# תחזית ביקוש במסחר אלקטרוני: מדריך מלא ל-2026

> למדו שלב אחר שלב כיצד לבצע תחזית ביקוש במסחר אלקטרוני: שיטות, השפעות מבצעים, מדדי דיוק ותכנון מלאי. גלו כיצד ELECTE עושה זאת אוטומטית.

Source: https://www.electe.net/he/post/ecommerce-demand-forecasting

Site guide: https://www.electe.net/he/llms.txt

אתם מכינים הזמנת השקה כשנתוני המכירות של השנה שעברה פתוחים לצדכם, יחד עם הצעת המחיר של הספק. הכמויות נראות סבירות, עד שהשיווק מתזמן מבצע בזק ופלטפורמת מרקטפלייס משנה אילו רשימות מוצרים הקונים רואים. עד מהרה, במחסן אחד המדפים ריקים, בעוד שבמחסן אחר יש מלאי שאי אפשר להזיז בלי להוריד מחיר.

התגובה המתבקשת היא לשפר את התחזית. אבל אלגוריתם מתקדם יותר לא יעזור אם היסטוריית המכירות שלכם מתייחסת למוצרים שאינם זמינים כאל מוצרים לא פופולריים, או אם הרוכשים כלל לא משתמשים בתחזית בעת הזמנת מלאי. אתם זקוקים למערכת קבלת החלטות, לא רק לגרף משכנע יותר.

**תחזית ביקוש במסחר אלקטרוני** מחברת בין ביקוש הלקוחות לבין רכישות, מילוי הזמנות והתחייבויות תזרים מזומנים. כאשר היא נעשית בקפידה, היא גם הופכת את חוסר הוודאות לגלוי, כך שתוכלו להבחין בין הערכת חידוש מלאי אמינה לבין תחזית השקה שמצדיקה הזמנה פתיחה קטנה יותר.

העבודה המעשית מתחילה עם רשומות המלאי שלכם ומסתיימת בהחלטה תפעולית. בין שתי הנקודות הללו, תצטרכו לבחור שיטות לפי דפוס המוצר, לבחון אותן מבלי לדלוף מידע עתידי, ולהעריך מבצעים מעבר לקפיצת המכירות הראשונית שלהם. מדד ההצלחה פשוט: האם התחזית עוזרת לכם לקנות ולקדם מכירות באופן רווחי יותר?

## מה תחזית ביקוש במסחר אלקטרוני חוזה ומדוע זה חשוב

בתרחיש ההשקה הזה, חזרה על הזמנת השנה שעברה מניחה שאותם לקוחות יגיעו דרך אותם ערוצים ויקנו מאותם מיקומים. מבצע בזק משנה את תמריץ הרכישה. שינוי בחשיפה במרקטפלייס משנה את החשיפה. אף אחד מהם לא שייך להתאמה עונתית רגילה.

**תחזית ביקוש במסחר אלקטרוני** מעריכה כמה יחידות לקוחות ירצו בכל תקופה עתידית, לפי מוצר, ערוץ ומיקום. חישבו על זה כעל תחזית מזג אוויר עבור המחסן שלכם: דפוסי עבר קובעים ציפיות, בעוד אירועים עתידיים ידועים משנים את התחזית.

[UNCTAD העריכה](https://unctad.org/news/global-e-commerce-jumps-267-trillion-covid-19-boosts-online-sales) את מכירות המסחר האלקטרוני העולמי בכ-**26.7 טריליון דולר בשנת 2019**, מה שמקביל לכ-**30% מהתמ"ג העולמי**, ודיווחה שחלקה של הקמעונאות המקוונת מסך הקמעונאות עלה מ-**16% לפני המגפה ל-19% ב-2020**. הנתונים הללו מכסים מסחר רחב יותר מחנות מקוונת בודדת, אך הם ממחישים עד כמה מהר יכולות הנחות הערוצים להשתנות.

צמיחה, שיאים חוזרים וזעזועים פתאומיים יכולים להיראות דומים בעמודת מכירות. הפרידו ביניהם לפני שאתם מתחייבים כספית.

בסיס שימושי לחיבור בין תחזיות לתפעול ניתן למצוא ב-[יסודות תכנון הביקוש](https://www.reddog.group/blogs/unleashing-insights/what-is-demand-forecasting) של Reddog Consulting Group, המספקים הקשר תומך. בסופו של דבר, התחזית שלכם צריכה ליידע:

- **רכישות:** מה להזמין ומתי.
- **קיבולת מילוי הזמנות:** היכן נדרשים מלאי וכוח אדם.
- **תכנון תזרים מזומנים:** כמה מימון דורשות התחייבויות המלאי העתידיות.

## הנדסת מאפיינים וניקוי נתונים לפני בניית המודל

לפני שמחליפים אלגוריתם, בדקו את טבלת הקלט. הזמנות כפולות, מזהי מק"ט לא תואמים ורשומות מלאי חסרות יכולים לגרום למודל תקין מבחינה טכנית לענות על השאלה הלא נכונה.

**Features (תכונות)** הן השאלות שאתם שואלים את הנתונים שלכם. במקום לספק רק את המכירות של אתמול, תנו למודל מספיק הקשר כדי להבדיל בין עניין של לקוחות לבין תנאי מכירה.

### בנו תכונות (features) שקונים יכולים לזהות

קבוצת התחלה מעשית כוללת:

- **מכירות מפוגרות (lagged):** המכירות של השבוע שעבר והתקופה המקבילה בשנה שעברה, מראה אחורית לביקוש.
- **ממוצעים נעים:** כהגדרות מועמדות, בדקו ממוצעים על פני **7, 28 ו-91 ימים** כדי להבדיל בין תנועה עדכנית לבין קו הבסיס הרחב יותר.
- **דגלי לוח שנה:** חגים, דפוסי תאריכי משכורת ואירועי מסחר מקומיים.
- **מחיר ועומק הנחה:** מחיר המכירה בפועל, לא רק תווית של מבצע.
- **זמינות:** ימי מלאי זמין, סטטוס רישום ומגבלות מילוי הזמנות.
- **חשיפה והמרה:** הופעות מוצר, תנועה ורכישות היכן שהמידע אמין.
- **החזרות:** יחידות שהוחזרו ומתי מלאי הניתן למכירה חוזר להיות זמין.

שימרו על יעד התחזית מפורש. יחידות שהוזמנו בסך הכול מסייעות לתכנן את קיבולת הליקוט; יחידות שנשמרו והחזרות הניתנות למכירה חשובות כשמעריכים את צריכת המלאי נטו.

השתמשו במידע התנהגותי מצטבר היכן שאפשר. הגבילו את הגישה לרשומות ברמת הלקוח, הסירו מזהים מיותרים, ופעלו לפי דרישות הפרטיות החלות בעת שילוב מערכות מסחר אלקטרוני ואנליטיקה.

### תנו לימי אפס-מכירות סיבה

[מחקר תחזיות קמעונאות](https://arxiv.org/pdf/2506.05941) בחן נתונים עם **20.9% נתונים חסרים** ומצא כי **99.9% מסדרות המוצרים** הכילו לפחות יום אחד של אפס-מכירות, בממוצע **492 ימי אפס-מכירות לסדרה**; מודלים מבוססי עצים מקומיים גם עלו על ארכיטקטורות למידה עמוקה מתקדמות יותר בהגדרה הזו.

התוצאות הללו אינן מזהות את הסיבה לכל אפס. הרשומות התפעוליות שלכם חייבות להבדיל בין ביקוש נמוך אמיתי לבין חוסרי מלאי, הזנות חסרות ממרקטפלייס, רישומים לא פעילים ושינויים בקטלוג.

סמנו יום לא זמין כ**ביקוש מצונזר**: המכירות ניתנות לצפייה, אך הביקוש שיכולתם לספק אינו. אל תחליפו אותו באופן אוטומטי באומדן מכירות מומצא. שמרו את הרשומה המקורית, הוסיפו את דגל הזמינות, ותעדו כל כלל הערכה.

עבור מק"ט חדש או איטי-תנועה, אגדו מידע ממוצרים דומים לפי קטגוריה, מחיר וערוץ. השתמשו בחשיפה, המרה, זמן במלאי ותחליפים כדי להבדיל בין מוצר שלקוחות לא ראו לבין מוצר שהם דחו.

> **בדיקת נתונים:** האם אתם יכולים להסביר כל אפס, והאם אתם יכולים לשחזר זמינות יומית?

עד שהתצפיות יתמכו באומדן מצומצם יותר, הציגו **טווח חיזוי רחב** לצד התחזית הנקודתית. קונים צריכים לראות את הטווח ואת רמת הכיסוי המוצהרת שלו, לא רק כמות שנראית מדויקת.

## בחירת שיטת תחזית לכל סוג מוצר

אין מודל אחד שמנצח בכל מקרה. יש להתאים את השיטה לדפוס הביקוש ולמידע הזמין בעת ביצוע ההזמנה.

מוצר רב-מכר יציב עשוי לעקוב אחר קצב שבועי ברור. מוצר מונע מבצעים עשוי להימכר בעיקר סביב קמפיינים. מוצר עם מכירות לא רציפות, כגון חלק חילוף נישתי, עשוי שלא לרשום מכירות לאורך תקופות ממושכות ואז לקבל הזמנה.

אלה בעיות תחזית שונות. הכתבת אותו תצורה על כולן מקלה על התחזוקה, אך עלולה להחמיר את איכות החלטות הרכש.

### שיטות תחזית לפי דפוס מוצר

יש להתייחס לאורכי ההיסטוריה שלהלן כ**המלצות התחלתיות**, לא כמינימום אוניברסלי. מחזור שבועי דורש עדויות שונות ממחזור שנתי, ושינויים מבניים אחרונים עלולים להפוך היסטוריה ישנה יותר לפחות שימושית.

שיטהמתאים ביותר עבורנתונים נדרשיםחולשה עיקריתממוצע עונתי נאיבי או ממוצע נערבי-מכר יציבים בנפח גבוהחלון התחלה מוצע של 1–2 שנים של מכירות יומיות או שבועיותמפספס מבצעים, שינויי מגמה ומוצרים חדשיםהחלקה מעריכית (Holt-Winters)מוצרים יציבים עם עונתיות שבועית או שנתית ברורהעדיף 2 מחזורים עונתיים מלאים או יותרדורש כוונון לכל מק"ט; חלש בזיהוי קפיצות ממבצעיםARIMA או SARIMAסדרה בודדת עם מגמה ואוטוקורלציהחלון התחלה מוצע של 2+ שנות היסטוריה יציבההתאמה ותחזוקה נפרדות הופכות למסורבלות כשמדובר באלפי מק"טיםCroston או SBAמוצרים עם מכירות לא רציפות ולא אחידות, עם ימי אפס מכירות רביםהתחילו בבדיקת 12+ חודשי היסטוריה ומספר האירועים שאינם אפסנותן תחזיות נקודתיות; יש לשלב עם לוגיקת מלאי ביטחוןרגרסיה עם משתני מחיר ומבצעיםקטגוריות מונעות מבצעים עם תוכניות הנחה ידועותמחיר, עומק הנחה ולוח קמפייניםדורש מספיק מבצעים מהעבר כדי להעריך את העלייהGradient boosting (XGBoost, LightGBM) על מק"טים מאוחדיםקטלוגים גדולים עם אותות מתקשרים זה עם זהבאופן אידיאלי מאות מק"טים ברי השוואה ומאפיינים עשיריםקשה יותר להסביר; דורש אימות קפדני

להסבר מעמיק יותר על דפוסים סדרתיים ומודלים עונתיים, ראו [שימוש ב-ARIMA לחיזוי צרכי מלאי](https://www.electe.net/post/arima-models-explained). ARIMA שימושי כאשר תצפיות העבר מכילות מידע חוזר, ולא כאשר ההקשר העסקי כולו של מוצר השתנה.

### תנו למורכבות להצדיק את עצמה

מחקר [חיזוי קמעונאות משנת 2025](https://ideas.repec.org/a/bfy/oajsas/v6y2025i1p35-67id2679.html) שכלל **50 פריטים ב-10 חנויות** השווה בין Random Forest, XGBoost, רגרסיה לינארית ו-ARIMA, והדגיש שהאלגוריתם הטוב ביותר תלוי במערך הנתונים ובבעיה העסקית.

רמת הפירוט של התכונות (features) יכולה גם היא לסייע לשיטה אחת מבלי לסייע לאחרת. ב[מחקר חיזוי קצר-טווח במסחר אלקטרוני](https://www.atlantis-press.com/article/125982175.pdf), סיווגי הנחה מפורטים שיפרו משמעותית רגרסיה לינארית, ridge ו-lasso, כאשר שיפור ה-MAPE הטוב ביותר הגיע ל-**36.19%**, אך לא הניבו שיפור משמעותי במודלים מסוג support vector machine, gradient boosting או random forest.

הלקח התפעולי אינו לבחור מנצח מתוך דירוג שפורסם. יש לבדוק האם השיטה הנוספת משפרת את ההחלטות שלכם במידה מספקת כדי להצדיק את עלויות ההכנה, ההסבר והתחזוקה שלה.

התחילו מבסיס עונתי. מועמד מסובך שלא מצליח להתעלות על רף אמינה בתקופות שלא נראו עדיין, לא הרוויח את הזכות לשימוש בייצור.

## ללמד את התחזית שלכם עונתיות וקידומי מכירות

קונצרט מציע אנלוגיה שימושית לאיתותים הקיימים במכירות. **המגמה (Trend)** היא הקצב הבסיסי, **העונתיות (Seasonality)** היא הפזמון החוזר, **הקידומים (Promotions)** הם סולו שמשנה את הביצוע באופן זמני, ו**הרעש (Noise)** הוא הקהל.

במונחים תפעוליים, מגמה פירושה צמיחה או ירידה מתמשכת. עונתיות מכסה דפוסים שבועיים חוזרים ושיאים לוחיים כמו Black Friday או עונת החזרה לבית הספר. קידומי מכירות יוצרים משטר מכירות שונה, בעוד הרעש הוא השונות היומית הבלתי מוסברת שנותרת.

### הפרידו בין אפקטים לוחיים לאפקטים של קמפיינים

חג והנחה עשויים לחפוף, אך הם אינם ניתנים להחלפה זה בזה. אם תלמדו את המודל שכל קפיצה בחג היא ביקוש רגיל, הוא עלול לצפות לאותן מכירות גם כשתסירו את ההנחה.

תעדו תאריכי התחלה וסיום של קמפיינים, עומק ההנחה, הערוץ, קטגוריית המוצר ואילוצי אספקה רלוונטיים. שמרו על לוחות שנה ספציפיים למדינה בנפרד כאשר לשווקים שלכם יש חגים או דפוסי קנייה שונים.

[מחקר על רשת מכולות הנחה דנית](https://link.springer.com/chapter/10.1007/978-3-030-29996-5_66) מצא כי אנסמבלים של עצים, ובפרט XGBoost, הניבו את הביצועים הטובים ביותר עבור מוצרים עם **יותר מחמישה קידומים היסטוריים**, בעוד שרגרסיה לינארית מוענשת (penalized) הניבה ביצועים טובים יותר עבור מוצרים עם **פחות מחמישה**; היסטוריות קידום דלות עדיין הניבו שגיאה גבוהה יחסית.

השתמשו בממצא זה כראיה לסגמנטציה, לא כסף גזירה אוניברסלי:

- **מוצרים עם היסטוריית מבצעים עשירה:** בדקו מודלים לא-ליניאריים משולבים שלומדים אינטראקציות בין SKUים קשורים.
- **מוצרים עם מבצעים מועטים:** העדיפו מודלים רגולריים פשוטים יותר שמרסנים הערכות לא יציבות.
- **הערכת קמפיינים:** בדקו אירועי מבצע בודדים במקום להסתמך על סך חודשי שעלול להסתיר שגיאות תזמון.

כדי לחבר בין מדידת קמפיינים לתכנון מסחרי, השתמשו בתהליך עקבי [למדידת עליית מכירות ממבצעים](https://www.electe.net/post/promotion-optimization-in-retail). דאגו שגם ההחזרות יהיו ניתנות לזיהוי לפי קמפיין. ההדרכה של PlatformDTC לגבי אופן [הטיפול בהחזרות על הזמנות מוזלות](https://platformdtc.com/blog/discounts-promo-codes) שימושית ליישור מנגנוני ההנחה עם רישומי לאחר הרכישה.

### הקפיאו מידע בנקודת ההחלטה

**דליפת מידע (Data leakage)** מתרחשת כאשר מודל מקבל מידע שלא היה קיים בזמן שהתחזית בוצעה. תנועה בפועל מהקמפיין, מחסור במלאי שהתממש, ושינויי הנחה סופיים יכולים לגרום לבדיקה היסטורית להיראות טובה יותר מתחזית בזמן אמת.

שמרו תמונת מצב מתוארכת של הנחות מתוכננות, תזמון קמפיינים, מצב מלאי והנחות קיבולת. אמנו והעריכו את המודל לפי מה שהמתכננים ידעו באותו זמן, לא לפי מה שהתברר בדיעבד.

> תחזית שבוצעה לפני קמפיין חייבת להישפט לפי המידע שהיה זמין לפני הקמפיין.

## מדדי הערכה שמראים אם תחזיות עובדות

שגיאה ממוצעת מכובדת יכולה להתקיים לצד עודף מלאי במוצרים איטיים ומחסור במלאי במוצרים הנמכרים ביותר. ציון מצרפי לא יגיד לכם אם הקונים מקבלים החלטות טובות יותר.

הפרידו את התקופה האחרונה ומנעו מכל מועמד לראות אותה במהלך האימון. השוו בין המועמדים על אותם מוצרים, תאריכים ואופקי תחזית, ולאחר מכן חזרו על הבדיקה לאורך נקודות חיתוך היסטוריות עוקבות כדי לבדוק אם התוצאה שורדת תנאי מסחר שונים.

### מדדי דיוק תחזית למסחר אלקטרוני

מדדמה הוא מספר לךהיכן הוא מטעהMAE (שגיאה מוחלטת ממוצעת)סטייה ממוצעת ביחידותקשה להשוות בין מק"טים בגדלים שונים מאודRMSE (שורש השגיאה הריבועית הממוצעת)גודל שגיאה טיפוסי, עם משקל גבוה יותר לסטיות גדולותכמה חריגות גדולות יכולות לשלוט בציוןMAPE (שגיאה אחוזית מוחלטת ממוצעת)סטייה כאחוז מהביקוש בפועללא מוגדר או לא יציב כאשר הביקוש בפועל הוא אפסMASE (שגיאה מוחלטת ממוצעת מותאמת קנה מידה)שגיאה ביחס לתחזית נאיביתפחות אינטואיטיבי לקריאה עבור מי שאינו אנליסטRMSSE (שורש השגיאה הריבועית הממוצעת המותאמת קנה מידה)שגיאה ריבועית מותאמת קנה מידה המשמשת בבנצ'מרקים של ביקוש לא רציףקשה להסביר לקונים ולמתכנניםהטיההאם התחזיות נוטות באופן שיטתי לגבוה או לנמוך מדיהטיה ממוצעת של אפס יכולה להסתיר סטיות גדולות בשני הכיוונים

ב[סקירה של חיזוי ביקוש לא רציף](https://www.tandfonline.com/doi/abs/10.1080/00207543.2025.2578701) מודגש שבחירת המדד יכולה לשנות את דירוג המודלים, ש-MAPE הופך ללא יציב או לא מוגדר כאשר הביקוש אפסי, ושיערות אקראיות (random forests) עלולות להניב תוצאות גרועות יותר משיטות מסוג Croston במדדים הרלוונטיים למלאי.

השתמשו ב-**MAE** כדי לתקשר סטיות ביחידות וב-**RMSE** כדי לבחון קפיצות יקרות. השתמשו במדדים מתוקננים כדי להשוות בין מוצרים בגדלים שונים, אבל בדקו את מכנה הבסיס כאשר לסדרה יש שונות מועטה. דווחו על הטיה (bias) עם מוסכמת סימון מתועדת כך שכולם יבינו אם ערך חיובי משמעותו חיזוי יתר או חיזוי חסר.

בצעו השוואת ביצועים (benchmark) למוצרים לא רציפים מול שיטה ממשפחת Croston, ולמוצרים רגילים מול תחזית נאיבית עונתית (seasonal naive). דווחו בנפרד על מוצרים מהירי מכירה, לא רציפים, חדשים ומיושנים במקום לאפשר לרבי-המכר לשלוט בממוצע.

### דרגו את האופק ואת ההשלכות הכלכליות

ב[מחקר חיזוי במסחר אלקטרוני בערב הסעודית](https://www.ijml.org/vol15/IJML-V15N3-1180.pdf) דווח על **RMSE של 0.4537 לתחזיות שבועיות** ו-**8.1938 לתחזיות ארוכות טווח**. אלו שגיאות ספציפיות למחקר, לא יעדי יחידות הניתנים להעברה, אבל ההשוואה תומכת בניטור נפרד של אופקי תחזית.

אופק החידוש שלכם צריך להתאים לזמן האספקה של הספק. תחזית הקיבולת שלכם עשויה לדרוש אופק ורמת צבירה שונים.

תרגמו סטיות לעלויות תפעוליות:

- **עלות מחסור:** אובדן תרומה, משלוח מזורז, ותחליפים כאשר ניתן למדוד.
- **עלות עודף:** אחסון, מימון, הוזלות מחיר וסילוק.
- **תוצאת ההחלטה:** זמינות שהושגה ומלאי שהוזמן תחת אותה מדיניות הזמנה.

בחנו תקופות של אזילת מלאי בזהירות, מכיוון שהמכירות הנצפות אינן חושפות את כל הביקוש שלא נענה. הפרידו תקופות אלה בדיווח ובדקו רגישות להנחות שלכם לגבי ביקוש אבוד, במקום לטעון לאמת שאינה ניתנת לידיעה.

## כיצד להפוך תחזיות להחלטות חידוש מלאי ומבצעים

קונה זקוק לטריגר, לא רק לעקומת מכירות חזויה. הגדירו כיצד התחזית משנה הזמנה, מי מאשר חריגה, ואיזו עדות תניע עדכון.

להלן **דוגמה מחושבת היפותטית**, ולא מדיניות שירות מומלצת לכל קטלוג. הכמויות והיעדים בה ממחישים את החישוב כך שתוכלו להציב במקומם את הכלכלה שלכם.

### המירו ביקוש לטריגר לחידוש מלאי

1. **בחרו יעד רמת שירות לפי קטגוריית מוצר.** לדוגמה, קבעו **רמת שירות מחזורית של 95% למוצרים המובילים** ו-**90% למוצרי הזנב הארוך**. רמת שירות מחזורית פירושה ההסתברות להימנע מאזילת מלאי במהלך מחזור חידוש מלאי, ולא אחוז היחידות שסופקו. קבעו יעדים בפועל לפי שולי רווח, השפעה על הלקוח ועלות אחזקה, ולא לפי קצב המכירות בלבד.
2. **אמדו את הביקוש במהלך זמן האספקה של הספק.** הכפילו את הביקוש היומי הממוצע בזמן האספקה כאשר הציפייה היומית יציבה באופן סביר. אם מבצע או שינוי עונתי חל בתוך אותו חלון זמן, סכמו במקום זאת את התחזיות היומיות.
3. **קבעו את גודל מלאי הביטחון.** במודל המחשתי עם זמן אספקה קבוע, ביקוש יומי בלתי תלוי וקירוב נורמלי, השתמשו בנוסחה **מלאי ביטחון = z × סטיית תקן יומית × √זמן אספקה**. ערך **z מעוגל של 1.65** תואם ליעד רמת השירות המחזורית של 95% בדוגמה. מגמה, אוטוקורלציה, הזמנות לא סדירות ועיכובי ספק משתנים דורשים התפלגות ביקוש מתאימה יותר לאורך זמן האספקה.
4. **קבעו את נקודת ההזמנה מחדש.** הוסיפו את הביקוש בזמן האספקה למלאי הביטחון. הפעילו את ההזמנה מול **עמדת המלאי**, כלומר מלאי זמין בפועל בתוספת מלאי נכנס מאושר בניכוי ביקוש מחויב, ולא מול המלאי הפיזי בלבד.
5. **אשרו מבצעים לפי הערך המצטבר הנקי.** השוו את הביקוש במהלך הקמפיין מול קו בסיס אמין ללא מבצע, ולאחר מכן קחו בחשבון רכישות עתידיות שנדחו ותחלופה ממוצרים אחרים.

להקשר תפעולי מעשי לגבי [בניית חיץ מלאי ביטחון](https://npoint.digital/how-to-prevent-stock-outs/), ההנחיות של Next Point Digital למניעת אזילת מלאי הן תוספת שימושית.

### בצעו את החישובים לפני הגשת ההזמנה

נניח שמק"ט מסוים נמכר בכמות של **40 יחידות ביום**, זמן האספקה של הספק הוא **14 יום**, וסטיית התקן של הביקוש היומי היא **8 יחידות**. לפי ההנחות המפושטות לעיל:

- **ביקוש בזמן האספקה:** 40 × 14 = **560 יחידות**.
- **מלאי ביטחון:** 1.65 × 8 × √14 ≈ **49 יחידות**.
- **נקודת הזמנה מחדש:** 560 + 49 = **609 יחידות**.

חיץ זה מתבסס על שונות הביקוש היומי. ביישום מבוסס תחזית, אמדו את אי-הוודאות משגיאות תחזית מחוץ למדגם לאורך אופק חידוש המלאי, כדי שלא תתייחסו לעונתיות צפויה כאל שונות אקראית.

כעת נניח **מבצע בן ארבעה ימים** שבו נמכרות **120 יחידות ביום**. נפח הקמפיין הוא **480 יחידות**, לעומת **קו בסיס של 160 יחידות**, מה שנותן עלייה לכאורה של **320 יחידות**. אם **עשרת הימים** הבאים מניבים מכירות של **25 יחידות ביום** במקום ה-**40** הרגילות, הגירעון של **150 יחידות** משאיר רווח נקי מוערך של **170 יחידות**.

ההערכה הזו מניחה שקו הבסיס אמין. היכן שניתן, כדאי להשוות למוצרים, שווקים או קבוצות לקוחות שלא הושפעו, תוך בדיקה שההשוואות הללו עצמן אינן מושפעות מהקמפיין.

[מחקר משנת 2025 בכתב העת International Journal of Forecasting](https://ideas.repec.org/a/eee/intfor/v41y2025i2p554-570.html) מצא שמבצעים עלולים לגרום לחזאים להעריך ביתר את הביקוש כאשר יעדי רמת השירות גבוהים. מלאי נוסף אינו בהכרח ההחלטה הכלכלית הבטוחה יותר.

יש להפחית עלות הנחה, פרסום, החזרות והוצאות מילוי הזמנות לפני שבוחנים רווחיות. לתמיכה ביישום, ניתן להיעזר ב[פיילוט ניהול מלאי בן 30 יום לקמעונאים](https://www.electe.net/post/inventory-optimization-for-retail) כדי לבנות מבנה אחריות וביקורות. קצב התחלה מעשי הוא שבועי עבור מוצרים נמכרים מהר וחודשי עבור מוצרים איטיים יותר, עם ביקורות חריגים מיידיות לאחר שינויים באספקה או בקמפיינים.

## תובנות מרכזיות ופיילוט בן 90 יום

התחילו את **פיילוט חיזוי הביקוש בן 90 הימים למסחר אלקטרוני** עם קטגוריה גדולה מספיק כדי שתהיה משמעותית אך ניתנת לניהול עבור הקונים לבדיקה. כהיקף מוצע, כדאי לשקול את **20% המוצרים המובילים לפי מכירות**, ולאחר מכן לכלול מוצרים איטיים נציגים כדי שהבדיקה לא תסתיר סיכון של זנב ארוך.

שמרו על עקרונות התפעול גלויים:

- **להרוויח מורכבות:** יש לדרוש מהמועמדים להתעלות על קו ייחוס עונתי בתקופות שמורות לבדיקה.
- **לשמר הקשר של זמינות:** אין לאמן קונים או מודלים לפרש חוסרי מלאי כדחייה מצד הלקוח.
- **לדרג תוצאות עסקיות:** יש להעריך חשיפת מלאי ותרומה, לא רק דיוק ביחידות.
- **למדוד את מחזור חיי המבצע:** יש לכלול את קו הבסיס, עליית הביקוש בקמפיין ושינוי הביקוש שלאחריו.

### תנו לפיילוט בעלים והחלטה

עבור הפיילוט המוצע הזה, יש לאסוף **12 עד 24 חודשים** של נתוני מכירות יומיים או שבועיים, רשומות זמינות ולוחות שנה של מבצעים במקרים בהם זמינים. יש לשמור את **שלושת החודשים האחרונים** להשוואה סופית, ולבצע בדיקה היסטורית של קו ייחוס עונתי בתוספת **שתי שיטות מועמדות** באמצעות MAE, הטיה ועלות חוסר מלאי משוערת.

בחרו את השיטה עם התוצאה הכלכלית החזקה ביותר תחת מדיניות הזמנות עקבית. יש ליישם את המלצות החידוש שלה על המוצרים הנבחרים, לבדוק חריגים מדי שבוע, ולתעד כל עקיפה ידנית עם הסיבה לכך.

**ELECTE, פלטפורמת ניתוח נתונים מבוססת בינה מלאכותית לעסקים קטנים ובינוניים**, מריצה **שש שיטות חיזוי** על נתוני המשתמש, מדרגת אותן זו מול זו, ובוחרת את המדויקת ביותר. רוב המשתמשים פעילים **תוך פחות מ-5 דקות**, כאשר הניתוח והתחזיות הראשונות מתחילים מיד לאחר חיבור תוכנת הנהלת חשבונות או העלאת קובץ; אימות תפעולי עדיין דורש רשומות מכירות וזמינות מתאימות.

הגדרה מהירה אינה הוכחה לערך עסקי. התוצאה של הפיילוט היא האם הגישה הנבחרת מתעלה על השיטה הנוכחית שלכם על הנתונים שלכם, תחת מגבלות הרכש שהצוות שלכם מתמודד איתן בפועל. יש לשמור על הרף הזה גם כשלוח הבקרה נראה משכנע.

---

ELECTE מציעה תחזיות ביקוש ומחשבון נקודת הזמנה חוזרת בחינם שעוזר לחבר בין תחזיות להחלטות רכש. בקרו באתר [ELECTE](https://www.electe.net) כדי לחקור את הפלטפורמה ולראות את ELECTE בפעולה בהדגמה אישית.