تم إطلاق ELECTE 4.5 — الفِرق والخطط والمظهر الجديد.اكتشف المستجدات
الذكاء الاصطناعي والتنبؤات9 دقيقة قراءة

طرق توقع المخزون: 5 طرق للتنبؤ بالطلب

تعرّف على 5 طرق مجرَّبة لتوقع المخزون، وكيف تعمل كل طريقة ومتى تستخدمها. قارن بين الأساليب واختر الأنسب لنشاطك التجاري.

Inventory Forecasting Methods: 5 Ways to Predict Demand

لخّص هذا المقال بالذكاء الاصطناعي

إذا طلبت أكثر من اللازم، تستنزف سيولتك. وإذا طلبت أقل من اللازم، تخسر البيع لمصلحة من لديه مخزون على الرف. كل نشاط يحتفظ بمخزون يقع بين هذين الإخفاقين، والفارق بينهما يعود إلى قرار واحد: أي طريقة لتوقع المخزون تقف خلف أوامر الشراء لديك.

اسأل مجموعة من المشغّلين عن الطريقة التي يعتمدونها، وستسمع أسماء منتجات: جدول بيانات، أو وحدة في نظام ERP، أو إضافة اشتراها أحدهم في قسم المالية. لا أحد يذكر المعادلة نفسها. وهذه هي الفجوة التي تستحق السد. فأداة التوقع ليست سوى وسيلة لتطبيق طريقة، والطريقة هي التي تحدد ما إذا كان مخزون الأمان محسوبًا على الواقع أم على الأمنيات.

إليك خمس طرق لتوقع المخزون، نعرضها كسلّم قرار لا كمعسكرات متنافسة. كل طريقة تمثّل خط أساس يجب أن تتفوق عليه التي تليها. وستعرف لكل طريقة ما تحتاجه، وأين تفشل، وفي أي ظروف بالضبط تستحق الاعتماد عليها.

1. توقع المتوسط المتحرك

المتوسط المتحرك نقطة بداية شائعة، وهو يستحق هذه المكانة. تختار نافذة زمنية (3 أو 6 أو 12 فترة)، وتحسب متوسط الطلب الفعلي خلالها، وتعتمده توقعًا للفترة القادمة. وعند إغلاق فترة جديدة، تتحرك النافذة إلى الأمام ويتحدث الرقم تلقائيًا.

تصف دراسة لسلاسل الإمداد من جامعة أركansas التنبؤ بالسلاسل الزمنية بأنه أساس معظم أنظمة التجديد، وهدفه رصد الاتجاه والموسمية تحت تقلبات المبيعات. ويؤدي المتوسط المتحرك أبسط صور هذه المهمة: فهو يزيل الارتفاعات المؤقتة دون الحاجة إلى نموذج.

النوافذ البسيطة مقابل المرجّحة

تعطي المتوسطات المتحركة البسيطة وزنًا متساويًا لكل فترة. أما المتوسطات المرجّحة فتمنح الفترات الأحدث تأثيرًا أكبر، وهذا مهم حين يتصاعد الطلب أو يتراجع بدل أن يبقى ثابتًا. استخدم المرجّح حين يكون الشهر الماضي أدل على الشهر القادم من الربع الماضي.

لنفترض أن متجرًا إلكترونيًا للقرطاسية يحسب متوسط مبيعات الدفاتر في آخر ثلاثة أشهر لتحديد نقاط إعادة الطلب لخط منتجات مستقر، بينما يحسب مخبز متوسط مبيعات الخبز في أربعة أسابيع كل يوم اثنين لتحديد كمية الدقيق المطلوبة. الطريقة واحدة والنوافذ مختلفة، وكلاهما سهل الشرح لمسؤول الشراء.

اختبر ثلاثة أطوال للنافذة على بيانات آخر اثني عشر شهرًا قبل أن تعتمد أحدها. النافذة الفائزة تكون عادةً أقصر مما يوحي به الحدس.

  • قارن بالطريقة الساذجة: إذا كانت مبيعات الفترة الأخيرة تتنبأ جيدًا كما يفعل متوسطك، فلا يبرر المتوسط تعقيده.
  • اقرنه بمخزون الأمان: التمهيد يزيل الارتفاع من التوقع، لا من الطلب نفسه.
  • افصل عائلات المنتجات: لا ينبغي أن يتشارك دفتر عادي ومخطط موسمي النافذة نفسها.

استخدم هذه الطريقة عندما تُباع أصنافك بوتيرة ثابتة، ويتوفر لديك ما لا يقل عن ست فترات نظيفة من البيانات التاريخية، وتحتاج إلى خط أساس يستطيع أي طرف معني فهمه. وهو أيضًا الرقم الذي يجب أن تتفوق عليه كل طريقة لاحقة. يوضح مشروع تجريبي لتحسين المخزون لمدة 30 يومًا لتجار التجزئة مدى سرعة كشف خط أساس كهذا عن الأصناف (SKUs) التي تحتاج إلى أكثر من مجرد متوسط.

2. التمهيد الأسي (طريقة هولت-وينترز)

يحافظ التمهيد الأسي على فكرة المتوسطات، لكنه يتوقف عن معاملة البيانات القديمة والجديدة بالتساوي. فكل ملاحظة يقل وزنها أسيًا كلما تقادمت، فيتجه التنبؤ نحو ما يحدث الآن دون أن يبالغ في ردّ الفعل تجاه أسبوع شاذ واحد.

تضيف طريقة هولت-وينترز مكونين: حدًّا للاتجاه وحدًّا للموسمية، يُطبَّقان بصورة جمعية أو ضربية بحسب ما إذا كانت التقلبات الموسمية تكبر مع الحجم. ولهذا تقضي كتالوجات التجزئة الموسمية معظم عمرها هنا.

لماذا تكون رهانات الدقة أعلى

يمنحك ترجيح البيانات الحديثة سرعة استجابة، وهذه الاستجابة لها ثمن. تورد دراسة في أبحاث تجارة الجملة والتحكم في المخزون نتيجة توصل إليها سينتوس وزملاؤه، مفادها أن انخفاض دقة التنبؤ بنسبة 1% قد يقابله ارتفاع بنسبة 10-15% في تكاليف المخزون مع الحفاظ على مستويات خدمة مماثلة. فإذا ضُبطت المعاملات ببطء شديد بقيتَ متحمّلًا لمخزون زائد خلال تحوّل الطلب، وإذا ضُبطت بسرعة شديدة طاردتَ الضوضاء حتى تقع في تأثير السوط (bullwhip).

A comparison chart showing Simple Exponential Smoothing versus Holt-Winters Method for inventory demand forecasting.

ثلاث عادات تُبقي النموذج دقيقًا:

  • سنتان كحد أدنى: زوّده بدورتين موسميتين كاملتين على الأقل، وإلا فإن المكوّن الموسمي مجرد تخمين.
  • راجع ما يقدّمه المُحسِّن: دع البرنامج يحسب ثوابت التمهيد، ثم تأكد من أن الشكل الموسمي يطابق السنة التي مررت بها فعلًا.
  • ضع علامة على العروض الترويجية كأحداث: حملة مدتها ثلاثة أسابيع تشوّه خط الأساس لأشهر إذا تركتها تتسرب إلى السجل التاريخي.

استخدم هذه الطريقة عندما يكون للطلب شكل موسمي متكرر ويمكنك توفير دورتين نظيفتين. لمعرفة كيف تُشغَّل نماذج التمهيد وتُقارَن عمليًا، اقرأ التنبؤ بمعدلات التعثر باستخدام نماذج التمهيد.

3. نماذج السلاسل الزمنية ARIMA وSARIMA

A modern cube box with a golden crescent design placed on a shelf with digital analytics charts.

يتعامل التمهيد مع التاريخ بوصفه متوسطًا مرجَّحًا. أما ARIMA فيطرح سؤالًا أصعب على البيانات نفسها: هل يعتمد طلب اليوم على طلب الأمس، وعلى الأسبوع نفسه من العام الماضي، وعلى الأخطاء التي ارتكبها النموذج سابقًا؟ تقوم خطوة التكامل بحساب الفروق في السلسلة حتى يستقر الاتجاه، ويضيف SARIMA حدودًا موسمية للدورات الأسبوعية والسنوية. وحيث تمنحك طريقة هولت-وينترز خطًا أكثر سلاسة، يمنحك ARIMA نموذجًا لعملية الطلب نفسها.

المخرج الذي يحقق العائد هو النطاق المحيط بالتنبؤ.

النطاقات تتفوق على الأرقام المفردة

تُنمذج دراسة حول تحسين التجديد الطلب على كل SKU، وأزمنة إعادة المنتجات، وأزمنة التوريد عند التجديد، بوصفها متغيرات عشوائية. وتعتمد على توقعات كمّية (Quantile) بدلاً من تقدير واحد، وتقترح نسبة عدم اليقين في التوقع (Ratio of Forecast Uncertainty) لتتبّع انتقال عدم اليقين بين مراحل سلسلة الإمداد. وهذا التمييز مهم عند إصدار أمر الشراء. فتوقع بـ 1,000 وحدة يعني شيئاً مختلفاً عندما يتراوح النطاق المحتمل بين 850 و1,150، عنه عندما يتراوح بين 500 و1,700.

يمكن لمشتريَين أن يقرآ التوقع نفسه ويتخذا قرارين متعاكسين. تنمذج سلسلة بقالة إقليمية الطلب الأسبوعي على الألبان بموسمية أسبوعية وسنوية، فيظهر ارتفاع الطلب في الأعياد داخل الطلبية لا بعدها. ويحدد موزّع إلكترونيات مخزون الأمان للمكوّنات عند المئين التسعين من النطاق، بناءً على هدف مستوى الخدمة لا على تغطية ثابتة مدتها أسبوعان. الآلية نفسها، لكن السؤال المتعلق بالسياسة مختلف.

يتطلب تشغيلها جيداً انضباطاً:

  • اختبر الاستقرارية برسم بياني واختبار رسمي، ثم أجرِ التفاضل بالقدر اللازم فقط. فالإفراط في التفاضل يُدخل ضوضاء يضطر النموذج بعدها إلى تفسيرها.
  • احجز آخر ثلاثة أشهر وقيّم النموذج عليها قبل أن تثق به.
  • حوّل النطاقات إلى سياسة: اختر المئين الذي تبرره هوامش ربحك ووضعك النقدي والتزامك بمستوى الخدمة.
  • أتمتِ اختيار النموذج للكتالوجات الكبيرة. فالضبط اليدوي للرتب لا يصمد أمام 400 SKU.

المقابل هو الجهد. يتطلب ARIMA بيانات مستقرة، واختياراً دقيقاً للرتب، وتاريخاً كافياً لتقدير حدوده الموسمية، ومع ذلك لا يقرأ إلا ماضي السلسلة نفسها. ولهذا يشكّل المعيار الذي يجب أن تتجاوزه الأساليب السببية: فلا يستحق عامل مثل السعر أو العرض الترويجي مكاناً في النموذج إلا إذا تنبأ بشكل أفضل من تاريخ الطلب نفسه.

استخدمه عندما تحمل سلسلتك ارتباطاً ذاتياً لا يلتقطه التمهيد، وتحتاج إلى نطاق صادق لتحديد حجم مخزون الأمان مقابل هدف مستوى الخدمة.

4. التنبؤ بالانحدار السببي

كل الأساليب حتى الآن تستمد الطلب من تاريخه الخاص. أما الانحدار السببي فيطرح سؤالاً مختلفاً: ما الذي يحرّك الطلب، وبأي مقدار؟ تزوّده بالعوامل التي يتابعها فريقك أصلاً، مثل السعر وعمق الخصم والعروض الترويجية والعطلات والطقس ونشاط المنافسين، فيقدّر الأثر الذي يحدثه كل منها.

المخرج معامل يمكنك مناقشته، وهذا هو المقصود. فالخصم لا يرفع التوقع فحسب، بل يرفعه بمقدار محدد، وهذا المقدار هو ما يحتاجه أمر الشراء.

أدرج تقويم العروض الترويجية في النموذج

لنفترض أن تاجر تجزئة للأدوات المنزلية يريد معرفة كيف سيؤثر خصم 20 بالمئة مع حملة بريد إلكتروني في عطلة نهاية الأسبوع على مبيعات أجهزة المطبخ. يقدّر الانحدار الأثر المشترك، فيطلب المشتري بناءً على حدث مخطط له لا على متوسط الشهر في العام الماضي. وموزّع المشروبات الذي يضيف درجات الحرارة المتوقعة يستطيع التخزين قبل موجة الحر بدلاً من الاستجابة لها بعد وقوعها.

قاعدة عملية: اختبر عاملاً واحداً في كل مرة على فترة حجز. العامل الذي لا يحسّن الدقة على بيانات لم يرها النموذج هو حكاية، لا إشارة.

A modern athletic shoe displayed on a pedestal with glowing neon icons representing price, schedule, and environment.

  • ابدأ بما تسجّله فعلًا: مؤشرات العروض الترويجية، وتغيّرات الأسعار، وتقاويم العطلات. لدى كثير من الفرق عوامل مؤثرة قابلة للاستخدام أكثر مما تتصور.
  • حدّث المعاملات: تتغير استجابة العملاء بعد تعديل الأسعار أو دخول منافس جديد، وقد تؤدي المعاملات القديمة إلى تكدّس المخزون.
  • افصل المخطط عن غير المخطط: تدخل الحملات كمدخلات، أما المنشور الذي ينتشر على نطاق واسع أو التعافي من نفاد المخزون فيدخل كمؤشر حدث.

استخدم هذا الأسلوب عندما تحقق العروض الترويجية والتسعير حصة كبيرة من حجم مبيعاتك، وعندما تحتاج إلى تحديد حجم المخزون لحملة ما قبل تنفيذها لا بعده.

5. التنبؤ بالطلب باستخدام التعلّم الآلي

يغيّر التعلّم الآلي وحدة النمذجة. فبدلًا من بناء نموذج منفصل لكل منتج، تدرّب نموذجًا واحدًا على آلاف التركيبات بين الأصناف والمتاجر، ويتعلم الأنماط المشتركة: أي الأصناف يتأثر بالطقس، وأيها بدورات صرف الرواتب، وأيها بعرض ترويجي سبقه بأسبوعين.

يتعامل التعزيز المتدرّج (Gradient Boosting) مع بيانات المبيعات الجدولية بكفاءة. وتثبت الشبكات العصبية قيمتها عندما يكون الكتالوج ضخمًا وتتفاعل الإشارات بطرق يتعذّر تحديدها يدويًا.

حيث تصبح حجة الدقة أكثر تعقيدًا

وجدت دراسة قيّمت 7,500 سلسلة طلب و13 طريقة تنبؤ أن قيمة دقة التنبؤ تتوقف على خصائص المنتج، وسياسة المخزون، وتكاليف الاحتفاظ، وتكاليف المبيعات الضائعة، وفترات المراجعة، ومُدد التوريد. وتشير الدراسة نفسها إلى أن الشركات الصغيرة والمتوسطة في قطاع الأدوية كثيرًا ما تعتمد على التنبؤ بالحكم الشخصي حتى مع وجود طلبات متقطعة كبيرة، مع ذكر عوائق منها عدم دقة البيانات التاريخية، ومحدودية الكوادر المتخصصة، وضعف تبنّي التقنية.

والنتيجة غير مريحة لمن يطارد صدارة الترتيب. فقد يخسر النموذج الذي يتفوق في مقاييس الخطأ من حيث التكلفة عندما تكون تكاليف الاحتفاظ منخفضة ونفاد المخزون مكلفًا. وقد تبدو الطريقة قوية مع الأصناف المتقطعة لمجرد أن معظم الفترات لا تتضمن أي طلب.

  • تفوّق على خط الأساس: المتوسط المتحرك أو Holt-Winters هو مجموعتك الضابطة. وإذا لم يتفوق عليه التعلّم الآلي على بيانات الاختبار المحجوزة، فلا تعتمده.
  • تحقّق حسب الزمن لا عشوائيًا: درّب النموذج على الفترات الأقدم، واختبره على الأحدث.
  • قيّم حسب الشريحة: الخطأ في أهم 50 صنفًا أهم من الخطأ في الذيل الطويل.
  • عالج التقطّع بشكل منفصل: الأصناف ذات الطلب الصفري المتكرر تحتاج إلى قواعد تقييم خاصة بها.

A professional woman in a modern warehouse using a digital tablet for inventory management and logistics analysis.

تشغّل ELECTE، وهي منصة تحليل بيانات مدعومة بالذكاء الاصطناعي للشركات الصغيرة والمتوسطة، ست طرق تنبؤ على بياناتك، وتقارن نتائجها ببعضها، وتختار الأدق، لتحل محل المفاضلة اليدوية. وبالنسبة للكتالوجات الكثيفة بالعروض، راجع احتساب ذروات الطلب في عروض الفلاش.

استخدم هذا الأسلوب عندما يتوفر لديك سجل تاريخي كثيف ومفصّل لعدد كبير من المنتجات، ودليل على أنه يتفوق على خط الأساس من حيث التكلفة ومستوى الخدمة، لا على الورق فقط.

5 طرق للتنبؤ بالمخزون في لمحة

الطريقة

الأنسب لـ

البيانات المطلوبة

التعامل مع الموسمية

مستوى الصعوبة

التنبؤ بالمتوسط المتحرك

الطلب المستقر والخطوط الأساسية البسيطة

كمية صغيرة من سجل المبيعات الحديث

لا

سهل

التمهيد الأسي (طريقة هولت-وينترز)

الطلب ذو الاتجاهات والأنماط الموسمية

بيانات مبيعات تغطي دورتين موسميتين على الأقل

نعم

متوسط

نماذج السلاسل الزمنية ARIMA وSARIMA

الطلب ذو الارتباط الذاتي والأنماط الزمنية

سلسلة زمنية تاريخية طويلة ونظيفة

نعم مع SARIMA

متقدم

التنبؤ بالانحدار السببي

التنبؤ بتأثير العروض الترويجية والأسعار وعوامل الطلب الأخرى

سجل المبيعات وبيانات موثوقة عن عوامل الطلب

ممكن، باستخدام متغيرات موسمية

متوسط

التنبؤ بالطلب باستخدام تعلّم الآلة

الكتالوجات الكبيرة ذات عوامل الطلب المعقدة

سجل مبيعات كبير ونظيف وبيانات مدخلات ذات صلة

نعم، مع خصائص التقويم أو الموسم

متقدم

أهم النقاط: اختر الطريقة التي تدعمها بياناتك

اعتبر كل درجة في هذا السلّم خط الأساس الذي يجب أن تتفوق عليه الدرجة التالية. المتوسط المتحرك رخيص وشفاف، لذلك يحدد الرقم الذي يجب أن يتحسن عليه كل نموذج لاحق. أضف نموذج هولت-وينترز عندما يتكرر النمط الموسمي نفسه؛ واستخدم ARIMA أو SARIMA عندما تحتاج إلى مجال تنبؤ يمكن الدفاع عنه لمستويات الخدمة؛ وانتقل إلى الانحدار السببي عندما تقود العروض الترويجية وتغيّرات الأسعار حجم المبيعات؛ ولا تستخدم تعلّم الآلة إلا بعد أن يتفوق في اختبار على بيانات مستبعَدة.

طبّق هذا السلّم بالطريقة نفسها في كل دورة:

  • دقِّق في سجل المبيعات: احسب الفترات النظيفة والمنتجات (SKU) ذات سلاسل الأصفار الطويلة.
  • اختر أبسط طريقة تناسب نمط الطلب.
  • تحقّق على آخر ثلاثة أشهر، دون تقسيم عشوائي.
  • أتمت المقارنة كي يتغير خط الأساس الفائز مع تغيّر الظروف.

تربط ELECTE مصادر المحاسبة والبنوك وجداول البيانات، وتبقيها محدَّثة، وتشغّل ست طرق للتنبؤ على الأرقام الحيّة، وتقارن بينها وتقيّمها، ثم تختار الأدق. تحصل على توقعات الطلب والتدفق النقدي والرواتب مع لوحات معلومات يمكنك تصديرها أو مشاركتها بنقرة واحدة. زر ELECTE لترى توقعات سجل مبيعاتك الخاص خلال دقائق.

التعليقات

لا توجد تعليقات بعد — ابدأ المحادثة.