التنبؤ بالمخزون لغير علماء البيانات يبدو أصعب مما هو عليه في الحقيقة. معظم الفرق لا تحتاج إلى نموذج صندوق أسود. تحتاج إلى تاريخ مبيعات نظيف، وطريقة قابلة للتكرار، ووسيلة لاكتشاف متى تكذب البيانات. إذا نفد صنف يوم الجمعة الماضي، فالجدول لا ينقصه حسابات - بل ينقصه سياق.
هذا خبر جيد، لأن الأساليب البسيطة غالبًا ما تكون أقوى مما يتوقع الناس. في مراجعة غرين وآرمسترونغ في مجلة أبحاث الأعمال، وجد المؤلفون 97 مقارنة عبر 32 ورقة بحثية ولا توازن في الأدلة على أن التعقيد الإضافي يحسن دقة التنبؤ. التنبؤ لا يزال صعبًا، لكن الفوز الأول عادة يأتي من الانضباط، وليس من البرمجيات الفاخرة.
التوقع المفيد ليس الذي يحتوي على أكثر عدد من علامات التبويب. بل هو الذي يستطيع المشتري شرحه، والتشكيك فيه، واستخدامه قبل موعد الطلب التالي.
ماذا يفعل التنبؤ المفيد بالمخزون فعلاً
التنبؤ هو تقدير للطلب المستقبلي خلال نافذة زمنية محددة. بالنسبة للمخزون، يجب أن تتوافق تلك النافذة مع إيقاع الشراء: المهلة الزمنية للمورد بالإضافة إلى الوقت حتى المراجعة التالية. إذا كنت تطلب كل يوم اثنين والمورد يستغرق 21 يومًا، فأنت تهتم بالأيام الـ 28 القادمة، وليس بمتوسط سنوي نظري.
يمنحك التنبؤ تحذيرًا كافيًا لإعادة الطلب قبل أن تصل عناصر الفئة A إلى نفاد مخزون يمكن تجنبه.
يمنع العناصر البطيئة من استنزاف رأس المال العامل لمجرد أن شخصًا ما طلب كمية إضافية ليشعر بالأمان.
يمكن للمبيعات والمشتريات والعمليات أن تتناقش حول رقم واحد بدلاً من الدفاع عن ثلاثة تقديرات حدسية مختلفة.
التوقعات ليست وعودًا. إنها نقاط انطلاق. لا تزال بحاجة إلى إضافة مشكلات الموردين، والأحداث التجارية، والحكم المهني. الهدف ليس الكمال. الهدف هو تقليل المفاجآت.
ابدأ بالأساليب البسيطة، ثم أضف التعقيد فقط عندما يستحق
يصف دليل NIST للتمهيد حساب المتوسطات باعتباره أبسط طريقة لتمهيد البيانات وتقليل التباين العشوائي. وهذا بالضبط من أين يجب أن تبدأ معظم فرق المخزون. إذا كان تاريخك مستقرًا بشكل معقول، فإن المتوسطات المتحركة البسيطة وأساليب التمهيد ستمنحك خطًا أساسيًا تشغيليًا بسرعة.
الطريقة 1: المتوسط المتحرك للطلب المستقر
يأخذ المتوسط المتحرك آخر فترات مماثلة ويحسب متوسطها. إذا كنت تتنبأ أسبوعيًا، فالمتوسط المتحرك لـ 4 أسابيع غالبًا ما يكون كافيًا للبدء. مثال: إذا بيعت 92 و104 و96 و108 وحدات في الأسابيع الأربعة الماضية، فتوقع الأسبوع القادم = (92 + 104 + 96 + 108) / 4 = 100 وحدة.
توقع الأسبوع القادم = (الأسبوع -1 + الأسبوع -2 + الأسبوع -3 + الأسبوع -4) / 4. استخدم فترات قابلة للمقارنة: أسابيع مع أسابيع، أشهر مع أشهر.
الطريقة 2: التمهيد الأسي عندما يكون التاريخ الحديث أهم
إذا كانت المبيعات الأخيرة أهم من التاريخ القديم، انتقل إلى التمهيد الأسي البسيط. في التنبؤ: المبادئ والممارسات، يعرضه هيندمان وأثانسوبولوس كمتوسط مرجّح بين أحدث قيمة فعلية والتوقع السابق. بلغة بسيطة: الأمس يهم أكثر من الربع الماضي، لكن الربع الماضي ليس مُتجاهلًا. وهذا يجعل التمهيد مفيدًا عندما ينزلق الطلب تدريجيًا ولكن بدون موسمية قوية.
الطريقة 3: أضف عاملاً موسميًا عندما يهم التقويم فعلاً
إذا كان الطلب يرتفع وينخفض بنمط تقويمي متكرر - هدايا ديسمبر، عطلات نهاية أسبوع الصيف، موسم العودة إلى المدارس، طلبات نهاية الشهر - افصل التأثير الموسمي عن المستوى الأساسي. في التنبؤ: المبادئ والممارسات، الخطوة العملية هي التنبؤ بالسلسلة المعدّلة موسميًا ثم إعادة النمط الموسمي. هذا وصف تقني لفكرة بسيطة: ديسمبر هذا العام يجب أن يشبه ديسمبر الماضي أكثر من مايو الماضي.
الموسمية تستحق الجهد. في نفس مراجعة غرين وآرمسترونغ، خفض التعديل الموسمي MAPE من 23.0 إلى 17.7 بالمائة على 68 سلسلة شهرية في مسابقة M الأصلية. هذا تذكير مفيد بأن الهيكل التقويمي البسيط يمكن أن يتفوق على الكثير من الرياضيات الإضافية.
استخدم متوسطًا متحركًا من 4 إلى 8 فترات عندما يُباع الصنف بانتظام والمستوى لا ينزلق كثيرًا.
استخدم التمهيد الأسي البسيط عندما يتحرك الطلب تدريجيًا والفترات الأخيرة تستحق وزنًا أكبر.
استخدم توقعًا أساسيًا مع عوامل موسمية عندما يتكرر نفس الارتفاع التقويمي بشكل كافٍ للوثوق به.
نظّف التاريخ قبل أن تثق بالحسابات
طريقة التنبؤ مهمة، لكن جودة المدخلات أهم. المرتجعات، والطلبات الاستثنائية للمشاريع، ونقص شحنات الموردين، والارتفاعات الترويجية كلها يمكن أن تشوّه خط الأساس. إذا أدخلت ضوضاء في النموذج، فأنت تؤتمت حكمًا سيئًا فقط.
نفاد المخزون هو الفخ الأكبر. في بحث حول التنبؤ بالطلب في ظل سياسات المبيعات المفقودة، يلاحظ المؤلفون أنه إذا كان المخزون متاحًا بشكل كافٍ، فإن المبيعات تمثل تقديرًا غير متحيز للطلب، لكن في حالة نفاد المخزون، تقلل المبيعات من تقدير الطلب وتدفع التوقعات نحو الانخفاض. وهذا يخلق الدوامة التي يكرهها المشغلون: توقع أقل، طلب أقل، نفاد مخزون، تكرار.
عندما يكون الرف فارغًا، تتوقف المبيعات عن قياس الطلب وتبدأ في قياس التوافر.
مثال بسيط لتعديل نفاد المخزون
لنفترض أن صنفًا باع 210 وحدات في شهر مدته 30 يومًا، لكنه كان متاحًا فقط لمدة 21 يومًا. المعدل اليومي الساذج هو 7 وحدات. المعدل المعدّل لنفاد المخزون هو 10 وحدات لأن 210 / 21 = 10. لتخطيط التجديد، الرقم الثاني أقرب بكثير للواقع. الرقم الأول يدمج نفاد المخزون في توقعات الشهر القادم.
قواعد تنظيف التاريخ
- حدد فترات نفاد المخزون:تتبع الأيام أو الأسابيع ذات التوافر الصفري حتى يتم استبعادها أو تعديلها، وليس حسابها في المتوسط.
- افصل العروض عن خط الأساس:أسبوع تصفية أو ارتفاع تسويقي يجب أن يكون في عمود أحداث منفصل، ولا يضخم التوقع الأساسي بشكل دائم.
- أزل الطلبات الاستثنائية:المشتريات الكبيرة للمشاريع، والتعبئة الأولية للإطلاق، والتحويلات الداخلية هي أحداث تخطيط، وليست طلبًا عاديًا.
- استخدم حقيقة المخزون، وليس المبيعات فقط:إذا كانت دقة السجلات ضعيفة، أصلح الجرد أولاً. سجلات المخزون القذرة تشوّه كلاً من التاريخ والشراء. انظر تكلفة مستويات المخزون غير الدقيقة.
- تنبأ بالعائلات قبل المتغيرات عند الحاجة:التاريخ الضعيف على متغيرات الحجم واللون أو العبوات غالبًا ما يتنبأ بشكل أفضل على مستوى المجموعة أولاً، ثم يوزّع لأسفل.
سير عمل في جدول بيانات يمكنك تشغيله كل يوم اثنين
يمكنك تشغيل توقع محترم في ورقة واحدة بصفوف لكل SKU وأعمدة لآخر 12 إلى 24 فترة، وأعلام التوافر، وملاحظات الأحداث، والتوقع، والفعلي، والخطأ. الهدف ليس إنشاء نموذج جميل. الهدف هو إنشاء روتين قابل للتكرار.
روتين التنبؤ ليوم الاثنين
- صدّر التاريخ حسب الأسبوع أو الشهر:الأسبوعي أفضل للعناصر سريعة الحركة. الشهري يكفي للعناصر الأبطأ في الكتالوج.
- أضف عمودين مساعدين:واحد لحالة التوافر، وواحد لملاحظات الأحداث. هذان الحقلان يمنعان عددًا مفاجئًا من التوقعات السيئة.
- اختر طريقة أساسية واحدة لكل فئة أصناف:ابدأ بالمتوسطات المتحركة للعناصر المستقرة والتمهيد للعناصر المنزلقة ببطء.
- طبّق الموسمية فقط عندما تتكرر:إذا استطعت الإشارة إلى نفس الارتفاع التقويمي أكثر من مرة، أضف عاملاً موسميًا. وإلا، ابقِ الأمر بسيطًا.
- تنبأ بنافذة التجديد:تنبأ بالطلب خلال المهلة الزمنية للمورد بالإضافة إلى الفجوة حتى مراجعة الطلب التالية.
- سجّل كل تعديل يدوي:إذا قالت المبيعات إن فوز عميل يضيف 300 وحدة الشهر القادم، أدخل التعديل والسبب. التعديلات المخفية تدمر التعلم.
ثلاثة فحوصات دقة يمكن لأي شخص حسابها
لا تحتاج إلى لوحة تحكم مليئة بالإحصائيات. تحتاج فقط إلى بضعة مقاييس تخبرك ما إذا كان التوقع خاطئًا بشكل منهجي وبأي مقدار.
متوسط الخطأ ذو الإشارة. الانحياز الإيجابي يعني أنك تبالغ في التوقع باستمرار. الانحياز السلبي يعني أنك تقلل من التوقع بشكل مزمن وتدعو لنفاد المخزون.
متوسط الخطأ المطلق، أي متوسط الفارق بالوحدات. كما يشير غرين وآرمسترونغ، فإن MAE مقياس بسيط ومفيد لقرارات الإنتاج ومراقبة المخزون.
النسبة المئوية المرجّحة للخطأ المطلق. تستخدم مستندات تخطيط الطلب في AWS Supply Chain WAPE كمقياس دقة إجمالي لأنه يوضح الفارق الكلي للتوقع مقارنة بالطلب الفعلي الإجمالي.
استخدم MAPE بحذر. في دليل دقة هيندمان، يصبح MAPE غير محدد عندما يكون الطلب الفعلي صفرًا ويمكن أن ينفجر عندما تكون القيم الفعلية قريبة من الصفر. وهذا يجعله خيارًا سيئًا للعناصر البطيئة، وعناصر الإطلاق، أو أي سلسلة ذات فترات طلب صفري متكررة.
ابدأ بالانحياز وMAE وWAPE. أضف مقاييس أكثر تعقيدًا فقط بعد أن تستقر هذه الثلاثة ويُفهم معناها.
اختبر بأثر رجعي قبل أن تدخله في قرارات الشراء
التوقع لا يكون جاهزًا لأنه يبدو معقولاً. يكون جاهزًا بعد أن تختبره على فترات سابقة لم يرها. يصف دليل هيندمان للتحقق المتقاطع للسلاسل الزمنية نقطة أصل التنبؤ المتحركة: تتقدم عبر التاريخ، وتتنبأ للأمام، وتحسب متوسط الأخطاء. هذه هي النسخة الناضجة من سؤال "هل كان هذا سينجح في الربع الماضي؟"
اختبار رجعي سريع
- احجز آخر 8 إلى 12 فترة:لا تستخدمها لبناء النموذج الأول.
- شغّل كل طريقة مرشحة:المتوسط المتحرك، والتمهيد، وأي نسخة موسمية تريد مقارنتها.
- قِس الانحياز وMAE وWAPE:قيّم الطرق على فترات لم ترها.
- اختر الطريقة التي يستطيع الفريق شرحها:إذا كانت طريقتان متقاربتين، اختر التي سيحافظ عليها الفريق فعلاً.
اعرف أين يعاني جدول البيانات
- المنتجات الجديدة: استعِر تاريخًا من صنف مشابه، أو فئة، أو خطة إطلاق لأن المنتج الجديد ليس لديه نمط مستقر بعد.
- الطلب المتقطع أو المتكتل: تنبأ على مستوى العائلة أو الفئة أولاً، ثم خطط للتجديد الفردي بمراجعة يدوية أكثر.
- العروض وأعمال المشاريع: أضف تعديلات الأحداث بشكل منفصل بدلاً من مطالبة النموذج الأساسي بتخمين الأحداث الخاصة.
- دقة مخزون ضعيفة: إذا كانت عمليات الاستلام والتعديلات ومراقبة المواقع ضعيفة، أصلح العملية أولاً. التوقع المبني على سجلات سيئة لا يزال يشتري الكمية الخاطئة.
هنا يكون تحديد الأولويات مهمًا. استخدم تحليل ABC لتقرير أي العناصر تستحق أكبر قدر من اهتمام التنبؤ، وادمج التوقع مع مراجعة منضبطة لمخزون الأمان حتى لا يتحول عدم اليقين إلى إفراط شامل في الشراء.
الخلاصة النهائية
التنبؤ بالمخزون لغير علماء البيانات يتعلق بالصدق التشغيلي أكثر من الرياضيات المتقدمة. نظّف التاريخ. ابدأ بالمتوسطات المتحركة أو التمهيد. أضف الموسمية فقط عندما تتكرر. قِس الانحياز والخطأ المطلق. اختبر بأثر رجعي قبل أن تثق بالرقم.
الخطوة التالية: اختر 20 منتجًا مهمًا، وابنِ ورقة أسبوعية واحدة، وقارن التوقع بالفعلي لمدة 8 أسابيع. بعد ذلك، سيتوقف التنبؤ عن الشعور بأنه نظري ويبدأ في أن يصبح جزءًا من طريقة شرائك.