پیش بینی تقاضا با تجزیه‌وتحلیل پیشرفته- بخش آخر

پیشنهاد می شود درصورتی که بخش های قبلی این مقاله را مطالعه نکردید، از بخش اول این مقاله را مطالعه نمائید:

 بخش اول

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. 

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.

اگر شما درون سازمان یک تیمِ علمی متخصص در حوزه داده داشته باشید، سوگیری آنها ساخت همه‌چیز خواهد بود، البته که باید گفت کارشان همین است. برعکس، مدیرانی نیز وجود دارند که ترس به آنها اجازه نمی‌دهد به ساخت این قابلیت‌ها در درون سازمان فکر کنند و اینکه یک تأمین‌کننده بیرونی برای کنترل فرآیند پیش‌بینی وجود داشته باشد انتخاب ساده‌تر و سهل و الوصول تری برای آن‌هاست. نسبت به هر دو سر این طیف‌ها آگاه باشید.

قانون اول برای اینکه بدانید باید قابلیتی را درون شرکت بسازید یا آن را از بیرون تأمین کنید آن است که “آنچه نیاز دارید را تشخیص دهید”. اگر پیش‌بینی بهتر برای کسب‌وکار شما استراتژیک باشد، مثلاً اگر پول شما از حاشیه‌های لبه‌ای و چرخه‌های سریع به دست می‌آید، پس شما نیاز به بهبود مداوم خطای پیش‌بینی و کنترل پلت فرم پیش‌بینی دارید. پس باید این قابلیت را درون سازمان توسعه دهید. همچنین باید بدانید که ۸۰ درصد از تلاش‌های شما صرف کانال‌هایی خواهد شد که داده‌ها را به درون سیستم هدایت می‌کنند و همین موضوع به نتایج منجر شده و سیستم را ارزیابی می‌کند. هنگامی‌که یک ابزار مدل‌سازی تجاری را خریداری می‌کنید، هنوز هم نیازمند آن هستید که این کار را انجام دهید و هیچ میزانی از پیچیدگی الگوریتمی بدون داشتن کانال‌های مطمئن ورودی داده‌ها کسب نتیجه را تضمین نخواهد کرد. حتماً به هزینه کل راه‌حل توسعه‌یافته توجه کنید و بودجه خود را مطابق با آن اختصاص دهید.

شما ممکن است در مورد خرید یک ابزار پیش‌بینی در زمینه ارتقاء پلتفرم گسترده‌تر، مانند برنامه‌ریزی منابع سازمانی (ERP) فکر کنید. رویدادهای اصلی در یک ERP این است که چگونه کسب‌وکار شما، مدل داده‌ها و قوانین مربوط به کسب‌وکار شما را نشان می‌دهد. اغلب ابزار پیش‌بینی ارائه‌شده در کنار آن اصول و قواعد، جعبه سیاهی نسبتاً انعطاف‌ناپذیر است که متشکل از مدل‌های پیش‌بینی نسبتاً ساده است. اگر سفارشی‌سازی ERP برای شما راهبردی باشد، بخش زیادی از بودجه شما برای تغییر کانال‌های ورودی داده‌ای مدل‌ها صرفاً خواهد شد و منابع کمتری برای مبادله و تحول موتورهای پیشرانِ پیش‌بینی در دسترس شما خواهد بود.

گزینه‌های متن-باز در اغلب موارد نقطه شروع خوبی هستند، اما تعصب بر به‌کارگیری آنها ضروری نیست. راه‌حل‌های تجاری نیز می‌تواند انتخاب مناسبی باشد. نکته مهم آن است که درک کنیم استراتژی فناوری به دنبال استراتژی کسب‌وکار است.

طبیعی است که بخواهید بدانید که آیا سازمان شما قادر است که یک پلت فرم پیش‌بینی و فرآیند تکاملی حرفه‌ای کردن آن را داشته باشید یا خیر. آیا شما تصمیم می‌گیرید که عملیات پیش بینی تقاضا خود را به یک تأمین‌کننده مدل‌سازی برون‌سپاری کنید و یا خلاف آن، شما باید برخی از اطلاعات علمی و مهندسی اطلاعات داخلی را حفظ کنید؛ و به دنبال توسعه برخی قابلیت‌ها باشید. به‌این‌ترتیب، درک بهتری از آنچه از تأمین‌کننده دریافت می‌کنید خواهید داشت و آن را ا استراتژی و سازمان در حال تغییر وفق خواهید داد و حتماً اطمینان حاصل کنید که پیش‌بینی‌ها از سطحی از شفافیت برخوردار باشند. شما باید در کنترل کانال‌های داده‌ای که از به پیش‌بینی مدل‌های فروشگاهی شما منتهی می‌شود مشارکت داشته باشید؛ این ممکن است به تمام ارزیابی‌های کیفی داده‌ها تسری یابد. بهتر آن است که تأمین کنند از مدل‌های تبدیل اختصاصی داده‌های خام و ویژگی‌های مصنوعی به‌عنوان بخشی از پیشنهاد‌های مدل استفاده کند، اما حتی اگر به کدهای منبع دسترسی نداشته باشید، بایستی به کل فرآیند آگاه باشید، به‌طوری‌که بتوانید بهتر از آنچه این مدل به شما می‌گوید، سیستم را ارزیابی کنید.

توسعه مدل‌ها فقط یک تمرین تحلیلی نیستند؛ این فرآیند را می‌توان توسعه نرم‌افزار تلقی کرد. این بدان معنی است که شما باید فناوری اطلاعات را نیز در آن دخیل کنید زیرا آنها اداره و پشتیبانی زیرساخت‌ها و سیاست‌هایی را انجام می‌دهند که توسعه مدل را هدایت می‌کنند. حتی اگر شما کارهای خود را در سیستم‌های ابری انجام دهید، به داده‌هایی که آنها ارائه می‌دهند، نیاز دارید. شما به‌احتمال‌زیاد خروجی‌هایی را تولید کنید که به‌عنوان ورودی برای آنها مطرح باشد. شما با توجه به امنیت، حفظ حریم خصوصی و الزامات قابل‌استفاده بودن داده‌ها، تصمیم‌های خود را اتخاذ خواهید کرد. این رفت‌وبرگشت‌ها شما را به ملاحظات رایج به‌کارگیری فناوری اطلاعات، مانند آموزش و پشتیبانی، مسلط خواهد کرد. پس نیازی نیست که موجودیتی سرکِش در دنیای داده‌ها باشید.

همان‌طور که شاعری می‌گفت اگر دانشمند حوزه داده‌ها بود، “شاید سعادت در همین روزی است که می‌توانید پیش‌بینی کنید، اما مدیریت هوشمندانه پیش بینی تقاضا نعمتی است ازلی!” اگر شما یک مدیر اجرایی با یک فرایند کلیدی کسب‌وکار هستید که متکی به پیش‌بینی است، امیدواریم که این درس‌ها به شما کمک کند پرسش‌های بهتری را مطرح کنید و اگر شما یک رهبر در حوزه تحلیل داده‌ها هستید، امیدواریم این پیشنهاد‌های شما را به پاسخ‌های بهتری برساند. درهرحال، کسب اطلاعات از نتایج شما پس از به‌کارگیری مدل‌ها ما را نیز مسرور خواهد کرد.

منبع: bain.com