ۳: اگر پیش بینی وجه استراتژیک کسب‌وکار شماست، سعی در توسعه آن در درون کسب‌وکار باشید، در غیر این صورت به‌راحتی این مهارت را خریداری کنید.