یادگیری ماشین در برنامه‌ریزی تقاضا انقلابی ایجاد خواهد کرد!

برنامه‌ریزی برای تقاضا چیست؟

ایجاد محصولاتی که فروش خوبی ندارند هزینه‌بر است - کسب و کارها برای انبار کردن موجودی اضافی متحمل هزینه‌های انبار می‌شوند، و آن‌ها هر بار که موجودی را تغییر می‌دهند یا دوباره بسته‌بندی می‌کنند متحمل هزینه می‌شوند. در نهایت، آن‌ها اغلب نیاز دارند تا موجودی قدیمی را با تاریخ گذشته یا پایان تاریخ مصرف از بین ببرند. با ترکیب این هزینه‌ها، مدیریت ۱۰۰ دلار موجودی به طور متوسط سالانه ۲۰ دلار برای شرکت‌ها هزینه دارد.

به دلیل هزینه بالای نگهداری موجودی مازاد، کسب و کارها پیش‌بینی‌های تقاضای آینده را از طریق فرآیندی موسوم به برنامه‌ریزی تقاضا انجام می‌دهند.

برنامه‌ریزی تقاضا فرآیند پیش‌بینی تقاضای آینده برای یک محصول است به طوری که زنجیره عرضه موجودی کافی برای برآورده کردن تقاضای مشتری دارد.

با شناخت فروش احتمالی محصولات آینده، زنجیره تامین کسب‌وکار می‌تواند محصولات کافی برای برآوردن تقاضای مشتری تولید کند، در حالی که در عین حال مقادیر زیادی از موجودی فروخته‌نشده را ایجاد نمی‌کند.

پیچیدگی برنامه‌ریزی تقاضا: مثالی از غله صبحانه

اغلب شرکت‌های متوسط تا بزرگ در پیش‌بینی کل فروش خوب عمل می‌کنند، اما پیش‌بینی فروش در سطح خاص محصول بسیار دشوار است. فروش یک تولید کننده عمده غلات صبحانه را در نظر بگیرید. در مجموع، فروش همه انواع غلات در ترکیب با هم نسبتا پایدار است. اما وقتی فروش انواع خاص را آنالیز می‌کنید، مشخص است که برخی از انواع از بقیه قابل‌پیش‌بینی ترند. فروش دانه‌های ذرت و غلات با طعم کاکائو از نظر تاریخی نسبتا ثابت است. این دو نوع به احتمال زیاد براساس میانگین فروش در ماه‌های قبل و یا یک مدل سری زمانی ساده پیش‌بینی می‌شوند.

با این حال، فروش غلات خاص به صورت ماهانه فرار است. فروش بخش شماره ۱ بین ماه ۱ و ۴ افزایش چشمگیری داشت، قبل از اینکه در ماه ۵ کاهش یابد. اگر پیش‌بینی درستی از افت فروش در ماه ۵ و ۶ نداشته باشید، کاملا امکان پذیر است که فهرست بیش از حد تولید شده داشته باشید.

در این مثال سریع، من چالش‌های پیش‌بینی تنها چهار نوع محصول مختلف را نشان می‌دهم. اما یک تولید کننده بزرگ غلات احتمالا ده‌ها نوع مختلف دارد - آن‌ها ممکن است بدون گلوتن، شکر کاهش‌یافته، بدون قند، طعم‌های مختلف، اندازه‌های بسته مختلف و محصولات منحصر به فرد برای هر بازار یا کشور تولید کنند. این مساله به سرعت تبدیل به یک تمرین بزرگ برای پیش‌بینی فروش هر محصول می‌شود!

تحلیل رگرسیون: مقایسه ایستا

برای پیش‌بینی فروش محصولات بسیار متغیر، برنامه ریزان تقاضای مهارت اغلب بر همبستگی با عوامل خارجی تکیه می‌کنند. در حالی که فروش تاریخی هر محصول ممکن است کاملا تصادفی به نظر برسد، برنامه‌ریز تقاضا درک می‌کند که بیشتر نوسانات را می توان با ایجاد یک مدل رگرسیون در مقابل داده‌های دیگر توضیح داد.

در ادامه مثال فروش غله - فرض می‌کنیم که ویژگی‌های غله شماره ۱ حاوی موضوع فیلم کودکان است که اخیرا منتشر شده‌است. بنابراین، کاملا قابل‌تصور است که فروش این نوع غله با عملکرد این فیلم در گیشه فروش آن در ارتباط باشد. زمانی که بچه‌ها فیلم را ببینند، آن‌ها (یا والدینشان) در سفر بعدی خود به فروشگاه، غلات را می‌بینند. در این مورد، برنامه ریزان تقاضا در تجارت غلات ممکن است فروش باکس آفیس برای این فیلم را به عنوان یک شاخص پیشرو برای این گونه غلات، که حاوی موضوع فیلم است، مدل کنند.

یادگیری ماشینی: انطباق با دنیای در حال تغییر

تا این لحظه، من هم به مدل‌های سری‌های زمانی و هم به مدل‌های رگرسیون ساده به عنوان تکنیک‌های سنتی اشاره کرده‌ام که از برنامه ریزان می‌خواهند تا تقاضای محصول آینده را پیش‌بینی کنند. هر دو این تکنیک‌ها در اصل مدل‌های استاتیک هستند. یعنی، مدل‌های پیش‌بینی از یک مجموعه ورودی تعریف‌شده استفاده می‌کنند (فروش تاریخی یا داده‌های بازار تعریف‌شده).

امروزه، مقدار زیادی از داده‌های مفید به آسانی در دسترس هستند - تمام انواع داده‌ها، از جمله رونده‌ای صنعت، داده‌های اقتصادی، و حتی پیش‌بینی‌های آب و هوایی و فیدهای شبکه اجتماعی می‌توانند برای بهبود قدرت پیش‌بینی برنامه‌ریزی تقاضا مورد استفاده قرار گیرند. به عنوان مثال، ادامه دادن به مثال فروش غلات - مطالعه اخیر که مزایای سلامتی ناشناخته سبوس جو دوسر را نشان می‌دهد ممکن است بر فروش غلات سبوس جو دوسر در هفته‌های آینده تاثیر بگذارد. به همین ترتیب، افزایش اخیر در قهوه بسته‌بندی‌شده ممکن است باعث افزایش فروش غلات شود که به خوبی با قهوه جفت شده‌اند. سیگنال‌های اجتماعی در یک فیلم به احتمال زیاد بر فروش سیریال که موضوع فیلم است، تاثیر خواهد گذاشت.

هر یک از این عوامل به تنهایی ممکن است تنها به افزایش اندکی در دقت پیش‌بینی کمک کند. با این حال، وقتی چندین عامل با هم ترکیب می‌شوند، ممکن است بهبود چشمگیری ایجاد کنند. در حالی که این در تئوری عالی است، واقعیت این است که این هزینه مانع از آن می‌شود که تحلیل گران کافی برای اجرای تجزیه و تحلیل آماری در برابر تمام عوامل ممکن به کار گرفته شوند.

به همین دلیل، برنامه‌ریزی تقاضا یک برنامه ایده‌آل برای یادگیری ماشین است. با استفاده از الگوریتم‌های پیچیده، برنامه‌های یادگیری ماشین می‌توانند پیش‌بینی‌های بسیار پیش‌بینی‌کننده از مقادیر زیاد داده‌های نامتجانس ایجاد کنند. کاربر معمولا یک مجموعه داده آموزشی را وارد می‌کند که ممکن است شامل هر تعداد داده منبع باشد که ممکن است با فروش محصول مرتبط باشد. سپس نرم‌افزار مشخص می‌کند که کدام سری داده با فروش محصول مرتبط هستند، و یک الگوریتم برای مدل پیش‌بینی ایجاد می‌کند.

مزیت کلیدی فرآیند یادگیری ماشین این است که دینامیک است. به این معنی که کاربر می‌تواند مجموعه داده‌ها را در هر زمانی اضافه کند و به نرم‌افزار اجازه دهد تا تعیین کند که آیا مجموعه داده‌ها پیش‌بینی‌کننده خوبی از فروش برای هر دسته از محصولات است. به عنوان یک مثال ساده: فروش چترها ممکن است با روزهای بارانی مرتبط باشد. به محض تجزیه و تحلیل بیشتر، کاربر ممکن است بخواهد بداند که آیا رویداده‌ای ورزشی نزدیک تاثیری بر فروش چتر دارند یا خیر. انجام تجزیه و تحلیل رگرسیون در برابر هر روز بارانی و رویداده‌ای ورزشی زمان زیادی می‌برد. در عوض، یک برنامه‌ریز تقاضا می‌تواند یک مجموعه داده آموزشی با داده‌های فروش تاریخی، شرایط آب و هوایی و رویداده‌ای ورزشی ایجاد کند. با یادگیری ماشین، او می‌تواند به سرعت ببیند که چه عواملی بر فروش یک منطقه خاص تاثیر می‌گذارند.

پذیرش سریع یادگیری ماشینی

بسیاری از دانشگاه‌های بزرگ در حال حاضر برنامه‌هایی را ارایه می‌دهند که به طور خاص برای مشاغل تجزیه و تحلیل داده‌ها طراحی شده‌اند. به طور مشابه، سازمان‌هایی مانند علم داده داجو، آموزش‌هایی را به طور خاص برای اتخاذ علم داده ارایه می‌دهند. بر این اساس، پیدا کردن افرادی با علاقه و تجربه در حرفه یادگیری ماشینی آسان‌تر خواهد شد.

علاوه بر این، ابزارهای نرم‌افزاری طراحی‌شده برای یادگیری ماشینی در دسترس عموم قرار می‌گیرند. برای مثال، خدمات شبکه آمازون در حال حاضر یک ابزار پیش‌بینی ارائه می‌دهد که به تقریبا هر کسی اجازه می‌دهد تا پیش‌بینی تقاضا را با استفاده از یادگیری ماشین بسازد و گسترش دهد.

نتیجه‌گیری: یادگیری ماشینی برنامه‌ریزی تقاضا را تغییر خواهد داد

همانطور که کاربردهای یادگیری ماشین قابل‌دسترس‌تر می‌شوند، خواهیم دید که سازمان‌های بیشتری اصول یادگیری ماشین را در فرآیند برنامه‌ریزی مورد نیازشان اتخاذ می‌کنند. به جای تکیه‌بر استراتژی چند دهه‌ای استفاده از تحلیل سری‌های زمانی یا رگرسیون ساده، زنجیره‌های تامین بهینه خواهند شد. امروزه، کسب و کارها در اغلب صنایع ۶۰ تا ۹۰ روز موجودی دارند. هنگامی که یادگیری ماشینی گسترده‌تر شد، خواهیم دید که کسب و کارها به طور معمول با کم‌تر از ۳۰ روز موجودی در دسترس اداره می‌شوند.

منتشرشده در: سایت datasciencedojo به تاریخ ۲۷ ژانویه ۲۰۲۰
لینک مقاله اصلی: https://blog.datasciencedojo.com/machine-learning-revolutionize-demand-planning/
این مقاله توسط مترجم هوشمند مقالات علمی تخصصی و به صورت خودکار و با حداقل بازبینی انسانی ترجمه شده و می‌تواند به صورت محدود دارای اشکالات ترجمه باشد.