غیر ڈیٹا سائنسدانوں کے لیے انوینٹری پیشن گوئی

غیر ڈیٹا سائنسدانوں کے لیے انوینٹری پیشن گوئی حقیقت سے زیادہ مشکل لگتی ہے۔ زیادہ تر ٹیموں کو بلیک باکس ماڈل کی ضرورت نہیں۔ انہیں صاف سیلز ہسٹری، ایک دہرائے جانے والا طریقہ اور یہ پہچاننے کا طریقہ چاہیے کہ ڈیٹا کب جھوٹ بول رہا ہے۔ اگر کوئی آئٹم پچھلے جمعے اسٹاک سے باہر ہوا، تو اسپریڈشیٹ میں ریاضی کی کمی نہیں ہے - سیاق و سباق کی کمی ہے۔

یہ اچھی خبر ہے کیونکہ سادہ طریقے اکثر لوگوں کی توقع سے زیادہ مضبوط ہوتے ہیں۔ Journal of Business Research میں Green اور Armstrong کے جائزے میں مصنفین نے 32 مقالوں سے 97 موازنے پائے اور کوئی متوازن شواہد نہیں ملے کہ اضافی پیچیدگی پیشن گوئی کی درستگی بہتر کرتی ہے۔ پیشن گوئی اب بھی مشکل ہے، لیکن پہلی کامیابی عموماً نظم و ضبط سے آتی ہے، فینسی سافٹ ویئر سے نہیں۔

مفید انوینٹری پیشن گوئی اصل میں کیا کرتی ہے

پیشن گوئی ایک مقررہ مدت میں مستقبل کی طلب کا تخمینہ ہے۔ انوینٹری کے لیے، وہ مدت آپ کی خریداری کے تال سے ملنی چاہیے: سپلائر کا لیڈ ٹائم جمع اگلے جائزے تک کا وقت۔ اگر آپ ہر پیر آرڈر دیتے ہیں اور سپلائر کو 21 دن لگتے ہیں تو آپ کو اگلے 28 دن اہم ہیں، نظریاتی سالانہ اوسط نہیں۔

پیشن گوئیاں وعدے نہیں ہیں۔ یہ نقطہ آغاز ہیں۔ آپ کو ابھی بھی سپلائر کے مسائل، تجارتی ایونٹس اور کاروباری فیصلے شامل کرنے ہیں۔ مقصد کمال نہیں ہے۔ مقصد کم حیرتیں ہیں۔

سادہ طریقوں سے شروع کریں، پھر پیچیدگی صرف اس وقت شامل کریں جب یہ ثابت ہو

NIST ہینڈبک آن سموتھنگ اوسط کو ڈیٹا کو ہموار کرنے اور بے ترتیب تغیرات کو کم کرنے کا سب سے آسان طریقہ بیان کرتی ہے۔ یہیں سے زیادہ تر انوینٹری ٹیموں کو شروع کرنا چاہیے۔ اگر آپ کی تاریخ کافی مستحکم ہے تو موونگ ایوریج اور سموتھنگ طریقے آپ کو تیزی سے آپریشنل بنیاد فراہم کریں گے۔

طریقہ 1: مستحکم طلب کے لیے موونگ ایوریج

موونگ ایوریج آخری چند موازنہ مدتوں کو لیتا ہے اور ان کی اوسط نکالتا ہے۔ اگر آپ ہفتہ وار پیشن گوئی کرتے ہیں تو 4 ہفتے کی موونگ ایوریج شروع کرنے کے لیے اکثر کافی ہوتی ہے۔ مثال: اگر آخری 4 ہفتوں میں 92، 104، 96 اور 108 یونٹ فروخت ہوئے تو اگلے ہفتے کی بنیادی پیشن گوئی (92 + 104 + 96 + 108) / 4 = 100 یونٹ ہے۔

طریقہ 2: ایکسپونینشل سموتھنگ جب حالیہ تاریخ زیادہ اہم ہو

اگر حالیہ سیلز پرانی تاریخ سے زیادہ اہم ہیں تو سادہ ایکسپونینشل سموتھنگ کی طرف بڑھیں۔ Forecasting: Principles and Practice میں Hyndman اور Athanasopoulos اسے تازہ ترین اصل قیمت اور پچھلی پیشن گوئی کی وزنی اوسط کے طور پر پیش کرتے ہیں۔ سادہ الفاظ میں: کل پچھلی سہ ماہی سے زیادہ اہم ہے، لیکن پچھلی سہ ماہی نظر انداز نہیں ہوتی۔ یہ سموتھنگ کو اس وقت مفید بناتا ہے جب طلب بدل رہی ہو لیکن شدید موسمی نہ ہو۔

طریقہ 3: موسمی عنصر شامل کریں جب کیلنڈر واقعی اہم ہو

اگر طلب دہرائے جانے والے کیلنڈر پیٹرن کے مطابق اوپر نیچے ہوتی ہے - دسمبر تحائف، گرمیوں کے ویک اینڈ، واپسی اسکول، مہینے کے آخر کے آرڈرز - تو موسمی اثر کو بنیادی سطح سے الگ کریں۔ Forecasting: Principles and Practice میں عملی قدم یہ ہے کہ موسمی طور پر ایڈجسٹ شدہ سیریز کی پیشن گوئی کریں پھر موسمی پیٹرن واپس شامل کریں۔ یہ ایک سادہ خیال کی تکنیکی وضاحت ہے: اس سال کا دسمبر پچھلے سال کے دسمبر سے زیادہ ملتا جلتا ہونا چاہیے بجائے پچھلے سال کی مئی کے۔

موسمی ایڈجسٹمنٹ محنت کے قابل ہے۔ اسی Green اور Armstrong کے جائزے میں موسمی ایڈجسٹمنٹ نے اصل M-Competition میں 68 ماہانہ سیریز پر MAPE کو 23.0 سے 17.7 فیصد تک کم کیا۔ یہ اچھی یاد دہانی ہے کہ سادہ کیلنڈر ڈھانچہ بہت سی اضافی ریاضی کو شکست دے سکتا ہے۔

ریاضی پر بھروسا کرنے سے پہلے تاریخ صاف کریں

پیشن گوئی کا طریقہ اہم ہے، لیکن ان پٹ کا معیار زیادہ اہم ہے۔ واپسیاں، ایک بار کے پروجیکٹ آرڈرز، سپلائر کی کم ڈلیوری اور پروموشنل اچھال سب بنیاد کو بگاڑ سکتے ہیں۔ اگر آپ ماڈل میں شور ڈالتے ہیں تو آپ صرف خراب فیصلے کو خودکار بنا رہے ہیں۔

اسٹاک آؤٹ سب سے بڑا جال ہے۔ کھوئی ہوئی سیلز اسٹاک پالیسیوں کے تحت طلب کی پیشن گوئی پر تحقیق میں مصنفین نوٹ کرتے ہیں کہ اگر کافی اسٹاک ہو تو سیلز طلب کا غیر جانبدار تخمینہ ہے، لیکن اسٹاک آؤٹ ہونے پر سیلز طلب کو کم بتاتی ہے اور پیشن گوئی نیچے دھکیلتی ہے۔ یہ بالکل وہ چکر پیدا کرتا ہے جس سے آپریٹرز نفرت کرتے ہیں: کم پیشن گوئی، کم آرڈر، اسٹاک آؤٹ، دوبارہ۔

اسٹاک آؤٹ ایڈجسٹمنٹ کی سادہ مثال

فرض کریں ایک آئٹم نے 30 دن کے مہینے میں 210 یونٹ فروخت کیے لیکن صرف 21 دن اسٹاک میں تھا۔ سادہ یومیہ شرح 7 یونٹ ہے۔ اسٹاک آؤٹ ایڈجسٹڈ شرح 10 یونٹ ہے کیونکہ 210 / 21 = 10۔ ری پلینشمنٹ پلاننگ کے لیے دوسرا نمبر حقیقت سے کہیں زیادہ قریب ہے۔ پہلا نمبر اسٹاک آؤٹ کو اگلے مہینے کی پیشن گوئی میں شامل کر دیتا ہے۔

ایک اسپریڈشیٹ ورک فلو جو آپ ہر پیر چلا سکتے ہیں

آپ ایک شیٹ میں قابل اعتماد پیشن گوئی چلا سکتے ہیں جس میں SKU کے مطابق قطاریں اور آخری 12 سے 24 مدتوں، ان اسٹاک فلیگز، ایونٹ نوٹس، پیشن گوئی، اصل اور ایرر کے کالم ہوں۔ مقصد خوبصورت ماڈل بنانا نہیں۔ مقصد دہرائے جانے والا معمول بنانا ہے۔

تین درستگی کی جانچ جو عام لوگ حساب کر سکتے ہیں

آپ کو اعداد و شمار سے بھری ڈیش بورڈ کی ضرورت نہیں۔ آپ کو چند پیمانوں کی ضرورت ہے جو بتائیں کہ پیشن گوئی منظم طور پر غلط ہے یا نہیں اور کتنی۔

MAPE احتیاط سے استعمال کریں۔ Hyndman کی درستگی گائیڈ میں MAPE اس وقت غیر متعین ہو جاتا ہے جب اصل طلب صفر ہو اور جب اصل قیمت صفر کے قریب ہو تو بھڑک سکتا ہے۔ یہ اسے سست آئٹمز، نئی پروڈکٹس یا کسی بھی سیریز کے لیے خراب انتخاب بناتا ہے جس میں صفر طلب کی مدتیں بار بار ہوں۔

خریداری میں لے جانے سے پہلے بیک ٹیسٹ کریں

پیشن گوئی اس لیے تیار نہیں ہے کہ یہ معقول لگتی ہے۔ یہ تب تیار ہے جب آپ نے اسے ماضی کی ان مدتوں پر آزمایا جو اس نے نہیں دیکھیں۔ Hyndman کی ٹائم سیریز کراس ویلیڈیشن گائیڈ رولنگ فورکاسٹ اوریجن بیان کرتی ہے: تاریخ میں آگے بڑھیں، آگے پیشن گوئی کریں اور غلطیوں کی اوسط نکالیں۔ یہ اس سوال کا بالغ ورژن ہے کہ 'کیا یہ پچھلی سہ ماہی کام کرتا؟'

جانیں اسپریڈشیٹ کہاں مشکل میں پڑتی ہے

• نئی پروڈکٹس: ملتے جلتے آئٹم، کیٹگری یا لانچ پلان سے تاریخ ادھار لیں کیونکہ نئے SKU کا ابھی مستحکم پیٹرن نہیں ہے۔
• بے قاعدہ یا وقفے وقفے کی طلب: پہلے خاندان یا کیٹگری سطح پر پیشن گوئی کریں، پھر زیادہ دستی جائزے کے ساتھ انفرادی ری پلینشمنٹ کی منصوبہ بندی کریں۔
• پروموشنز اور پروجیکٹ کاروبار: خاص ایونٹس کا اندازہ لگانے کے لیے بنیادی ماڈل سے پوچھنے کی بجائے ایونٹ اوور رائیڈز الگ سے شامل کریں۔
• کمزور انوینٹری درستگی: اگر وصولی، ایڈجسٹمنٹس اور لوکیشن کنٹرول کمزور ہے تو پہلے عمل درست کریں۔ خراب ریکارڈز پر پیشن گوئی پھر بھی غلط مقدار خریدتی ہے۔

یہاں ترجیح بندی اہم ہے۔ ABC تجزیہ استعمال کریں یہ فیصلہ کرنے کے لیے کہ کن آئٹمز کو سب سے زیادہ پیشن گوئی کی توجہ ملنی چاہیے، اور پیشن گوئی کو منظم سیفٹی اسٹاک جائزے کے ساتھ جوڑیں تاکہ غیر یقینی صورتحال عام طور پر زیادہ خریداری میں تبدیل نہ ہو۔

حتمی نتیجہ

غیر ڈیٹا سائنسدانوں کے لیے انوینٹری پیشن گوئی اعلی ریاضی سے کم اور آپریشنل ایمانداری سے زیادہ متعلق ہے۔ تاریخ صاف کریں۔ موونگ ایوریج یا سموتھنگ سے شروع کریں۔ موسمی پن صرف اس وقت شامل کریں جب یہ دہرائے۔ بائیس اور مطلق ایرر ماپیں۔ نمبر پر بھروسا کرنے سے پہلے بیک ٹیسٹ کریں۔

اگلا قدم: 20 اہم SKUs منتخب کریں، ایک ہفتہ وار شیٹ بنائیں اور اگلے 8 ہفتوں تک پیشن گوئی بمقابلہ اصل کا موازنہ کریں۔ اس کے بعد پیشن گوئی نظریاتی محسوس ہونا بند ہو جائے گی اور آپ کے خریداری کے طریقے کا حصہ بننا شروع ہو جائے گی۔