روشهای پیشبینی تقاضا
پروژه پایانی درس مدیریت عملیات
نویسندگان: امیرحسین بیطرف کوچکی مهران خوشنود پویا پورعلی زهرا مرادینیا
استاد درس: دکتر کراری
بهار 1401
فهرست
2- هفت کلید برای پیش بینی بهتر تقاضا
4- اجرا مدل پیشنهادی (پایتون و نتیجه گیری)
5- پیش بینی تقاضا در زنجیره تامین.
پیشبینی برای بخش تولید یا عملیات یک شرکت حیاتی است. مواد مناسب باید با کمترین قیمت ممکن تهیه شود. امکانات تولید کافی باید با کمترین هزینه ممکن فراهم شود. نیروی کار کافی باید با کمترین هزینه ممکن استخدام و آموزش داده شود و خدمات لجستیکی کافی باید برای جلوگیری از تنگناها در انتقال محصولات از تولیدکننده به مصرف کننده استفاده شود. هیچ یک از این عملکردهای اساسی کسب و کار را نمیتوان بدون پیشبینی دقیق فروش بهطور موثر انجام داد.
در این مقاله به ارائه مدلی برای پیشبینی تقاضا در یک سازمان میپردازیم و به پیادهسازی ایم مدل در شرکت تسلا میپردازیم.
پیشبینی عبارت است از هنر شناسایی اتفاقات پیش از بهوقوع پیوستن آنها یا بهعبارت دیگر پیشبینی عبارت است از برآورد تقاضای آینده با آیندهنگری خاص درباره واکنش احتمالی خریداران تحت مجموعهای از شرایط خاص. پیشبینی اطلاعاتی را فراهم میکند که سیاستگذاران و مدیران را درر برنامهریزی و تصمیمگیری مقتضی پیش از بروز اتفاقات تاثیرگذار یا تاثیرپذیر مورد پیشبینی توانمند میسازد. پیشبینی تقاضا جز مهمترین فعالیتهای هر سازمان برای برنامهریزی فروش و در نهایت برنامهریزی جامع بوده و در واقع تعیینکننده حجم فعالیتهای سازمان در آینده میباشد. همچنین درک درستی از میزان وکیفیت فعالیتهای مزبور را برای مدیران فراهم مینماید. در جایی که رقابت بالا باشد، تامین نیازهای مشتری سروقت و با کیفیت، کلید حفظ سهم از بازار و کسب سهم از بازار بیشتر میباشد. باتوجه به ماهیت رقابتیبودن صنایع در عصر حاضر، پیشبینی دقیق میتواند در تحقق این امر کمک شایانی کند.
پیشبینی فروش و تقاضا یک کارکرد مدیریتی است که شرکتها معمولاً آن را به عنوان یکی از عوامل کلیدی موفقیت شرکت لحاظ نمی‌کنند. از دیدگاه والا، پیشبینیهای دقیق فروش و تقاضا به شرکت اجازه میدهد تا سطوح بالایی از خدمات را به مشتری ارائه دهد. زمانی که بتوان تقاضا را به طور دقیق پیش بینی کرد، می توان آن را به موقع و بهصورت کارا برآورده کرد و هم تامینکنندگان و هم مشتریان نهایی را راضی نگه داشت. پیشبینیهای دقیق به شرکت کمک میکند از فروش از دست رفته یا موقعیت‌های موجود در انبار جلوگیری کند و از رفتن مشتریان به سمت رقبا جلوگیری کند. علاوه براین پیشبینی دقیق باعث میشود که بتوان مواد و قطعات موردنیاز و همچنین خدمات لجستیکی را از طریق قراردادهای بلندمدت تامین کرد که درکاهش هزینهها بسیار موثر میباشد. از طرفی موجودی سپری برای عدم اطمینان و عدم پیشبینی درست تقاضا میباشد. بنابراین، هرچه پیشبینیها دقیقتر باشند، موجودی کمتری باید نگهداری شده که در مدیریت هزینهها بسیار موثر میباشد. مسئله تعیین کننده در پیشبینی، بهکارگیری روش مناسب و مقتضی باتوجه به ماهیت و ساختار عناصر سیستم، دامنه و مقیاس و افق زمانی موردانتظار میباشد.
پیشبینی برای بخش تولید یا عملیات یک شرکت حیاتی است. مواد مناسب باید با کمترین قیمت ممکن تهیه شود. امکانات تولید کافی باید با کمترین هزینه ممکن فراهم شود. نیروی کار کافی باید با کمترین هزینه ممکن استخدام و آموزش داده شود و خدمات لجستیکی کافی باید برای جلوگیری از تنگناها در انتقال محصولات از تولیدکننده به مصرف کننده استفاده شود. هیچ یک از این عملکردهای اساسی کسب و کار را نمیتوان بدون پیشبینی دقیق فروش بهطور موثر انجام داد. اگر نگاهی به تاریخ فعالیتهای اقتصادی در چند دهه اخیر بیندازید، متوجه خواهید شد که شرکتها و صنایع زیادی به دلیل عدم پیشبینی درست میزان تقاضای بازار، به سمت ورشکستگی رفته‌اند. پیشبینی تقاضا همواره امری دشوار و چالشپذیر در محیطهای تجاری و رقابتی امروز است و کوچکترین بهبود در آن نقش موثری برای حفظ سرمایه کارخانهها و خردهفروشان ایفا میکند.
مزایای پیشبینی تقاضا بهصورت کلی عبارتند از:
· کاهش زمان تاخیر
· کاهش موجودی انبارها
· برقراری توازن میان عرضه و تقاضا
روشهای متوعی برای پیشبینی تقاضا وجود دارد اما بهصورت کلی به دوطبقه تقسیم میشود:
1- روشهای کیفی: روشهای کیفی بر مبنای نگرش تجربه و ذهنیت افراد میباشد که با استفاده از آنها میتوان یک پیشبینی مناسب از میزان فروش و تقاضا برای کالاها بدست آورد. روشهای کیفی به چهار دسته تقسیم میشود:
· نظر خواهی از فروشندگان: در این روش برای پیشبینی تقاضا از فروشندگان هر منطقه درباره فروش دوره بعد نظرخواهی میشود، سپس نظرات مختلف جمعآوری شده مورد بررسی قرار میگیرد و تقاضای دوره بعد پیشبینی میشود. بدلیل اینکه فروشندگان ارتباط مستقیم با مشتریان دارند میتوانند با آگاهی از سلیقههای مشتریان، تقاضای محصولات را پیشبینی کنند. این روش، هزینه پیشبینی را کاهش میدهد.
· روش توافق جمعی: در این روش، پیشبینی تقاضا در جلسههایی با حضور کارشناسان و مدیران شرکت انجام میگیرد و از جنبههای مختلف، تقاضا برای کالاها یا محصولات بررسی میشود و سپس به اتفاق جمع، پیشبینی تقاضا انجام میشود.
· روش انتظارات مصرفکننده: در این روش، شرکت با تهیه یک پرسشنامه و ارسال آن برای مصرفکنندگان، از نظرات آنان نسبت به بازار تقاضا و تمایل مصرفکنندگان به خرید کالاها آگاهی مییابد. این روش برای پیشبینی تقاضای محصولات جدید بسیار مناسب است. اشکال این روش زمان و هزینه زیاد است.
· روش دلفی: در این روش با استفاده از پرسشنامه، نظرات گروهی از متخصصان که لزوما عضو شرکت نیستند، درباره پیشبینی تقاضای محصولات در آینده جمعآوری میشود. اعضای این گروه بدون شناخت از یکدیگر نظرات خود را ارائه میدهند. پرسشنامههای بینام جمعآوریشده، مورد طبقهبندی قرار میگیرد و مجددا در مرحله دوم نظرات هر یک از اعضا برای سایرین ارسال میشود. سپس درخواست میشود که با توجه به نظرات دیگران، هریک از اعضا، مجددا پیشبینی خود را ارئه دهند. این فرآیند تا آنجا ادامه مییابد که یک اتفاق نظر و توافق کلی در مورد موضوع پیشبینی حاصل شود. روش دلفی بسیار پر هزینه و طولانی است.
2- روشهای کمی (محاسباتی): در روشهای کمی، از اطلاعات گذشته جهت پیشبینی تقاضا برای دورههای آینده استفاده میشود. این روش به دو دسته نقسیم میشود:
· سریهای زمانی: عبارت است از آرایشی از دادهها که رفتار یک متغیر را در دورههای زمانی متوالی نشان میدهند. با مطالعه سریهای زمانی که اطلاعات فروش محصولات را در گذشته نشان میدهند، میتوان 4 نوع روند تغییرات را شناسایی کرد: 1) روند معمولی (T): دراین نوع روند، یک افزایش مداوم یا یک کاهش مداوم در میزان فروش محصولات درگذشته مشاهده میشود. 2) روند فصلی (S): برای برخی از کالاها، تغییرات تقاضا تابع تغیرات فصلی است. بهعنوان مثال در فصلهای پاییز و زمستان، فروش بخاری افزایش و در فصلهای بهار و تابستان کاهش می یابد. 3) روند دوره ای (C): تغییرات تقاضا برای برخی کالاها به صورت دورهای میتواند نوسانات داشته باشد. بهعنوان مثال دوران رکود یا رونق اقتصادی. 4) روند تصادفی (R): گاهی اوقات تغییرات تقاضا مشخص نیست بلکه عوامل گوناگون باعث ایجاد نوسانات نامنظم و پیچیده در تقاضای محصولات میگردد.
· رگرسیون (سببی): در این روش با شناسایی عوامل موثر بر تقاضا، با استفاده از دادههای گذشته، رابطه علی و معلولی بین تقاضا و عوامل موثر بر آن شناسایی شده و با تحلیل روند عوامل، تقاضا آینده پیشبینی میگردد.
پیشبینی تقاضا فقط برای راه‌اندازی واحد تولیدی نیست بلکه برنامهریزی ظرفیت تولید ماهیانه، شرح وظایف کارکنان، سفارش مواد اولیه، طرح‌های توسعه‌ی کارخانه و … هم به آن بستگی دارد.
پیشبینی تقاضا ابعاد مختلفی دارد که باید به آن توجه کرد. این ابعاد عبارتند از:
1) بازه زمانی پیش بینی تقاضا: ممکن است میزان تقاضای بازار در چهار سال آینده درخشان باشد اما تحت تأثیر تغییرات تکنولوژی و سایر اتفاقات در یک بازه‌ی ده‌ساله به حدأقل برسد یا از محصولی در بازار کنونی استقبال نشود اما شرایط تغییر کند و فروش خوبی در سالیان آینده داشته باشد. پس به وضوح، پیشبینی تقاضا تابع زمان است و میتواند برای آینده‌ی نزدیک (یک یا چند ماه) یا دور باشد. بهطور کلی میتوان گفت که بازه زمانی به 3 دسته کوتاهمدت، میانمدت و بلندمدت تقسیم میشود.
· کوتاهمدت: عمدتا پیشبینی کمتر از 3 ماه بوده و برای برنامهریزی خرید، زمانبندی کار و برنامهریزی نیروی کار مورداستفاده قرار میگیرد.
· میانمدت: عموما بازه زمانی بین 3 ماه تا 3 سال را شامل شده و برای برنامهریزی فروش، برنامهریزی تولید و بودجهبندی استفاده میشود.
· بلندمدت: بازه زمانی بیشتر از 3 سال را شامل شده و برای برنامهریزی توسعه محصولات جدید، توسعه خطوط تولید و تحقیق و توسعه ( عمدتابرنامهریزی سرمایهای) استفاده میشود.
پیشبینیهای میانمدت و بلندمدت با مسائل جامع شرکتها در ارتباط بوده و تصمیمات مدیریت را ملاحظه برنامهریزی محصولات و فرآیندها پشتیبانی مینماید و دقت کمتری نسبت به پیشبینی کوتاهمدت دارد.
شکل شماره 1: چرخه عمر فعالیت شرکت
?
محصولات در دو مرحله اول از عمر خود، احتیاج به پیشبینی دقیقتری نسبت به دو مرحله انتهای عمر خود دارند. بهعلت کمبود یا عدم وجود اطلاعات در مرحله معرفی، پیشبینیهای کیفی مورد استفاده قرار میگیرد. با اضافه شدن دادهها در دو مرحله بعد، روشهای کمی کاربرد داشته و درنهایت علیرغم انباشت دادهها در مرحله زوال، روشهای کیفی نظیر بررسی بازار در این مرحله کاربرد خواهد داشت.
2) بخشبندی بازار: به سه علت برای پیش بینی تقاضا به بخشبندی بازار نیاز داریم.
· معمولاً صدها و هزاران بازار مختلف برای یک محصول وجود دارد و پیشبینی تقاضای همه‌ی آنها مقدور نیست.
· هر چقدر بازار را بزرگ‌تر در نظر بگیریم از دقت پیشبینی کاسته میشود، چون بخشهای مختلف آن تحت تأثیر عوامل متقاوتی هستند و نمی‌شود همه‌ی آنها را با هم بررسی کنیم.
· آگاهی از تقاضای یک بازار بزرگ چندان مفید نیست زیرا اطلاعات دقیقی برای تصمیمات کلان مدیریتی در اختیار قرار نمیدهد.
بهصورت کلی معمولاً در پیشبینی روی بازارهای زیر کار میکنیم:
· بازارهایی که روی آنها سرمایهگذاری کردیم و هدف اصلی ما هستند.
· بازارهایی که وضعیت‌‌شان را زیر نظر گرفته‌ایم تا در صورت فراهم شدن فرصت برای ورود به آنها اقدام کنیم.
· بازارهایی که در اختیار رقیبان است و با بررسی آنها میخواهیم برنامه‌ی آینده‌ی رقیبان را پیشبینی کنیم.
بادر نظر گرفتن ابعاد موثر در پیشبینی تقاضا، مدل مورد استفاده پیشبینی خود را بهینهسازی میکنیم. با پیشبینی تقاضا، یک شرکت برنامههای مناسب برای چالشها و یا تقاضاهای آینده ارائه میدهد و اقدامات لازم را برای مواجهشدن با آنها را برنامهریزی میکند. بهصورت کلی موارد زیر روی دقت پیشبینی تأثیر می‌گذارند:
· روش پیشبینی: روش پیشبینی به دو صورت روی دقت کار اثر می‌گذارد. اولاً بعضی روشها به صورت کلّی دقیقتر هستند و در مواردی استفاده میشوند که حساسیت کار بالاست و دوماً باید میان روش یه کار گرفته شده با شرایط و خواسته‌های پیشبینی تناسب داشته باشد.
· پیچیدگی‌های محیط: شرایط محیطی اصلی‌ترین عامل کاهش دقت پیشبینی تقاضا هستند، مثلاً رونق یا رکود اقتصادی، کاهش یا افزایش نرخ ارز، تغییر الگوی مصرف، افزایش یا کاهش نرخ واردات و صادرات و .. به سادگی روی تقاضا اثر می‌گذارند. البته این موارد را تا حدی میتوان پیشبینی کرد اما عواملی مثل جنگ و طوفان و زلزله و شیوع بیماری‌ها و … قابل پیشبینی نیست و به همین علت هیچ‌وقت نمیتوانیم به پیشبینیها کاملاً اعتماد کنیم. پس هر چقدر ثبات محیطی بیشتر و بازه‌ی پیشبینی نزدیک‌تر باشد، احتمالاً نتایج پیشبینی دقیقتر و قابل اتکاتر هستند اما در بلندمدت، پیشامدهای زیادی رخ میدهد که مجموعه‌ی آنها انحراف بزرگی در نتایج بهوجود می‌آورند.
· اطلاعات و دادهها: پیشبینیها بر اساس دادههای کنونی و گذشته انجام میشوند. هرچقدر دادههای بیشتر و دقیقتری داشته باشیم، پیشبینی اصولی‌تر و منطقی‌تر خواهد بود.
باتوجه به اهمیت پیشبینی تقاضا و لزوم دقت در آن، 7 کلید برای اجرای هرچه بهتر آن در زیر معرفی شده است.
1- درک این موضوع که پیشبینی چیست و چه نمیباشد:
پیشبینی فروش یک فرآیند مدیریتی است نه یک برنامه کامپیوتری. این تمایز مهم است زیرا بر بسیاری از قسمتها در یک سازمان تأثیر می گذارد. صرف نظر از اینکه یک شرکت کالا یا خدمات می فروشد، باید تصویر روشنی از تعداد کالاها یا خدماتی که میتواند در کوتاه مدت و بلندمدت بفروشد، داشته باشد. به این ترتیب، می تواند برای تامین تقاضای مشتری، برنامهریزی مناسب داشته باشد.
بسیاری از شرکتها مهمترین تصمیم‌های مربوط به پیشبینی را حول محور انتخاب یا توسعه نرمافزار رایانه‌ای برای تهیه پیشبینیها میدانند. با این حال، نمونههای بسیاری از سیستمهای رایانه‌ای پیچیده را وجود دارد که علیرغم صرف هزینهها و زمان بالا، پیشبینیهای دقیقی را ارائه نکرده‌اند. دلیل این امر این است که پیادهسازی سیستم پیشبینی با مدیریت مؤثر برای نظارت و کنترل همراه نبوده است. (راهحل تمرکز بر مدیریت پیشبینی بهجای سیستم پیشبینی میباشد و شرکتها با درک اهمیت پیشبینی به عنوان یک فرآیند مدیریتی، میتوانند در پیبینی موفقتر عمل کنند.)
مشکل بعدی شرکتها، ناتوانی در درک رابطه بین پیشبینی، برنامهریزی و تعیین هدف است. پیشبینی فروش باید به عنوان تخمینی از میزان فروش آینده با توجه به شرایط محیطی خاص در نظر گرفته شود. یک برنامه فروش باید به عنوان یک تصمیم مدیریتی یا تعهد به کاری که شرکت در طول دوره برنامهریزی انجام خواهد داد، در نظر گرفته شود. هدف فروش باید هدفی باشد که همه در سازمان برای رسیدن به آن تلاش میکنند. هدف اصلی پیشبینی فروش، کمک به مدیریت در تدوین برنامه فروش و سایر برنامههای تجاری مرتبط با فعالیتهای آتی است. هدف برنامه فروش، هدایت تصمیمات مدیریتی تاکتیکی و استراتژیک (خرید مواد خام، برنامهریزی منابع انسانی، برنامهریزی لجستیک و ...) است که به طور واقع بینانه محدودیتهای منابع، رویهها و سیستمهای شرکت را درنظر می گیرد. هدف فروش در درجه اول برای ایجاد انگیزه برای افراد در سراسر سازمان در رسیدن به اهداف شرکت و فراتر رفتن از آنها طراحی شده است. درحالیکه پیشبینی فروش و برنامه فروش باید به هم مرتبط باشند (اولی باید مقدم بر دومی باشد و بر دومی تأثیر بگذارد)، هدف فروش ممکن است کاملاً مستقل باشد. از آنجا که پیشبینیکنندگان باید برای دقت تلاش کنند، مناسب نیست که یک پیشبینی با استراتژی انگیزشی شرکت (هدف فروش) اشتباه گرفته شود. بهویژه این مشکل زمانی نمایانتر میشود که پیشبینی و اهداف فروش در هم تنیده شوند. ایم مشکل به دو صورت قابل بیان است (ذهنیت اشتباه در شرکتها) (راهحل برطرفسازی این مشکل، ایجاد تمایز بین هدف و پیشبینی فروش است)
· نباید پیشبینی پایینتر از اهداف سازمان باشد.
· برای رسیدن به سهم از بازار معقول و قابل دستیابی، پیشبینی بدبینانه صورت میگیرد.
2- پیشبینی تقاضا، نقشه عرضه
یکی از اشتباهاتی که بسیاری از شرکتها مرتکب میشوند، پیشبینی توانایی خود برای عرضه کالا یا خدمات به جای تقاضای واقعی مشتری است. در ابتدای چرخه پیشبینی، تخمین پیش‌بینی‌هایی که توجهی به ظرفیت تولید شرکت ندارد، مهم است. این مشکل اغلب زمانی رخ میدهد که از دادههای تاریخی به عنوان مبنایی برای ایجاد پیشبینیها استفاده شود. پیشبینی با استفاده از دادههای قبلی (عمدتا حملونقل) فقط توانایی قبلی یک شرکت برای برآورده کردن تقاضا را پیشبینی میکند و شرکت را به تکرار اشتباهات قبلی خود در عدم ارضای تمام تقاضای مشتری سوق میدهد البته مبنایی برای پیشبینی دقیق میباشد. (درست است که این پیشبینی میتواند از دید کارکنان بسیار دقیق باشد اما به ظرفیت از دست رفته توجهی ندارد.)
تعیین تقاضای واقعی مشتری دشوارتر از پیشبینی توانایی یک شرکت برای عرضه است. سیستمها و فرآیندهایی برای بهدستآوردن این تقاضایی که برآورده نشده است، مورد نیاز است. نمونههای از این سیستمها در زیر آورده شده است:
· مکانیزمهایی که اطلاعات ارزشمندی درباره مشتریانی که در صورت امکان سفارش بیشتری میدهند را بدست آورد.
· سوابق سفارشات پذیرفته شده اما برآورده نشده توسط شرکت
· مبادله الکترونیکی دادهها (EDI) در طول زنجیره تامین ماتتد سطح موجودی و پیشبینی خردهفروشان
علیرغم دشواربودن، پیشبینی تقاضای واقعی به شرکت کمک میکند تا تصمیمات معقول و بلندمدتی اتخاذ کند که میتواند تاثیرات شدیدی بر موقعیت آن در بازار بگذارد. با شناسایی جاهایی که ظرفیت با پیشبینیهای تقاضا برآورده نمی‌شود، شرکت اطلاعات ارزشمندی در مورد توسعه ظرفیت بدست میآورد. چنین برنامه بلندمدتی درنهایت منجر به سطوح بالاتر رضایت مشتری میشود.
3- ارتباط و همکاری
شرکتهایی که بهصورت دقیق و موثر پیشبینی میکنند، دریافت ورودی از همه حوزههای عملکردی سازمان را حیاتی میدانند که هریک از این ورودیها، اطلاعات و بینشهای مرتبطی را ارائه میدهند که میتواند دقت کلی را بهبود بخشد اما کارکنان اغلب قادر نیستند یا تمایلی به همکاری بین واحدهای مختلف برای دستیابی به سطوح بالایی از پیشبینی ندارند. عواقب عدم این ارتباط عبارتند از:
· اطلاعات مهمی از جمله زمان تولید یا محدودیتهای ظرفیت در هنگام نهاییشدن پیشبینی درنظر گرفته نمی‌شود. از آنجایی که این اطلاعات درنظر گرفته نشده است، اعتماد کمی به پیش بینی بهوجود میآید که ناشی از درنظر نگرفتن دیدگاه سایر بخشهاست. این عدم اعتماد، منجر به تلاشهای بینتیجه در پیشبینی میشود.
· پیامد دیگر عدم ارتباط، عدم درک مفروضات مربوط به پیشبینیهاست که منجر به بیاعتمادی بیشتر نسبت به پیشبینیها میشود. (بهطور مثال در شرکتی، یک برنامه‌ریز تولید، پیشبینیها را با در نظر گرفتن فصلی بودن تقاضا تعدیل میکند. با این حال، وی نمی‌دانست که بخش بازاریابی قبلاً این فصلی بودن را در اطلاعاتی که به او داده‌اند، در نظر گرفته است.
برای رفع این مشکل، نیاز به ارتباطات زیادی در سراسر واحدهای مختلف است و همه این ورودیها، اهمیت برابری ندارند. این ارتباط به دو صورت قابل بیان است:
· ارتباط یکطرفه: شرکتهایی که در سطوح پایینتر از پیچیدگی قرار دارند، صرفاً ارتباط یکطرفه برقرار میکنند. این ارتباط میتواند به شکل گزارشهای یکطرفه باشد که در آن واحد پیشبینی، سایر حوزههای عملکردی را از نتایج خود مطلع میکند. در این نوع ارتباط، نمایندگانی از بخشهای مختلف برای بحث در مورد پیشبینی جمع میشوند. با اینحال، اغلب، کسی که مسئول پیشبینی است، بر بحث‌ها مسلط میشود و سعی میکند تا سایر بخشها را متقاعد کند که پیشبینی انجامشده را بپذیرند و مطابق آن برنامهریزی کنند.
· هماهنگی و ارتباط دوطرفه: هماهنگی بهتر از ارتباط یکطرفه است زیرا حداقل فرصتی برای گفتگو وجود دارد. در اینجا، دیدگاه‌های هر حوزه عملکردی، مورد توجه یکسان قرار میگیرد و هیچ بخشی بر بخش دیگر برتر نیست. چنین همکاری زمانی رخ میدهد که فرآیند پیشبینی به جای اینکه بخشی از بازاریابی، مالی، تدارکات یا تولید باشد، در یک بخش مستقل مستقر باشد. هر بخش، با فرضیات، سوگیریها و برنامههای منحصر به فرد خود، می تواند در پیشبینی نهایی کمک کند.
در پیشبینی مؤثر، ایجاد مکانیزمی که افراد را از چندین حوزه سازمانی با روحیه همکاری گرد هم میآورد، بسیار مهم است. چنین مکانیزمی تضمین میکند که تمام اطلاعات مرتبط قبل از ایجاد پیشبینی درنظر گرفته میشوند. تشکیل جلسات منظم و مستندسازی صورت جلساتی، یکی از این مکانیزمها میباشد. نتیجه نهایی یک پیشبینی همگانی است با اعدادی که تمامی بخشها به رسدن به آن کمک کرده‌اند. گامهای تکراری حذف میشوند و همه واحد‌ها میتوانند به نتیجه نهایی اعتماد کنند.
4- حذف بخشهای مجزا تجزیه و تحلیل
واحدهای مجزا تجزیه و تحلیل برای عملکرد شرکت مضر هستند. پیش‌بینی‌هایی که به این روش ارائه میشوند اغلب نادرست و متناقض هستند. هنگامی که از بخشهای کاملاً مجزا استفاده می شود، مفروضاتی که زیربنای پیشبینیها هستند، مانند سطوح قیمتگذاری و برنامههای بازاریابی، از یک بخش به بخش دیگر متفاوت هستند. علاوه براین، هر واحد با یک سوگیری منحصربه‌فرد پیشبینی میکند که برای واحدهای دیگر ناسازگار و غیرقابل استفاده است. این تناقصها و دوبارهکاریها برای شرکت هزینه و زمان و انرژی پرسنل بههمراه دارد که در نهایت باعث ایجاد حس عدم اعتماد در فرآیند پیش بینی میشود.
برای حل این مشکل، مدیریت باید توجه خود را به حذف عواملی که باعث ایجاد واحدهای مجزا تجزیه و تحلیل میشود، معطوف کند. با ایجاد یک فرآیند واحد که توسط یک زیرساخت پیشبینی پشتیبانی میشود، میتوان به این هدف دست یافت. این فرآیند باید شامل نرمافزاری باشد که به طور یکپارچه با سایر سیستمهای اطلاعاتی در شرکت ارتباط برقرار کند. ابزارهای مناسب باید شامل مجموعهای از تکنیکهای آماری، برنامههای گرافیکی و توانایی ثبت و گزارش معیارهای عملکردی در طول زمان باشد. دادههای فروش تاریخی را میتوان از یک پایگاه داده که به طور متمرکز نگهداری میشود، بدست آورد که به صورت الکترونیکی در تمام بخش ها در دسترس است. هنگامی که این زیرساخت پیش بینی ایجاد شد، باید آموزش موثر با هدف درک مشترک از فرآیند و سیستم آن اجرا شود. کارکنان باید برای درک فرآیند کلی، نقش هر فرد در فرآیند و اهمیت پیشبینی دقیق آموزش ببینند. آنها باید بتوانند به طور موثر و کارآمد از سیستم استفاده کنند.
هنگامی که واحدهای مجزا تجزیه و تحلیل حذف شدند، شرکت میتواند انتظار بهبود عملکرد پیشبینی و صرفهجویی قابل توجه در هزینه داشته باشد. هنگامی که سیستمها به صورت الکترونیکی پیوند داده شوند، میتوان از خطاهای ناشی از انتقال دادهها جلوگیری کرد و اطلاعات لازم را برای همه بخشها در دسترس قرار داد. از منظر هزینه، یک فرآیند پیشبینی واحد، تلاشهای مازاد را در شرکت حذف میکند، در نتیجه در زمان کارکنان و سایر منابع صرفهجویی میشود و این بهبود قابل مشاهده خواهد بود.
5- استفاده از ابزارهای منطقی و دقیق
تعدادی شرکتها تمایل دارند برای انجام پیشبینیها، صرفاً از ابزارهای کیفی مانند نظرات مدیران باتجربه یا فروشندگان استفاده کنند و ابزارهای کمی مانند تحلیل رگرسیون و سری زمانی را نادیده بگیرند. از طرفی دیگر، تعدادی از شرکتها استفاده از ابزارهای کمی یا نرمافزارهای کامپیوتری را کلیدی برای حل مشکل پیشبینی میدانند. نکته کلیدی این است که هر دو ابزار کمی و کیفی برای پیشبینی فروش موثر ضروری هستند. با این حال، برای مؤثر بودن، باید آنها را در چارچوب محیط کسب و کار منحصر به فرد شرکت درک کرد و عاقلانه استفاده کرد. برای حل این مشکل هم باید از دادههای تاریخی برای پیشبینی تقاضا استفاده نمود و هم باید از اطلاعات کیفی در مورد ماهیت بازار و آنچه باعث تغییر تقاضا میشود، استفاده کرد.
استفاده عاقلانه از ابزارهای پیشبینی مستلزم دانستن این است که هر نوع ابزار کجا خوب کار میکند و کجا کار نمی‌کند، سپس فرآیندی را در کنار هم قرار داد که از مزایای هرکدام در محیط شرکت استفاده کند. فروشندگان ممکن است در پیشبینی کمی اولیه و تنظیم کیفی آن برای بهبود دقت کلی خوب باشند. مدلهای سری زمانی در شرکتهایی که تغییر روندها و الگوهای فصلی را تجربه میکنند به خوبی کار میکنند، اما در تعیین رابطه بین تقاضا و عوامل خارجی مانند تغییرات قیمت، فعالیتهای اقتصادی، یا تلاشهای بازاریابی شرکت و رقبای آن هیچ فایده‌ای ندارند. از سوی دیگر، تحلیل رگرسیون در ارزیابی این روابط کاملاً مؤثر است، اما در پیشبینی تغییرات روندی و فصلی چندان مفید نیست.
برای اعمال این کلید، فرآیندی باید اجرا شود که از سریهای زمانی برای پیشبینی روند و فصلی بودن، تحلیل رگرسیون برای پیش بینی روابط تقاضا با عوامل خارجی و ورودی کیفی از فروشندگان، بازاریابی و مدیریت عمومی برای تعدیل این پیش بینیهای کمی اولیه استفاده کند.
6- مهم دانستن آن
آنچه اندازهگیری میشود، پاداش میگیرد و آنچه پاداش میگیرد، انجام میشود. شرکتها اغلب به کسانی که پیشبینی میکنند می‌گویند که پیشبینی مهم است اما پس از انجام خوب کار به آنها پاداش نمی‌دهند یا آنها را به خاطر انجام بد آن تنبیه نمی‌کنند. پیشبینی بد باعث دستکاری پیشبینیهای موجود توسط واحدهای دیگر یا در موارد شدید، ایجاد واحدهای مجزا تحلیلی میشود که تلاشهای پیشبینی را تکرار میکنند و ایده‌های ارزشمند را نادیده می‌گیرند.
یکی از راههای سنجش اهمیت پیشبینی برای یک شرکت، تعیین میزان آشنایی مسئولان پیشبینی و توسعه‌دهندگان با کل فرآیند است. بدون چنین آشنایی، افراد درگیر در پیشبینی در سراسر شرکت درک کمی از تأثیر اشتباهات خود دارند و بنابراین بعید است که زمان و توجه لازم را برای انجام خوب کار صرف کنند. در نتیجه، استفادهکنندگان متوجه میشوند که پیشبینیکنندگان کار را جدی نمی‌گیرند و بنابراین ارزش چیزی را که تولید میکنند، کاهش میدهند. برای جل این مشکل راههای مختلفی وجود دارد که عبارتند از:
· به همه افراد درگیر، آموزش کافی داده شود. مسئولان پیشبینی باید بدانند پیشبینیها کجا و چگونه در سراسر شرکت استفاده میشوند. وقتی پیشبینیکنندگان از تمام پیامدهای کار خود آگاه شوند، این کار برای آنها اهمیت بیشتری پیدا میکند.
· گنجاندن معیارهای پیشبینی دقیق در معیارهای ارزیابی عملکرد و پاداش مرتبط با آن
7- اندازهگیری
بدیهی است که قبل از اینکه پیشبینیکنندگان برای دقت و صحت پاداش دریافت کنند، یک شرکت باید ابتدا سیستمهایی را برای ارزیابی عملکرد، ابزارهایی برای ارائه بازخورد و استانداردها و اهدافی برای آنچه که درستی پیشبینی را تشکیل میدهد، توسعه دهد. بدون توانایی اندازهگیری عملکرد، فرصت کمی برای تشخیص اینکه آیا تغییرات در توسعه و کاربرد پیشبینیها به موفقیت کسبوکار کمک میکنند یا مانع آن میشوند، وجود دارد. شرکتها باید دقت پیشبینی را از نظر تأثیر آن بر عملکرد تجاری ارزیابی کنند. پیشبینیهای دقیق نباید به خودی خود یک هدف باشد، بلکه باید وسیله‌ای برای دستیابی به هدف باشد که موفقیت تجاری است. بهبود دقت، مستلزم صرف منابع انسانی و مالی است و باید در چارچوب سرمایهگذاری مورد بررسی قرار گیرد. اگر سرمایهگذاری موردنیاز بالا باشد، بهتر است این سرمایهگذاریها درجاهایی که برتجربه مشتری تاثیرگذار است، انجام شود. دقت اندازهگیری و ردیابی اثرات آن، در نهایت به ایجاد اعتماد در فرآیند پیشبینی کمک میکند، واحدهای مجزا تحلیل شروع به ناپدید شدن خواهند کرد و سازمان قادر خواهد بود بازده مالی حاصل از بهبود پیشبینی را ارزیابی کند.
درنهایت خلاصه این 7 کلید در زیر آورده شده است.
جدول شماره 1: هفت کلید اجرا مدل پیشبینی
کلید واژهها
مسائل و علائم
اقدامات
نتایج
درک کنید که پیش بینی چیست و چه نمیباشد.
· سیستم کامپیوتری به جای تمرکز بر فرآیندها و کنترل های مدیریتی
· نادیده گرفت تمایز بین پیشبینیها، برنامهها و اهداف
· تشکیل گروه پیشبینی
· پیاده سازی سیستم کنترل مدیریت قبل از انتخاب نرمافزار و سیستم پیشبینی تقاضا
· محیطی که در آن پیش بینی به عنوان یک کارکرد حیاتی کسب و کار شناخته می شود
· تاکید بر دقت و حداقلسازی خطا ناشی از عدم اطمینان
پیش بینی تقاضا، نقشه عرضه.
· تاریخچه حمل و نقل به عنوان مبنایی برای پیش بینی تقاضا
· پیشبینیهای بیش از حد دقیق
· منابع اطلاعاتی را شناسایی کنید.
· سیستمهایی بسازید تا دادههای تقاضا کلیدی را جمعآوری کند.
· بهبود برنامهریزی سرمایه و خدمات مشتری
ارتباط و همکاری
· تکرار تلاش برای پیشبینی
· بیاعتمادی به پیشبینی
· درک اندک از تأثیر در سراسر شرکت
· ایجاد رویکرد چندمنظوره و میان واحدی برای پیشبینی
· ایجاد گروه پیشبینی مستقل با ارتباط بین واحدهای مختلف
· تمام اطلاعات مرتبط مورد استفاده برای ایجاد پیشبینیها
· پیشبینیهای مورد اعتماد و دقیقتر
· حذف بخشهای مجزا
حذف بخشهای مجزا تجزیه و تحلیل
· بی اعتمادی و اطلاعات ناکافی باعث می شود تا کاربران مختلف پیشبینیهای خود را ایجاد کنند
· ایجاد یک زیرساخت پیش بینی واحد
· ارائه آموزش برای کاربران و توسعه دهندگان پیشبینیها
· پیشبینیهای دقیقتر، مرتبط‌تر و معتبرتر
· بهینهسازی سرمایهگذاری در سیستمهای اطلاعاتی/ ارتباطی
استفاده از ابزارهای منظقی و دقیق
· تنها با تکیه بر روشهای کمی یا کیفی
· هزینه / فایده اطلاعات اضافی
· ادغام روش های کمی و کیفی
· شناسایی منابع افزایش دقت و خطا
· ارائه دستورالعمل
· بهبود فرآیند در کارایی و اثربخشی
مهم کردن آن
· عدم پاسخگویی برای پیشبینیهای ضعیف
· ندانستن نحوه استفاده از پیشبینیها
· آموزش برای درک پیامدهای پیشبینیهای ضعیف
· لحاظ عملکرد پیشبینیشده در برنامههای ارزیابی عملکرد و سیستمهای پاداش
· جدی گرفتن پیشبینیها
· تلاش برای دقت
· دقت و اعتبار بیشتر
اندازهگیری
· بدون دانستن اینکه آیا شرکت در حال بهتر شدن است یا خیر
· دقت در سطوح مربوطه اندازه گیری نشده است
· ناتوانی در جداسازی منابع خطای پیشبینی
· ایجاد معیارهای چندجانبه و چندسطحی
· دقت را در هر زمان و مکانی که پیشبینیها تنظیم میشوند اندازهگیری کنید
· عملکرد پیشبینیشده را میتوان در ارزیابی عملکرد فردی گنجاند
· منابع خطا را می توان جدا کرد و برای بهبود هدف قرار داد
· اطمینان بیشتر در فرآیند پیشبینی
علیرغم وجود روشهای مختلف پیشبینی تقاضا، بیشتر محققان نتوانستهاند تا فرآیند تولید را یا یک روش انطباق دهند. بااستفاده از مدل اشتباه، خطاهای این انتخاب اشتباه به خطاهای پیشبینی افزوده شده است و انحرافات معناداری را پدید آورده است. برای بالابردن دقت مدل، از روش پویایی سیستم استفاده میکنیم. شرایط عدم قطعیت در بازارهای پیچیده متوسط و بزرگ، موجب میشود تا شناسایی وضعیت آینده اندازه و سهم در یک بازار یا طبقهای از محصولات و بعضا اقدامات تصمیمگیرندگان کلیدی، برای بنگاههای عرضهکننده کالا و خدمات به یک ضرورت استراتژیک تبدیل گردد. مدلسازی پویاییهای سیستم، امکان شناخت کل سیستم بازار و همچنین بهرهمندی از قابلیتهای شبیهسازی در ساخت مدل و تحلیل سناریوهای متنوع را فراهم میآورد. ویژگیهای این رویکرد نهتنها امکان تحلیل و پیشبینی وضعیت بازارهای پیچیده و بزرگ را حاصل میکند بلکه فراتر از آن موجب میشود اجرای صحیح روش به یک درک سازمانی از ساز و کار واقعی سیستم بازار منتهی گردد. رویکرد پویاییهای سیستم در جمعآوری و استفاده از دادهها، قابلیت بهکارگیری انواع اطلاعات کیفی، کمی، دانش خبره در دسترس و همینطور تئوریهای پایهای اقتصادی و بازاریابی را در سطح گستردهای دارا میباشد. تحلیل سناریو در مدلهای پیشبینی پویا با تغییر مفروضات، کمک میکند تا بتوانیم مسیرهای پیشرو را در حالتهای مختلف پیشبینی کنیم که در تصمیمگیریهای کلان کمک شایانی میکند و میتواند به انعطافپذیری بیشتر سازمان نسبت به تغییرات محیط پیرامون منجر شود.
در زیر گامهای لازم برای ساخت مدل مناسب ذکر شده است.
1) پاسخ به سوالات اساسی: در گام اول پیشبینی و برای طی کردن مراحل بعدی، لازم است تا در ابتدا به چند سوال کلیدی پاسخ داد. این سوالات عبارتند از:
· چه کسی: تیم‌های فروش بر اساس مشتریان خود و بسته به این که مشتری، تصمیم‌گیرنده واقعی یا فقط تأثیرگذار است، میتوانند پیشبینی کمابیش، دقیقی داشته باشند.
· چه چیزی: پیشبینیهای شما باید بر اساس مشکلاتی که مشتریان بیان کرده‌اند و شما می‌توانید آنها را به طور منحصر به فرد حل کنید؛ باشد. یعنی دقیقا راه حل‌هایی باشند که قصد فروش آن را دارید.
· کجا: تصمیم به خرید کجا گرفته میشود یا از محصول شما قرار است در کجا استفاده شود؟ تیم‌های فروش وقتی به مرکز اجرا نزدیک‌تر میشوند (حداقل برای بازدید) دقت بیشتری خواهند داشت.
· چرا: در وهله اول چرا مشتری احتمالی یا فعلی شما، خدمات شرکت شما را در نظر گرفته است؟ چه چیز قانع‌کننده‌ای وجود دارد که مشتریان را مجاب به خرید از شما کرده است؟ بدون داشتن دانش محصول و دلیل روشن، ممکن است در معاملات خود به توافق نرسید.
· چگونه: مشتری چگونه تصمیم به خرید میگیرد؟ اگر این موضوع را در پیش بینیهای خود در نظر نمی‌گیرید، احتمالا محاسبات شما فازی خواهد بود.
2) تعیین هدف: تعیین اینکه با این پیشبینی به چه هدفی میخواهیم برسیم؟ شاخصها مدنظر در دقت کدام هستند؟
3) تعیین و انتخاب اقلامی که باید پیشبینی شوند: باتوجه به گستردگی محصولات در برخی از سازمانها، انتخاب محصولات استراتژیک هم در زمان، هم در دقت و هم در هزینه کمک شایانی میکند.
4) تعریف بازار: محدوده تعریف شده برای بازار باید به اندازه‌ای وسیع باشد که تمام مشتریان احتمالی را در بر گیرد. به این ترتیب، هم عوامل محرک به خوبی شناخته میشوند و هم ریسک ظهور ناگهانی محصولات جایگزین کاهش مییابد. محصولات جایگزین، به گزینه‌های مشابهی اطلاق میشوند که امکان دارد مشتری به جای محصول شما مورد استفاده قرار دهد. روشهای متعددی برای اطمینان از در نظر گرفتن تمام محصولات جایگزین (فعلی و احتمالی) وجود دارد. با بررسی مصاحبه‌های مشتریان صنعتی، میتوان نکاتی را دربارهی محصولات جایگزین مورد مطالعه، الگوهای مصرف محصول و درنهایت فرصت‌های تغییر رویکرد در آینده، اطلاعات بیشتری کسب کرد. به علاوه، پژوهش بازار میتواند منجر به ایجاد بینشهای جدید در مورد محصولات مصرفی شود. صحبت با افراد متخصص در زمینه تکنولوژی‌های مرتبط یا مرور تحقیقات صورت گرفته در این زمینه‌ها نیز میتوانند در تشخیص پیشرفت‌های احتمالی تهدیدکننده صنعت مفید باشد. در نهایت، با تعیین دقیق ارزش اقتصادی محصولات جایگزین برای مشتریان مختلف، میتوان به بینش عمیقی از تغییر رفتار احتمالی مشتری در انتخاب محصول دست یافت. مشتریان عمدتا هنگام مواجه شدن با اتمام موجودی، تمایل به خرید محصول جایگزین دارند.
5) تقسیم تقاضای کل یک صنعت به مؤلفه‌های اصلی آن: تقسیم تقاضای کل به مؤلفه‌های اصلی آن به منظور اجرای تحلیل‌های جداگانه است. برای جدا کردن بخشهای تقاضای کل، باید دو معیار را در نظر داشت. اول، باید هر بخش به اندازه‌ای کوچک و همگن باشد که عوامل محرک تقاضا، همواره در سراسر اجزای مختلف آن بخش، قابل اعمال باشد. دوم، هر بخش به اندازه‌ای بزرگ انتخاب شود که ارزش اجرای تحلیل را داشته باشد.
6) تعیین افق زمانی برای پیشبینی: همانطور که اشاره شد، تعیین افق زمانی در انتخاب مدل بسیار مهم میباشد.
7) تعیین و انتخاب مدل پیشبینی: برای اجرا این گام، فرآیندی باید اجرا شود که از سریهای زمانی برای پیشبینی روند و فصلی بودن، تحلیل رگرسیون برای پیش بینی روابط تقاضا با عوامل خارجی و ورودی کیفی از فروشندگان، بازاریابی و مدیریت عمومی برای تعدیل این پیش بینیهای کمی اولیه استفاده کند.
8) تهیه دادههای موردنیاز جهت پیشبینی: جمعآوری دادهها در فرآیند مدلسازی غالبا یکی از مهمترین، پرهزینهترین و زمانبرترین مراحل کار محسوب میشود. وجود اغتشاش در دادهها، نتایج پیش بینی را تا حد بسیار زیادی تحت تأثیر قرار میدهد و بههمین دلیل پیشپردازش دادهها بیش از هر زمانی اهمیت پیدا کرده است.
9) بررسی اعتبار مدل پیشبینی بدست آمده با استفاده از دادههای گذشته
10) انجام پیشبینی اولیه با استفاده از مدل بدست آمده
11) اجرای تحلیل حساسیت برای درک فرضیات بحرانی و تحلیل ریسک پیشبینی اولیه: مدیرانی که بر پیشبینیهای تک نقطه‌ای اتکا میکنند، در معرض ریسک‌های بزرگی قرار خواهند گرفت. در این نوع پیشبینیها، امکان اشتباه شدن برخی از متغیرهای اقتصاد کلان وجود دارد. علاوه بر این، اگر تغییراتی در روند بازار پیش بیاید، حتی با اجرای بهترین تحلیل‌ها نیز امکان اشتباه بودن فرضیات اتخاذ شده برای دیگر عوامل محرک تقاضا وجود خواهد داشت.
12) اجرای نتایج و برنامهریزی برای تولید و توسعه در بلندمدت
در این بخش با استفاده از ابزارهای نوین مانند یادگیری ماشین بهصورت عملی به پیشبینی میزان فروش در آینده میپردازیم. اگر در هنگام پیشبینی بتوانیم میزان فروش آینده را با تخمین خوبی به دست آوریم، میتوان سایر بخشهای خط تولید و زنجیره تامین را نیز با خود همراه کرده به طوری که بالاترین سود ممکن را به دست بیاوریم.
فواید پیشبینی دقیق از میزان فروش آینده عبارتند از:
· بهبود تصمیمگیری در مورد آینده
· همسویی سهمیههای فروش و انتظارات درآمدی
· کاهش زمان صرف شده برای برنامهریزی پوشش قلمرو و تعیین تکالیف سهمیه
· تعیین معیارهایی که میتوانند برای ارزیابی روندها در آینده استفاده شوند.
اما باید به این نکته توجه کرد به دلیل مسایلی که در پایین به آن اشاره خواهیم کرد، همواره نمیتوان پیشبینی دقیقی از میزان فروش ارایه کرد. پس بهتر است برای پیش بینی خود به سراغ بازهای از پیشبینیها برویم تا میزان پیشبینی دقیق را به مسئول مربوطه تحویل دهیم تا مشکلات پیشبینی نشده در زنجیره تامین بهوجود نیاید. این دلایل عبارتند از:
· تغییرات سیاست و سیاسی
· تغییرات قلمرو و محدوده فعالیت
· تغییرات فضای رقابت
· شرایط اقتصادی
· تغییرات صنعت
در ادامه مثال عملی را برای این موضوع انتخاب کرده (پیشبینی فروش ماهانه شرکت تسلا) و روش پیشبینی را بر روی دادههای آن اعمال میکنیم. گامهای طیشده عبارتند از:
1. دادهها را فراخوانی کرده و نمودار فروش را در طی این سالها رسم میکنیم.
from google.colab import files
uploaded = files.upload()
import pandas as pd
import io
df = pd.read_csv(io.BytesIO(uploaded['monthly-car-sales1.csv']))
from matplotlib import pyplot as plt
plt.figure(figsize=(75, 10))
plt.plot(df['Month'],df['Sales'])
plt.show()
شکل شماره 2: رسم دادههای سری زمانی
?
2. در این مرحله به کمک یادگیری ماشینی (روش رگرسیون بیضی) سعی در پیشبینی سال ۲۰۲۱ داریم. اگر چه ما دادههای واقعی در این سال را داریم ولی سعی میکنیم تا با استفاده از دادههای سالیان گذشته، این سال را پیشبینی کنیم که پی ببریم آیا مدل پیشبینی ما بهدرستی کار میکند یا خیر.
df.columns = ['ds', 'y']
df['ds']= pd.to_datetime(df['ds'])
import fbprophet
from fbprophet import Prophet
model = Prophet()
model.fit(df)
future = list()
for i in range(1, 13):
date = '2021-%02d' % i
future.append([date])
future = pd.DataFrame(future)
future.columns = ['ds']
future['ds']= pd.to_datetime(future['ds'])
forecast = model.predict(future)
print(forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']])
model.plot(forecast)
plt.show()
import sklearn
from sklearn import metrics
y_true = df['y'][-12:].values
y_pred = forecast['yhat'].values
mae = sklearn.metrics.mean_absolute_error(y_true, y_pred)
print('MAE: %.3f' % mae)
plt.plot(y_true, label='Actual')
plt.plot(y_pred, label='Predicted')
plt.legend()
plt.show()
شکل شماره 3: استفاده از یادگیری ماشینی برای پیشبینی دادهها
?
?
میبینیم که شکل پیشبینی ما با مقدار واقعی تفاوت اندکی دارد که نشان از درست کار کردن مدل است. خطای محاسبات ما در این پیشبینی به روش MAEبرابر است با:
?
3. حال که back test ما برای سال ۲۰۲۱ بهدرستی و با دقت خوبی کار میکند، وقت آن رسیده تا به پیشبینی سال آینده یعنی ۲۰۲۲ بپردازیم که در زیر شکل پیشبینی فروش برای ماههای این سال را مشاهده میکنید.
شکل شماره 4: استفاده از یادگیری ماشینی برای پیشبینی دادهها سال آتی
?
بهتر است که بعد از این قسمت، عوامل تاثیرگذار بر روی تقاضا ماشینهای تسلا (نظیر قیمت بنزین، قیمت خودروهای بنزینی، قیمت برق و ...) را شناسایی کرده و با استفاده از دادههای تاریخی هریک از این عوامل، مقدار پیشبینی فروش را تعدیل داده و درنهایت مدیران مربوطه پیشبینی نهایی را تایید کنند.
در دنیای کنونی که اطلاعات مهمترین ابزار رقابتی محسوب میشود، هیچ کسبوکاری قادر نیست به تنهایی تمام فعالیتهای زنجیره تأمین را انجام دهد. واضح و مبرهن است که تمام کسبوکارها بدنبال کسب سود بیشتر، سهم بیشتر از بازار، کاهش هزینههای تولید و در نهایت دستیابی به موفقیت و برتری هستند. آنچه مورد توجه کسبوکارهای تراز اول و موفق جهان است، چیزی فراتر از همکاری میان تأمینکننده و تولیدکننده است. آنها به دنبال ایجاد مشارکت میان تأمینکنندگان، تولیدکنندگان، خردهفروشان، عمدهفروشان و مصرفکنندگان هستند. این همکاری و هماهنگی میان شرکای زنجیره تأمین جهت کسب مزیت رقابتی در عرصه تجارت بسیار ضروری و لازم است. با مدیریت درست زنجیره تأمین، همه بازیکنان موجود در زنجیره منتفع شده و ضمناً با ارایه کالای مرغوب و ارزان، جامعه نیز به پویایی و رشد می رسد. یکی از عناصر مهم زنجیره تأمین مشارکتی، تبادل الکترونیکی اطلاعات میان اعضای زنجیره است.
اگرچه مهمترین مزیت تبادل الکترونیکی اطلاعات، بهبود دقت پیشبینی در سراسر زنجیره تأمین مشارکتی است، لیکن نمیتوانیم دیگر مزایای اشتراک اطلاعات را نادیده بگیریم. از این رو در این قسمت، بخشی از مهمترین نتایج تبادل اطلاعات میان شرکای تأمین را به اختصار ذکر میکنیم:
· بهبود عملکرد کلی کسبوکار
· افزایش سود
· بهبود دقت پیشبینی و برآورد میزان دقیق تقاضا بر حسب زمان و مکان
· برقراری توازن میان عرضه و تقاضای محصولات
· افزایش رضایت مشتریان و سرعت پاسخگویی به نیازهای آنان
· تقویت بخش لجستیک و واحد تحقیقات بازار در سازمانها
· ایجاد هماهنگی و اتحاد میان واحدهای مختلف سازمانی
· تقویت مشارکت و همکاری میان شرکای زنجیره تأمین
· کسب مزیت رقابتی پایدار و قابل اتکا
· کسب سهم بیشتری از بازار هدف و رسیدن به رهبری محصول
اشتراک اطلاعات شفاف در زنجیره تأمین مشارکتی این نوید را به شرکا میدهد که عدم اطمینان را کاهش داده و از موجودی مازاد اجتناب شود. سودمندی اشتراک اطلاعات به دو عامل بستگی دارد: یکی محتوا و دیگری استفادهی مناسب از اطلاعات. موج اطلاعات پراکنده یا نبود اطلاعات صحیح یا پیشبینیهای نادرست دربارهی تقاضای مشتری نهایی ممکن است به بالادست زنجیره تأمین برسد و در هر حلقه از زنجیره، نوسان تقاضا را افزایش دهد. این نوسان به موجودیهای احتیاطی بیشتر، خدمت ضعیفتر به مشتری، کاستی در اجرای برنامه زمانبندی تولید، ناکارآمدی در حملونقل و هزینههای بیشتر میانجامد. (اثر شلاقی: اثر شلاقی اشاره به این قانون دارد که نوسانات تقاضای آخرین سطح مشتری در زنجیره تأمین با حرکت درطول مراحل زنجیره تامین افزایش مییابد. این پدیده خصوصا در سالهای اخیر توسط بسیاری از تأمینکنندگان و تولیدکنندگان حتی در زمانیکه تقاضای مشتریان نهایی زنجیره چندان هم نوسان ندارد، مشاهده شده است) مؤثرترین راه برای پیوند شرکتها با یکدیگر و بهرهمندی آنها از مزایای یکپارچگی، به اشتراکگذاری اطلاعات است.
موانع موجود در تبادل دادههای الکترونیکی در پیشبینی تقاضا در مدیریت زنجیره تأمین عبارتند از:
· مدیریت و کنترل فعالیتهای زنجیره تأمین از قبیل برنامه ریزی عرضه و تقاضا، تهیه مواد، تولید و برنامهریزی محصول، خدمات نگهداری کالا، کنترل موجودی، توزیع، تحویل و خدمت به مشتری که قبلاً همگی در سطح شرکت انجام میشده است.
· وجود هزینههای فراوان در استقرار زنجیره تأمین مشارکتی
· نبود اطلاعات کامل و جامع دربارهی فرآیندهای زنجیره تأمین مشارکتی و عناصر تشکیل دهندهی آن
· اجتناب برخی از اعضای زنجیره تأمین از ارائه اطلاعات صحیح و کامل
· ضعف حلقههای زنجیره تأمین شرکا
برای پیادهسازی پیشبینی تقاضا دز سطح زنجیره تامین، توصیه میگردد تا از روش CPFR استفاده گردد. از مهمترین مشکلات زنجیره تأمین عدم برقراری ارتباط صحیح، دقیق و بهموقع بین اجزای آن و وجود عدم اطمینان در عرضه و تقاضاست که تکنیک CPFR با توجه به خصوصیات منحصر به فرد خود، میتواند یکی از بهترین روشها در حل این موانع و بسیاری از مشکلات دیگر زنجیره تأمین باشد. هنگامی که نیاز سالانه مشتریان برای یک محصول درست تخمین زده نشود، مشکلاتی برای تصمیمگیری صحیح درباره میزان تولید به وجود میآید. عوامل غیرقابل پیشبینی از قبیل آب و هوا، تاخیرات مربوط به حملونقل و مشکلات تولید میتوانند به شدت بر تعادل عرضه و تقاضا آسیب وارد کنند. عدم هماهنگی میان میزان و زمان عرضه و تقاضا باعث خواهد شد که یا فروشندگان با حجم انبوهی از موجودی انبار مواجه شوند و یا ریسک ناشی از ناتوانی برآوردن تقاضای مشتریان را که خود عامل مشکلات دیگری است، تحمل کنند. اغلب مدلهای زنجیره تأمین تنها یکی از شرکای زنجیره تأمین را راضی میکنند، در حالیکه CPFR به عنوان مدلی که چندسالی بیشتر از تولید آن نمیگذرد، قادر است تمام شرکای زنجیره تأمین اعم از تأمینکننده، تولیدکننده، خردهفروش، عمدهفروش و مصرفکننده را به اهداف و خواستههایشان برساند. هدف طلایی در CPFR به صورت وضعیت برنده – برنده – برنده – برنده برای تأمینکننده، تولیدکننده، توزیعکننده و مصرفکننده دنبال میباشد.
اساس روش CPFR، به اشتراك گذاشتن تمام اطلاعات موجود در زنجيره تامين است، سپس اين اطلاعات يكپارچه ميشوند و در جهت بهبود كارايي زنجيره تامين اثر ميكنند. درنهایت همه شركا در زنجيره تامين، يك پيشبيني همزمان و همگام را انجام میدهند. CPFR يك فرايند بازرگاني است كه ميخواهد موانع ميان فعالان مختلفي كه به صورت سنتي در زنجيره تامين حضور دارند را از بين ببرد. نتيجه اين است كه يك محيط يكپارچه و مشترك جهت به اشتراك گذاشتن اطلاعات بازرگاني ايجاد ميشود. مراحل اجرای CPFR عبارت است از:
· تعريف و توسعه مقدمات و مقررات همكاري: در اين مرحله، فروشندگان و خريداران گرد هم ميآيند و قواعدي را براي كار مشترك و همكاري خود تعريف مي كنند. اين كار شامل تعيين انتظارات هر بخش، عملكردها، توافقات مربوط به اعتماد و كار صادقانه و تهيه منابع لازم براي موفقيت است. در اين مرحله، شركا تلاش ميكنند تا مقدمات و ترتيب كلي كسبوكار مورد نظر را درك كنند و اهداف همكاري و مشاركت، نوع اطلاعات به اشتراك گذاشته شده و نقش و مسئوليت هر بخش را مشخص كنند.
· ايجاد طرح تجاري مشترك: در اين مرحله شركاي تجاري اطلاعاتشان را در خصوص استراتژي‌هاي مشاركت و طرحهاي تجاري به منظور رسيدن به يك طرح تجاري مشترك مبادله ميكنند. اين تلاش مشترك باعث بهبود كيفيت كلي پيش‌بيني‌ها به وسيله ثبت اطلاعات هر دو طرف، مي شود. اين طرح، همچنين باعث تسهيل ارتباطات و هماهنگيها در طول زنجيرهتامين خواهد شد. اين امر بايد هر سه يا شش ماه يكبار مورد تجديد نظر قرار گيرد. به طور يقين در اين مرحله حجم وسيعي از اطلاعات ميان شركا جريان خواهد داشت. هر كسي چه چيزي به دست ميآورد؟ كجا؟ چگونه؟ و به چه ميزان؟ خروجي اين مرحله يك طرح تجاري مشترك و پذيرفته شده توسط طرفين است كه در آن كليه نقشها، استراتژيها و فنون همكاري به صورت شفاف تعريف شده است. اين طرح تجاري مشترك، اساس پيشبيني خواهد بود.
· انجام پيشبيني فروش: در اين گام اطلاعات مربوط به پايانههاي فروش، ميزان مصارف كارخانه، آمار برگشت از فروش و اطلاعات مربوط به دلايل آنها، وقايع و رويدادهاي مرتبط با برنامهريزي و پيشبينيهاي فروش براي حمايت از طرح تجاري مشترك مورد استفاده قرار مي گيرد.
· شناسايي خطاهاي پيش بيني فروش: در اين مرحله مواردي كه از چارچوب ارقام پيشبيني فروش، انحراف دارند، شناسايي ميشوند تا توسط فروشنده و خريدار هماهنگيهاي لازم به عمل آيد. ضوابط و معيارهاي مربوط به چارچوب هر كالايي در گام اول مورد موافقت قرار گرفته است، لذا خروجي اين مرحله ليستي از خطاهاست كه براي انجام گام بعدي ضروري است.
· بررسي دوباره خطاهاي پيشبيني فروش: خطاهاي شناسايي شده در گام چهارم در اين مرحله با روشهايي مانند كنكاش و تحقيق در اطلاعات به اشتراك گذاشته شده، مكالمات تلفني، جلسات حضوري، مكاتبه و ساير روشها دوباره بررسي شده و نتايج به دست آمده و پيشبينيهاي نزديك به آنها به تمام اعضا پيشنهاد ميشوند. تعاملات مشترك بين فروشندگان (تامين كنندگان) و خريداران و ساير اجزاي زنجيره تامين باعث حذف خطاهاي پيشبيني ميشود.
· انجام پيشبيني سفارش كالا: در اين گام اطلاعات پيشبيني فروش، اطلاعات مربوط به پايانههاي فروش و مصرف و ساير اطلاعات مانند سياستهاي موجودي با هم تركيب شده و يك پيشبيني سفارش كالا به وجود مي آيد. اين پيشبيني هم از پيشبيني فروش و هم از طرح تجاري مشترك پشتيباني ميكند. اين پیشبيني سفارش به فروشندگان جهت تنظيم ميزان توليد با مقدار تقاضا كمك زيادي ميكند. اين مسئله به خريداران نيز براي افزايش اطمينان از تحويل بموقع سفارشها كمك ميكند.
· شناسايي خطاهاي پيشبيني سفارش كالا: در اين مرحله مواردي كه از چارچوب ارقام پيشبيني سفارشهاي كالاها خارج ميشوند، شناسايي شده و هماهنگيهاي لازم توسط فروشنده و خريدار در مورد آنها به عمل مي آيد. با توجه به اينكه ضوابط و معيارهاي مربوط به چارچوب هر كالايي در گام اول مورد موافقت قرار گرفته است، لذا خروجي اين مرحله ليستي از خطاهاست كه براي گام هشتم ضروري است.
· بررسي دوباره خطاهاي سفارشها: در اين مرحله استثناها و خطاهاي شناسايي شده در گام 7 با روشهاي گفته شده در گام 5 دوباره بررسي شده و پيشبينيهاي نزديك به آنها در نظر گرفته مي شوند. در واقع تا اين مرحله نتايج بررسي اطلاعات مختلف مانند POS (پايانههاي فروش)، سفارشها، محموله‌ها و موجوديهاي در دست، به اشتراك گذاشته شدهاند و مشكلات صحت پيشبيني، وضعيت مازاد نياز يا كسر نياز و مباحث اجرايي، شناسايي و تصميمگيري شدهاند.
· ايجاد سفارشها: آخرين مرحله، تغييرات و تفاوتهاي ميان پيشبينيهاي سفارشها نسبت به سفارشهاي قطعي و تعهد شده را نشان ميدهد. سفارشهاي پذيرفته شده باتوجه به پيشبيني سفارش كالا، توليد ميشوند. هر فروشنده يا خريداري ميتواند سفارش توليد را با توجه به صلاحيتها، سيستمها و منابع و امكانات خود اداره كند.
توصیه میگردد تا در هریک از مراحل پیشبینی، از مدل توضیه داده شده برای یک شرکت استفاده گردد تا پیشبینیها قابل اتکاتر شود. یکی از عواملی که سبب تعدیل اثر شلاقی میشود، انتخاب صحیح سیاست سفارشدهی است. با توجه به اهمیت پیشبینی تقاضا و محاسبه میزان سفارش در زنجیرهی تأمین در صورتی که میزان تقاضا و سفارش به درستی محاسبه و پیشبینی شوند، میتوان اثر شلاق چرمی را کاهش داد و ضمن جلوگیری از تولید مازاد بر تقاضا، هزینههای تحمیلی به واحدهای اقتصادی در زنجیرهی تأمین را بهطور چشمگیری کاهش داد. عدم اطمینان تقاضا عامل خطرناکی است که بیشترین تأثیر را بر عملکرد زنجیره تأمین دارد.
باتوجه به اهمیت دادهها در طول زنجیره تامین، توصیه میگردد تا از قابلیتهای اینترنت اشیا برای جمعآوری و بهاشتراکگذاری دادهها در لحظه و درسطح شبکه استفاده کرد تا بتوان اثر شلاقی را نیز کاهش داد.
اهمیت پیشبینی تقاضا بر هیچ شخصی پوشیده نیست. این مقاله به ارائه مدلی برای پیشبینی تقاضا پرداخت و از نمونه عملی نیز برای پیادهسازی مدل استفاده نمود هرچند بهتر بود که سایر مراحل از جمله تحلیل رگرسیون و تعدیل با دادههای کیفی انجام میشد و پیشنهاد میشود که در مقالات آتی این موارد نیز ذکر شود.
برای پیشبینی بهتر توصیه میگردد تا پیشبینی تقاضا در طول زنجیرهتامین صورت گیرد تا هم اثرات منفی شلاق چرمی کمتر شده و هم دقت پیشبینی بالاتر رود. اگر امکان همکاری با شرکتها در طول زنجیره تامین نبود (بهعلت خطرات احتمالی ادغام عمودی) بهتر است تا مدل پیشنهادی در سازمان پیادهسازی شود.
پیادهسازی این مدل نیازمند صرف هزینه، زمان و تغییرات فرهنگ سازمانی است اما فواید آن بسیار بیشتر از هزینههای آن است و اگر سازمانها به این موارد توجه نکنند، از فضای رقابتی جا میمانند. همچنین توصیه میگردد تا از ویژگیهای متاورس برای پیشبینی دقیقتر استفاده کرد (باتوجه به نوع کسبوکار نظیر استفاده از فروشگاه مجازی در فضای مجازی برای ارائه محصولات جدید تا بتوان علایق و اقبال عموم مردم را به محصولات جدید بدست آورد و از این فضا برای پیشبینی تقاضا برای محصولاتی که دادهای برای آنها موجود نیست، استفاده کرد.
[1]
Yavuz Acara & Everette S.GardnerJr. "Forecasting method selection in a global supply chain", International Journal of Forecasting, 2012.
[2]
Senthil Murugan Nagarajan, Ganesh Gopal Deverajan, Puspita Chatterjee, Waleed Alnumay, V. Muthukumaran "Integration of IoT based routing process for food supply chain management in sustainable smart cities", Sustainable Cities and Society, 2022.
[3]
Mark A. Moon, John T. Mentzer, Carlo D. Smith and Michael S. Garver "Seven Keys to Better Forecasting", Business Horizons, 1998.
نامی، علی و حسینی، سید محمد مهدی، 1400، بررسی ترکیبهای روشهای پیشبینی تقاضا دریک زنجیره تامین پنج سطحی بر کاهش اثر شلاق چرمی، دومین کنفرانس بینالمللی چالشها و راهکارهای نوین در مهندسی صنایع و مدیریت و حسابداری، دامغان
[4]
مرادی، مهسا و کوشا، حمیدرضا و پیرایش، محمدعلی، 1398، پیشبینی تقاضا با درنظر گرفتن کالای رقیب: نمونه موردی، پنجمین کنفرانس بینالمللی مهندسی صنایع و سیستمها، مشهد
[5]
جعفرنیا، فضه و جوکار، علی اکبر و وحدت، داود، 1393، CPFR تکنیکی برای پیشبینی تقاضا در زنجیره تأمین مشارکتی، سومین همایش ملی سالیانه علوم مدیریت نوین،گرگان
[6]
موسوی ضیابری، سیده زهرا و عزمی، رضا، 1398، پیشبینی تقاضا برای قیمتگذاری پویا در بازارهای برق هوشمند، دهمین کنفرانس فناوری اطلاعات و دانش، تهران
[7]
محمدی فرد، کبری و مظاهری، الناز و فتوحی، حسین، 1393، دادهکاوی در پیشبینی تقاضا، اولین کنفرانس ملی مهندسی برق دانشگاه آزاد اسلامی واحد لنگرود، لنگرود
[8]
جعفرنیا، فضه و ضیایی، علی اکبر و وحدت، داود، 1393، ارائه راهکاری جهت بکارگیری تکنیکهای تبادل الکترونیکی اطلاعات به منظور بهبود پیشبینی تقاضا در زنجیره تأمین مشارکتی، سومین همایش ملی سالیانه علوم مدیریت نوین،گرگان
[9]
موتمنی، علیرضا و رضائی، مصطفی و احقاقی، مریم، 1392،طراحی مدل پیشبینی تقاضا در صنعت کاشی و سرامیک
[10]
فرشادفر، ابراهیم و اردوبادی، ژوبین و رهایی، امین، 1390،تحلیل و پیشبینی تقاضا با رویکرد پویاییهای سیستم، نخستین کنفرانس ملی رویکرد سیستمی در ایران،شیراز
[11]
فائضی راد، محمدعلی و پویا، علیرضا و ناجی عظیمی، زهرا و امیر حائری، مریم، 1400، پیشبینی تقاضا در سیستمهای رزرواسیون دانشگاهی با هدف کاهش ضایعات مواد غذایی به کمک شبکههای عصبی با تابع خطای موزون
[12]
دهشیری، محمدعلی و شکرگذار، مهدی و خدایی، علی، 1394، مدلسازی پیشبینی عرضه و تقاضا در حمل و نقل با استفاده از پارامترهای هوش مصنوعی (مدل بیزین)، چهاردهمین کنفرانس بینالمللی مهندسی حمل و نقل و ترافیک، تهران
[13]
