التنبؤ بالطلب والمبيعات للشركات الصغيرة والمتوسطة: دليل عملي يبدأ بالبسيط

معظم الشركات الصغيرة والمتوسطة تتنبأ بالطلب أصلًا. لكن ذلك يحدث في رأس أحدهم أو في جدول بيانات: "في رمضان الماضي بعنا تقريبًا هذا القدر، فلنطلب أكثر قليلًا". أحيانًا ينجح ذلك. وكثيرًا ما ينتهي بنفاد المنتجات الأكثر مبيعًا وتكدّس الباقي في المخزن.

لا تحتاج إلى قسم علم بيانات لتفعل أفضل. تحتاج إلى سجل مبيعات نظيف، وبضع طرق مرجعية صادقة، ووسيلة للتحقق من أن النموذج يتفوق عليها فعلًا. يشرح هذا الدليل كيف أتعامل مع التنبؤ بالطلب، من أبسط الطرق إلى تعلّم الآلة، ومتى لا يستحق الأمر العناء.

ما الذي تحتاجه قبل البدء

• سجل المبيعات بالمستوى الذي تتخذ فيه القرار. إذا كنت تعيد الطلب لكل منتج في كل متجر أسبوعيًا، فأنت تحتاج المبيعات الأسبوعية لكل منتج في كل متجر. سنتان بداية جيدة، لأنهما تغطيان كل موسم مرتين على الأقل.
• معلومات نفاد المخزون. يوم نفاد المخزون يُظهر صفر مبيعات، لكن الطلب لم يكن صفرًا. إن لم تحدد هذه الأيام، سيتعلم النموذج أن أحدًا لم يرد المنتج.
• الأحداث المعروفة. العروض الترويجية، وتغيّر الأسعار، والأعياد، وافتتاح المتاجر وإغلاقها.
• قرار تريد تحسينه. التنبؤ لا يفيد إلا إذا غيّر طلبية أو جدول عمل أو خطة إنتاج.

التنبؤ بالطلب يبدأ بطرق مرجعية

قبل أي نموذج، جهّز طرقًا مرجعية بسيطة. فهي رخيصة، وسهلة الشرح، وصعبة التفوق عليها بشكل مفاجئ:

1. الطريقة الساذجة: الأسبوع القادم سيشبه هذا الأسبوع.
2. الساذجة الموسمية: الأسبوع القادم سيشبه الأسبوع نفسه من العام الماضي (أو اليوم نفسه من الأسبوع الماضي للبيانات اليومية).
3. المتوسط المتحرك: متوسط الأسابيع القليلة الأخيرة.

يجب أن يتفوق عليها أي نموذج أعقد، بالقياس نفسه. وإن لم يفعل، فاحتفظ بالطريقة البسيطة. رأيت فرقًا تقضي أشهرًا على نموذج يساويه تنبؤ ساذج موسمي.

النماذج الإحصائية

الخطوة التالية هي نماذج السلاسل الزمنية الكلاسيكية:

• التمهيد الأسي يعطي وزنًا أكبر للتاريخ القريب، ونسخه الموسمية (المعروفة غالبًا باسم Holt-Winters) تتعامل مع الاتجاه والأنماط السنوية. إنه متين ويعمل جيدًا مع كثير من المنتجات ذات المبيعات المنتظمة.
• نماذج عائلة ARIMA تلتقط اعتماد كل فترة على الفترات السابقة. ومع الحدود الموسمية والمتغيرات الخارجية، يمكنها أن تشمل آثارًا مثل العروض الترويجية.

هذه النماذج مفهومة جيدًا، وسريعة، وتعطيك مجالات التنبؤ تقريبًا مجانًا. ولبضع مئات من المنتجات ذات المبيعات المستقرة، غالبًا ما تكفي.

تعلّم الآلة مع متغيرات التقويم والعروض

عندما تكون لديك منتجات كثيرة ومتاجر كثيرة وعوامل خارجية عديدة، تعمل أشجار التعزيز المتدرج جيدًا في الغالب. بدل نمذجة كل سلسلة وحدها، تدرّب نموذجًا واحدًا عليها كلها، بمتغيرات مثل:

• المبيعات الأخيرة (الأسبوع الماضي، ومتوسط الأسابيع الأربعة الأخيرة، والأسبوع نفسه من العام الماضي)،
• التقويم (أسبوع السنة، ويوم الأسبوع، والشهر، وأيام صرف الرواتب)،
• العروض الترويجية والسعر ونسبة الخصم،
• الأعياد والفترات الخاصة،
• خصائص المنتجات والمتاجر.

النموذج الواحد الشامل يتعلم أنماطًا مشتركة بين المنتجات، وهذا يساعد المنتجات الجديدة أو بطيئة الحركة التي لا تملك تاريخًا كافيًا. ومكتبتا CatBoost وXGBoost تصلحان هنا، وقد قارنت بينهما في CatBoost أم XGBoost.

رمضان والأعياد المتنقلة

هذا مهم جدًا للشركات في المغرب والخليج ومصر. التقويم الهجري قمري، لذلك يتقدم رمضان والعيدان نحو 11 يومًا كل سنة مقارنة بالتقويم الميلادي. والنموذج الذي لا يعرف إلا "الأسبوع 12" أو "شهر مارس" سيضع أثر رمضان في المكان الخطأ في السنة التالية.

الحل هو إضافة متغيرات صريحة: عدد الأيام حتى بداية رمضان، وهل التاريخ داخل رمضان، وعدد الأيام منذ العيد، وهكذا. وافعل الشيء نفسه مع أي مناسبة لا تقع في التاريخ نفسه كل عام. وتوقع أيضًا تغيّر السلوك خلال رمضان نفسه: أوقات تسوق مختلفة، وزيادة في الأغذية والهدايا، وانخفاض في فئات أخرى.

الاختبار التاريخي: اختبر كما ستستخدم

لا تقيّم التنبؤ أبدًا بتقسيم عشوائي بين التدريب والاختبار، لأنه يسمح للنموذج برؤية المستقبل. استخدم بدلًا من ذلك الاختبار التاريخي (backtesting):

1. درّب على البيانات حتى تاريخ قطع معيّن.
2. تنبأ بالأسابيع التالية.
3. قارن بما حدث فعلًا.
4. حرّك تاريخ القطع إلى الأمام وكرّر.

هذا يحاكي الاستخدام الحقيقي ويبيّن كيف يتغير الأداء بين المواسم. وتأكد أن المتغيرات لا تستخدم إلا معلومات كانت متاحة وقت التنبؤ: "عرض هذا الأسبوع" مقبول فقط إذا كان مخططًا له مسبقًا.

اختيار مقياس الخطأ المناسب

• MAE (متوسط الخطأ المطلق) سهل القراءة: نخطئ في المتوسط بهذا العدد من الوحدات.
• MAPE (متوسط الخطأ المطلق النسبي) شائع، لكنه ينهار مع الأصفار ويتضخم مع المنتجات قليلة المبيعات، حيث قد يبدو خطأ وحدتين كخطأ بنسبة 200%.
• WAPE (مجموع الأخطاء المطلقة مقسومًا على مجموع المبيعات) خيار افتراضي جيد للتجارة: نسبة مئوية، ويتعامل مع الأصفار، ويزن المنتجات حسب حجم مبيعاتها.

وانظر أيضًا إلى الانحياز: التنبؤ الذي يقل دائمًا بنسبة 10% مشكلة منهجية، حتى لو بدا متوسط خطئه مقبولًا.

من التنبؤ إلى قرار إعادة الطلب

رقم واحد لا يكفي لتقرر كم تطلب. تحتاج إلى فكرة عن عدم اليقين. مجالات التنبؤ أو التنبؤ بالمئينات تعطيك نطاق الطلب المحتمل. ثم تختار مستوى خدمة لكل منتج: للمنتج الأكثر مبيعًا قد تطلب ما يغطي الطلب في معظم الأسابيع، وللمنتج البطيء والمكلف تقبل خطرًا أكبر للنفاد.

ومع مدد التوريد والحد الأدنى للطلبيات ومدة الصلاحية، يتحول التنبؤ إلى طلبية مقترحة يعتمدها المشتري أو يعدّلها. وإبقاء شخص في الحلقة في البداية هو طريق بناء الثقة، وهو النهج نفسه الذي أنصح به في أتمتة الأعمال بالذكاء الاصطناعي.

متى لا يستحق الأمر العناء

• تاريخ قليل جدًا أو منتجات تتغير باستمرار. قد يكون الحكم البشري مع قواعد بسيطة أفضل.
• كميات صغيرة جدًا حيث تكلفة الخطأ منخفضة.
• لا قرار مرتبطًا بالتنبؤ. إذا لم يغيّر أحد طلبية بناءً عليه، فلا تبنِه.

لنعمل معًا

أنا إدريس بريكسين، مهندس برمجيات وتعلّم آلة، حاصل على ماجستير في الإحصاء وعلوم البيانات من جامعة هاسلت وإجازة في علوم البيانات من جامعة محمد السادس متعددة التخصصات التقنية (UM6P). أبني أنظمة التنبؤ وتعلّم الآلة والبرمجيات التي تضعها بين أيدي من يتخذون القرار. اطّلع على أعمالي، ومنها CPT Dashboard، وهو نظام تعلّم آلة جرى التحقق منه بصرامة.

إذا كان لديك سجل مبيعات وقرار تريد اتخاذه بثقة أكبر، أرسل لي وصفًا موجزًا.