تم إطلاق ELECTE 4.5 — الفِرق والخطط والمظهر الجديد.اكتشف المستجدات
الذكاء الاصطناعي والتنبؤات12 دقيقة قراءة

التنبؤ بالطلب في قطاع التجزئة: الأساليب والبيانات والفوائد

تعرّف على آلية عمل التنبؤ بالطلب في قطاع التجزئة، وأي الأساليب تستخدم، والبيانات التي يحتاجها، وكيف تقلّل نفاد المخزون والمخزون الزائد بخطط مخزون أفضل.

Demand Forecasting for Retail: Methods, Data and Benefits

لخّص هذا المقال بالذكاء الاصطناعي

غالبًا ما يُنسب نفاد المخزون إلى المورّد. لكن في معظم الأحيان تبدأ المشكلة من داخل المتجر نفسه. فقد أشارت دراسة عن مخزون التجزئة عُرضت في مؤتمر جمعية IEOM في بنغلاديش عام 2025 إلى أن ما بين 51% و73% من حالات نفاد المخزون في المتاجر الكبرى تنشأ داخل عمليات التجزئة نفسها، وأن من أبرز أسبابها عدم دقة التنبؤ (بما في ذلك التقليل من تقدير الطلب) وأخطاء الطلبيات.

هذه النتيجة تغيّر زاوية النظر إلى العمل. فـالتنبؤ بالطلب في قطاع التجزئة ليس مسابقة لاختيار أكثر الخوارزميات تقدمًا. إنه انضباط تشغيلي: استخراج إشارات طلب صادقة من بيانات شوّهها نفاد المخزون والعروض الترويجية أصلًا، ومواءمة الأسلوب مع طريقة بيع كل منتج، وربط المخرجات بنقاط إعادة الطلب التي سيعتمد عليها المشتري صباح يوم الاثنين.

يغطي هذا الدليل الحلقة كاملة. ستتعرف على ما يجب أن ينتجه التنبؤ، وأي المدخلات هي الأهم، وكيف تقارن ستة أساليب شائعة بحسب حالة التجزئة، ولماذا تحتاج المنتجات بطيئة الحركة إلى بنية مختلفة، وكيف يؤدي التخزين الاحتياطي وانتقال العملاء بين القنوات إلى تضخيم أثر العروض الترويجية الظاهري، وأي مقياس للخطأ يمكن الوثوق به لكل قرار، وقائمة تحقق من خمس خطوات تُجرى قبل دورة الشراء القادمة.

ماذا يعني التنبؤ بالطلب على أرض المتجر

تكتسب نشرة الطقس ثقتنا حين تكون محلية ومحددة التوقيت: احتمال هطول المطر في مدينتك عصر الثلاثاء يكفي لتقرر هل تحمل مظلة. والتنبؤ بالطلب يؤدي المهمة نفسها للمخزون. فهو يقدّر عدد الوحدات التي سيشتريها العملاء من صنف محدد في متجر محدد خلال أسبوع محدد، ليطلب المشتري الكمية الصحيحة لا الكمية المعقولة فحسب.

تلخّص الخطوات الخمس أدناه الفكرة كلها، من التنبؤ إلى أمر الشراء الذي يفترض أن يترتب عليه.

A four-step infographic illustrating the concept of demand forecasting in a retail shop floor environment.

الهدف هو الطلب، لا حصيلة المبيعات التي سجّلها الصندوق. فالصفر المسجّل أثناء خلوّ رف الشامبو هو طلب مبتور؛ وقد تكون الذروة الترويجية مقترضة من الأسبوعين التاليين أو مسحوبة من متجر قريب. ومتوسطات الفئات والتقارير الشهرية تخفي هذه المشكلات على مستوى الصنف والمتجر، لذا يجب أن تبقى الإشارة تفصيلية وأن تتجدد باستمرار.

تبدو حلقة العمل كما يلي:

  1. اجمع سجل المبيعات والمخزون حسب الصنف والمتجر واليوم، بما في ذلك الأيام التي كان فيها الرف فارغًا.
  2. نظّف البيانات ووحّدها: وحدة قياس واحدة، وتقويم واحد، ولا صفوف مكررة عندما يعيد نظام المتجر إصدار بيانات أسبوع ما.
  3. ابنِ النموذج وتنبأ بالطلب لكل صنف في كل متجر، بالتفصيل الذي يتطلبه قرار الطلب لديك.
  4. حوّل التنبؤ إلى طلبيات ومخزون أمان، باستخدام مدد التوريد ومستوى الخدمة الذي التزمت به.
  5. قِس الأخطاء وعدّل، صنفًا بصنف، بدلًا من مرة واحدة في السنة عند إعداد الميزانية.

تحمي كل خطوة من واحدة من ثلاث تكاليف. إذا قدّرت الطلب بأقل من الواقع، تخسر مبيعات لا يمكن تعويضها، لأن المتسوق يشتري البديل أو يغادر. وإذا بالغت في التقدير، يتجمد النقد في مخزون لا بد من تخفيض سعره. وإذا أصبت الكمية تقريبًا لكنك أخطأت التوقيت، فأنت تدفع في الحالتين: علاوات شحن على الطلبية العاجلة، وتكاليف تخزين للفائض.

القاعدة التي توفر أكبر قدر من المال: لا يؤدي التنبؤ دوره إلا عندما تعمل عليه قاعدة لإعادة التوريد. رقم مثالي في تقرير لا يغيّر شيئًا على الرف.

مدخلات البيانات ولماذا ينفد المخزون فيشوّهها

قبل أن تقارن النماذج، انظر إلى ما يدخل فيها. المدخلات التي ترفع دقة التنبؤ في التجزئة أكثر من غيرها معروفة ومملة، وينقص كثيرًا من الفرق اثنان منها أو ثلاثة.

  • تاريخ المبيعات حسب الصنف والمتجر واليوم. أي تجميع أوسع يخفي أسابيع العروض وذروات عطلة نهاية الأسبوع التي تحمل الإشارة.
  • المخزون المتاح ومدة نفاده. بدونهما لا تستطيع التمييز بين أسبوع هادئ ورف فارغ.
  • الأسعار وعمق الخصم. خصم 10% وخصم 30% لا يعطيان منحنى استجابة واحدًا، لذا سجّل سعر الرف الذي يدفعه المتسوقون لا سعر القائمة.
  • تقويم العروض الترويجية، بما في ذلك موضع العرض والإعلانات المخصصة للمنتج.
  • العطلات والفعاليات المحلية. حفل مدرسي على بعد شارعين يحرّك مبيعات المياه المعبأة أكثر من عطلة وطنية.
  • الطقس، خصوصًا للفئات الطازجة والموسمية ومنتجات الحدائق.
  • أسعار المنافسين، حيثما أمكنك رصدها بانتظام.
  • مُدد التوريد وتأخيرات التسليم، وهي التي تحدد حجم المخزون الذي تحتاجه للتغطية.

لماذا يكتب الرف الفارغ صفرًا زائفًا

لنفترض أن الشامبو لديك يبيع 40 وحدة أسبوعيًا في المتوسط، ثم بقي الرف فارغًا ثلاثة أيام. تُسجَّل تلك الأيام بمبيعات صفرية. النموذج المدرَّب على هذا التاريخ يتعلم أن الطلب ينخفض كلما نفد المخزون، وهذا عكس الحقيقة. المتسوقون الذين لم يجدوا شيئًا لم يغيروا رأيهم؛ بل ذهبوا إلى مكان آخر.

تأخيرات الموردين وبطء إعادة التوريد وقراراتك في الطلب تحجب المبيعات بالطريقة نفسها تمامًا. لا يملك النموذج وسيلة للتمييز بين بيع ضائع وانصراف الاهتمام، وسيواصل التقليل من طلب الصنف الذي ينفد أسرع.

هذا الإخفاق موثّق جيدًا. فقد حددت مراجعة عام 2026 للتعلم الآلي في التنبؤ بالتجزئة أن البيانات الناقصة وخطوط البيانات المجزأة وتغير سلوك العملاء والعروض الترويجية وردود فعل المنافسين والموسمية أسباب لنماذج متحيزة وهشّة. وتستشهد المراجعة نفسها باستطلاع شمل 661 من مختصي المخزون، قال فيه 51% إنهم يمضون أحيانًا في تنبؤات يعدّونها أصلًا غير موثوقة لعدم وجود بديل أفضل، بينما جاءت تغيرات التعرفات والسياسات التجارية (19%) وتقلبات التضخم أو أسعار السلع الأساسية (17%) بين أكبر عوامل الاضطراب.

الحل في أربع خطوات، بالترتيب

  1. حدّد كل يوم نفاد من المخزون في سجل المبيعات، مع عدد الساعات أو الأيام التي لم يكن فيها المنتج متاحًا.
  2. قدّر المبيعات الضائعة في تلك الأيام بالاستناد إلى منتجات مماثلة في المتجر نفسه والأسبوع نفسه.
  3. صنّف كل فترة على أنها متاحة أو مقيّدة قبل بدء أي عملية تدريب.
  4. درّب النموذج على السجل المعدَّل وقارن النتائج على أسابيع مستبعدة من التدريب، وليس على الأسابيع التي أجريت عليها التصحيحات.

بالنسبة لمعظم الشركات الصغيرة والمتوسطة، يحسّن هذا العمل الدقة أكثر مما يفعله تغيير الخوارزمية. فالنموذج لا يتعلم إلا مما يحتويه السجل؛ وإذا كان السجل يقول إن الطلب انهار أثناء نفاد المخزون، فإن بنية أكثر تعقيدًا ستتعلم الدرس الخاطئ بسرعة أكبر فحسب. يغطي دليل ELECTE لدمج مصادر البيانات المتعددة البنية التقنية التي تجمع بيانات المبيعات والمخزون والعروض الترويجية في جدول واحد قابل للاستخدام.

مقارنة طرق التنبؤ بحسب حالة البيع بالتجزئة

لا توجد طريقة هي الأفضل، بل توجد طريقة تناسب الحالة. الجدول أدناه هو المقارنة التي أتمنى تعليقها فوق مكتب التخطيط.

الطريقة

أنسب حالة في التجزئة

البيانات المطلوبة

نقطة القوة

نقطة الانتباه

المتوسط المتحرك أو التمهيد الأسي

الأصناف المستقرة ذات الحجم المرتفع

مبيعات أسبوعية لمدة سنة إلى سنتين

بسيطة ومنخفضة التكلفة وسهلة الشرح

تغفل العروض الترويجية والتحولات الموسمية

النماذج الموسمية مثل SARIMA

أصناف ذات دورات أسبوعية أو سنوية واضحة

سجل بيانات لموسمين أو أكثر

تلتقط الاتجاه والموسمية

تواجه صعوبة عند التعامل مع آلاف السلاسل في وقت واحد

طرق عائلة Croston

وحدات حفظ المخزون المتقطعة بطيئة الحركة

سجل مبيعات يتضمن فترات صفرية كثيرة

تفصل بين تكرار حدوث البيع وحجمه

خيار خاطئ للأصناف ذات المبيعات المستقرة

الانحدار مع ميزات العروض الترويجية والأسعار

الفئات التي تحركها العروض الترويجية

تقويم العروض الترويجية وسجل الأسعار

توضح كيف يؤثر كل عامل في الطلب

تنهار عندما تكون العروض الترويجية قليلة

مجموعات الأشجار مثل XGBoost أو LightGBM

محافظ كبيرة من الأصناف والمتاجر

المبيعات والتقويم والعروض الترويجية والتسعير

تتعلم عبر سلاسل كثيرة مترابطة

تحتاج إلى بيانات نظيفة ومراقبة مستمرة

مجموعات هجينة من LSTM وXGBoost

سلاسل متاجر متعددة الفئات ذات إشارات غنية

36 شهرًا من بيانات نقاط البيع والعروض الترويجية

خفضت متوسط نسبة الخطأ المطلق بمعدل 28.6% في المتوسط على أفق أربعة أسابيع في دراسة شملت 14 مؤسسة تجزئة

أثقل في البناء والشرح

النمط الذي تكشفه الصفوف أهم من أي صف بمفرده. فقد ذكرت مراجعة محكّمة لأبحاث التنبؤ في قطاع التجزئة أن نماذج تعلّم الآلة الشاملة، ومنها الشبكات العصبية ذات التغذية الأمامية والشبكات العصبية المتكررة وأشجار الانحدار المعزَّزة بالتدرّج والغابات العشوائية، تتفوق في كثير من الأحيان على نماذج السلاسل الزمنية ونماذج الانحدار المنفصلة عندما يتنبأ تجار التجزئة بمجموعات كبيرة من سلاسل المبيعات. وتزداد الأفضلية كلما اتسعت المحفظة: آلاف التركيبات من صنف ومتجر، حيث يكون الطلب على كل منتج متفرقًا أو متقطعًا أو موسميًا أو حساسًا للعروض الترويجية.

كيف تبدو المقارنة في سلسلة متاجر حقيقية

تخيّل سلسلة إقليمية تضم 40 متجرًا. الأصناف الأساسية ذات المبيعات الأسبوعية المستقرة تعتمد التمهيد الأسي، لأن مدير الفئة يستطيع قراءة الرقم ومناقشته. أما الملابس الموسمية التي تُجرى عليها ثمانية عروض في السنة فتعتمد نموذجًا معززًا بالتدرّج يُدرَّب على جميع المتاجر معًا، لأن تاريخ متجر واحد أقل من أن يُستخلص منه منحنى استجابة للخصومات.

وتؤكد المراجعة بالوضوح نفسه أن الأساليب الأقدم ليست قديمة الطراز. فأداؤها يظل منافسًا في مجموعات البيانات الأصغر، والمنتجات المستقرة، والحالات التي تفوق فيها أهمية قابلية التفسير وشحّ البيانات أهمية الحصول على آخر نقطة من الدقة.

الاعتدال يؤتي ثماره. فقد خفّض تقييم أُجري عام 2026 للطلب في تجارة التجزئة الأمريكية على مجموعة بيانات M5، وشمل 25,940 سلسلة صنف-متجر عبر خمس نوافذ متدحرجة مدة كل منها 28 يومًا، متوسط النسبة المئوية المرجّحة للخطأ المطلق من 0.9006 لمعيار المقارنة الموسمي الساذج إلى 0.7022 باستخدام نموذج LightGBM يعتمد على الطلب التاريخي، أي بتحسن قدره نحو 22%. أما إضافة متغيرات التجزئة والتشغيل فلم تصل إلا إلى 0.6979، وإضافة المؤشرات الاقتصادية الكلية المتأخرة وصلت إلى 0.6978، أي بمكسب يقارب 0.02%.

ابدأ ببناء خط الأساس. رقم موسمي ساذج أو بالتمهيد الأسي يستغرق إعداده بعد ظهر يوم واحد يخبرك إن كان نموذج تعلّم الآلة قد استحق تعقيده. شغّل الاثنين على الأسابيع المحجوزة نفسها واحتفظ بالفائز.

ينبغي أن يتبع اختيار النموذج حجم المحفظة وبنيتها، لا ما إذا كان الأسلوب أحدث. هذا المبدأ وحده سيوفر عليك مالًا أكثر من أي بحث في المعاملات الفائقة.

المنتجات بطيئة الحركة والطلب المتفرق تحتاج نموذجها الخاص

بعض المنتجات ليس لها مستوى طلب. لها حدث طلب. قطعة غيار تُباع أربع مرات في السنة، أو نسخة من منتج في الذيل الطويل للتجارة الإلكترونية، أو تركيبة صنف-متجر تتحرك وحدتين في الشهر: النماذج الموسمية القياسية تتعامل مع هذه الحالات بشكل سيئ، والسبب بنيوي.

الأصفار والمبيعات الموجبة تأتي من عمليتين مختلفتين. هل تحدث عملية بيع أصلًا؟ هذا سؤال. وما حجمها عند حدوثها؟ سؤال آخر. تقدّر طرق من نوع Croston الأمرين بشكل منفصل، ولهذا تصمد أمام بيانات التجزئة الكثيرة الأصفار. وتذكر دراسة مقارنة للتنبؤ في التجزئة على الطلب المتقطع أن Croston سجّل WAPE بنسبة 93.15% وMASE بقيمة 0.9852، متقدمًا على البدائل الساذجة وSARIMAX التي اختُبر أمامها. اقرأ قيمة WAPE هذه بوصفها نتيجة نسبية على سلسلة مليئة بالأصفار، لا درجة دقة جيدة بالمعنى المطلق.

A chart illustrating intermittent demand patterns for slow-moving products in retail inventory and sales forecasting.

نمط الفشل هنا محدد ومكلف. فالنموذج القياسي، سواء كان انحدارًا أو نموذجًا موسميًا، يرى سلسلة من الأصفار فيستنتج أن الطلب منخفض ومستقر، فيحدد مخزون الأمان على هذا الأساس. وعندها ينفد الصنف بطيء الحركة الذي يُباع على دفعات لا يمكن التنبؤ بها، بينما يحتفظ الصنف الراكد بمخزون يكفي ثلاثة أشهر. أحد الخطأين يكلّفك عملية بيع، والآخر يكلّفك سيولة نقدية ومساحة على الرفوف.

وهناك درس ثانٍ في المجال نفسه. فقد وجد اختبار مرجعي على بيانات مبيعات تتسم بطلب متقطع وملاحظات مفقودة ودوران متكرر في تشكيلة المنتجات أن النماذج الشجرية المحلية حققت أفضل أداء بين الأساليب المختبرة، إذ سجّل XGBoost أدنى جذر لمتوسط مربع الخطأ بقيمة 4.833. والخلاصة ليست "استخدم XGBoost في كل مكان"، بل أنه عندما تدور المنتجات بسرعة، يمكن للنماذج المبنية لكل عائلة منتجات أن تتفوق على نموذج عام واحد يُجبَر على حساب المتوسط بين أنماط غير متوافقة.

كيف توجّه كل سلسلة بيانات

  1. صنّف قبل أن تبني النموذج. احسب متوسط الفاصل الزمني بين الطلبات ومعامل التباين التربيعي للطلب غير الصفري لكل سلسلة. الأول هو الفجوة المعتادة بالفترات بين عمليات البيع؛ والثاني يقيس مدى تذبذب حجم هذه المبيعات من عملية بيع إلى أخرى.
  2. وجّه السلاسل المتقطعة إلى نماذج عائلة Croston أو النماذج ذات المرحلتين (hurdle) أو نماذج الحدوث والحجم.
  3. أرسل الأصناف المستقرة ذات الحجم المرتفع إلى النماذج الموسمية أو نماذج التعلم الآلي، فهذا مكانها الصحيح.
  4. أعد فحص التصنيف كل ربع سنة. فالأصناف تنتقل بين الفئات مع تقدمها في العمر أو إيقافها أو رواجها، وقاعدة التوجيه التي لا تُعاد مراجعتها يتراجع أداؤها.

احتفظ بالتصنيف في جدول يمكن الاطلاع عليه. وعندما يسأل مدير الفئة لماذا يُتنبأ بمنتج ما بطريقة غير مألوفة، ينبغي أن يكون الجواب رقمين، لا هزّة كتفين.

العروض الترويجية والتخزين الاستباقي وتحولات القنوات

أسابيع العروض الترويجية ليست أسابيع عادية، ودمجها في خط الأساس يفسد الاثنين معًا. نمذج الطلب الأساسي وتأثيرات العروض كعنصرين منفصلين، ثم اجمعهما.

وجدت مقارنة بين أساليب التنبؤ في قطاع التجزئة أن مجموعات أشجار القرار تفوقت على الانحدار الخطي والانحدار الخطي المعاقَب وطرق أشجار الانحدار في التنبؤ بالطلب اليومي على مستوى السلسلة عندما كان للأصناف أكثر من خمسة عروض ترويجية سابقة. والرقم خمسة هو العتبة المفيدة في هذه النتيجة. فدونها لا تتوفر أمثلة كافية ليتعلم النموذج كيف يؤثر عمق الخصم وتوقيت العرض والتفاعلات مع تقويم المنتج في الطلب، ولذلك يكون ضرر التنظيم الأقوى أو المقياس المرجعي الأبسط أقل من ضرر نموذج مرن يطارد الضوضاء.

زوّد النموذج بميزات صريحة: حالة العرض، ونسبة الخصم، وموضع العرض، والقرب من العطلات، والطلب المتأخر بعد العرض. وغالبًا ما تُترك الأخيرة خارج النموذج، مع أنها الميزة التي تلتقط الانخفاض.

الانخفاض الذي لا يتنبأ به أحد

لنفترض أن خصمًا بنسبة 30% على الشامبو رفع المبيعات لأسبوع واحد، ثم بقيت المبيعات دون المعدل المعتاد لأسبوعين. المتسوقون خزّنوا كميات إضافية، لكنهم لم يشتروا أكثر على مدار الربع. تعامل مع نافذة الأسابيع الثلاثة كاملةً كوحدة تحليل واحدة. يخبرك خطأ فترة الترويج ما إذا كنت قد طلبت كمية كافية. ويخبرك خطأ ما بعد الترويج ما إذا كنت قد بالغت في الطلب لبقية الشهر. عند تقييمهما كلٌّ على حدة يظهر القراران معًا. أما عند تقييمهما معًا فيلغي الخطآن أحدهما الآخر، ويبدو التقرير سليمًا بينما أخطأت في الاثنين.

تشير أبحاث دورة حياة الترويج إلى أن الدراسات السابقة كثيرًا ما تتجاهل مرحلة ما بعد الترويج، حيث ينخفض الطلب لأن العملاء خزّنوا السلع أثناء الحملة، وتفيد بأن أساليب التعلم الآلي يمكنها تحسين التنبؤات على امتداد دورة الحياة بأكملها، وليس خلال الترويج نفسه فقط.

تضيف القنوات طبقة ثانية من الوهم. فقد قدّرت دراسة عن العروض متعددة القنوات في سوبرماركت إقليمي في البرازيل انتقالًا في الطلب بنسبة 11.23% من المتاجر الفعلية إلى الإنترنت و19.34% في الاتجاه المعاكس، بينما خفّضت العروض المنسّقة الاستحواذ الداخلي بنسبة 30.04%. وحققت حوافز الولاء أكبر زيادة مقيسة، بلغت 3.5%. وإذا تنبأت بكل قناة على حدة، فستحتسب الطلب مرتين لأنه ببساطة غيّر عنوانه.

ثم التزم بأربع قواعد في التقييم:

  • قيّم فترات الترويج وفترات عدمه كلًّا على حدة، حتى لا يُخفي أسبوع جيد شهرًا سيئًا.
  • قارن بخط أساس للزيادة أو بخط أساس سببي مماثل، وإلا فأنت تقيس فقط مدى تعلّم النموذج للحجم.
  • قيّم حسب وحدة حفظ المخزون (SKU) وحسب تكرار الترويج، لأن عتبة الخمس حملات ترويجية تغيّر ما يمكنك توقعه.
  • أبقِ ميزة التأخر لما بعد الترويج فعّالة ليتمكن النموذج من التعبير عن الانخفاض بدل أن يفاجئه.

إذا كانت الخصومات تلتهم هامش ربحك، فإن دليلنا عن حماية الهوامش أثناء حملات الخصم يتناول جانب التسعير من المشكلة نفسها.

قياس الدقة وتحويل التنبؤات إلى طلبات

اختر المقياس بعد أن تحدد القرار. كل مقياس يجيب عن سؤال مختلف ويُخفي شيئًا مختلفًا.

A professional analyzing retail demand forecast charts on a tablet screen in a modern office workspace.

المقياس

متى تستخدمه

ما يجب الانتباه إليه

WAPE (نسبة الخطأ المطلق المرجّح)

عند مقارنة الدقة بين أصناف مختلفة الأحجام

يمنح الأصناف عالية الحجم الوزن الأكبر

MASE (متوسط الخطأ المطلق المقيَّس)

عند مقارنة النماذج على السلاسل المتقطعة أو كثيرة الأصفار

يحتاج إلى معيار مرجعي بسيط (naive) ليُقرأ بشكل صحيح

MAPE (متوسط نسبة الخطأ المطلق)

التقارير البسيطة للأصناف المستقرة وعالية الحجم

يصبح غير مستقر أو غير معرَّف عندما يكون الطلب الفعلي صفرًا

الانحياز

رصد المبالغة أو التقليل المنهجي في التنبؤ

قد تخفيه الأخطاء المتعاكسة ما لم يُقرأ لكل فترة على حدة

مستوى الخدمة

التحقق مما إذا كان التنبؤ يحمي توافر المنتجات على الرفوف

يعتمد على إعدادات التجديد وليس على التنبؤ وحده

تفشل مقاييس الخطأ النسبي مع المنتجات بطيئة الحركة. فعندما يكون الطلب الفعلي صفرًا، يصبح المقام صفرًا، فإما أن ينفجر المقياس وإما يُستبعد من المتوسط، والنتيجتان تجمّلان صورة النموذج. اعرض مقياس WAPE أو خطأً معياريًا إلى جانب الانحياز ومستوى الخدمة، واقرأها حسب الشريحة بدلًا من رقم واحد لكامل الكتالوج.

من رقم التوقع إلى نقطة إعادة الطلب

يتحول التوقع إلى أمر شراء عبر عملية حسابية يستطيع أي فرد في الفريق التحقق منها. الطلب المتوقع خلال مدة التوريد، مضافًا إليه مخزون الأمان المحدد وفق مستوى الخدمة المستهدف، يعطيك نقطة إعادة الطلب.

لنفترض أن متجرًا يتوقع بيع 40 وحدة خلال مدة توريد من المورّد تبلغ خمسة أيام، ويحتفظ بمخزون احتياطي قدره 10 وحدات. تكون نقطة إعادة الطلب 50 وحدة. وعندما ينخفض المخزون المتاح مع الكمية المطلوبة قيد التوريد إلى 50، يُرسَل الطلب. أما إذا طلب المشتري عند 40 لأن المخزون الاحتياطي لم يُتفق عليه أصلًا، فسيفرغ الرف في أول يوم تتأخر فيه الشاحنة.

هناك إجراءان روتينيان يحافظان على الدقة. الأول: اضبط تنبيهات الاستثناء عندما يتجاوز خطأ التوقع لصنف ما حدّك المعتمد في فترتين متتاليتين أو أكثر، حتى ينظر أحدهم في الصنف نفسه لا في لوحة المؤشرات فقط. والثاني: أجرِ فحصًا شهريًا للانحياز حسب الفئة لاكتشاف المبالغة أو التقليل المنهجي في التوقع، وهو ما تخفيه أخطاء الأصناف الفردية عند حساب متوسطها.

قد يتسبب توقع دقيق إحصائيًا في نقص المخزون إذا كان توقيت الطلب أو وتيرة المراجعة أو مخزون الأمان غير مضبوط. راجع التوقع وقواعد التموين معًا، وإلا ستظل تصلح الجانب الخطأ.

يتعمق دليل ELECTE لتحليل بيانات المخزون في ربط مراكز المخزون بالأرقام التي يتخذ المشترون قراراتهم بناءً عليها.

أكّد خطة التوقع قبل دورة الشراء القادمة

قبل إصدار الطلب التالي، تأكد من أن عملية التوقع تناسب المنتجات والقرارات التي يجب أن تدعمها. خمسة فحوصات تجعل الخطة عملية:

  1. صنّف مجموعة منتجاتك. حدّد الأصناف التي تحقق معظم إيراداتك، ثم صنّفها إلى مستقرة أو مرتبطة بالعروض الترويجية أو متقطعة الطلب. وقد تكفي قاعدة أبسط لبقية الأصناف.
  2. افحص سجل المبيعات. اسحب بيانات المبيعات لمدة 12 إلى 24 شهرًا حسب الصنف والمتجر واليوم، وضع علامة على أيام نفاد المخزون. وإذا توفرت 12 شهرًا فقط، فاستخدم البيانات لكن توقع هامش خطأ أوسع.
  3. اختبر مقابل خط أساس. حدّد خط أساس موسميًا وقارن به نماذج أكثر تعقيدًا على أسابيع مستبعدة من التدريب. تبيّن نتيجة M5 أعلاه لماذا يجب أن يستحق النموذج الأعقد مكانه.
  4. حدّد روتين القياس. اختر مقياسًا لكل قرار، ثم حافظ على ثبات حدّه ووتيرة مراجعته عبر الدورات.
  5. راجع الإخفاقات المتكررة. أعد فحص نقاط إعادة الطلب للأصناف التي تتكرر فيها أخطاء التوقع قبل إصدار الطلب.

A five-step checklist for retail demand forecasting, guiding users through sales data analysis and order planning.

يشغّل ELECTE ست طرق للتوقع على بيانات المستخدم، ويقارن بينها، ويختار أدقها. وتساعدك حاسبة نقطة إعادة الطلب المجانية فيه على حساب نقطة إعادة الطلب لكل صنف.

تقلل التوقعات من المخاطر، لكنها لا تستطيع احتساب كل تغيير. فقد يغفل النموذج إطلاق منتج جديد أو عرضًا ترويجيًا بلا سجل مبيعات مماثل. أبقِ روتين مراجعة إلى جانب التوقع ليتمكن المشترون من التصرف عندما يختلف الطلب الفعلي عن الخطة.

تربط ELECTE بيانات المبيعات والمخزون والعروض الترويجية، وتقارن ست طرق للتنبؤ بالاعتماد على البيانات المتاحة، وتعرض التوقعات ومستوى الدقة والحالات الاستثنائية في لوحات معلومات مرئية يمكن للفرق مشاركتها. إذا كنت من تجار التجزئة وترغب في تقييم توقعات الطلب إلى جانب بيانات مبيعاتك، فتفضّل بزيارة ELECTE.

التعليقات

لا توجد تعليقات بعد — ابدأ المحادثة.