اکثر مدیران کسبوکارهای کوچک و متوسط در ایران، پیشبینی تقاضا را با فرمولهای سادهای مانند میانگین متحرک در اکسل یا بر اساس حدس و تجربه مدیر فروش انجام میدهند. این روش تا زمانی که تعداد تنوع کالاها کمتر از چند ده تنوع باشد و نوسانات بازار محدود بماند کار میکند، اما با افزایش تعداد کالاها، تغییرات تورمی و نوسانات شدید تامین، اکسل به سرعت ناکارآمد میشود.
عبور از اکسل به سمت مدلهای واقعی پیشبینی تقاضا، به معنی خرید نرمافزارهای گرانقیمت یا استفاده از هوش مصنوعی پیچیده نیست. هدف اصلی این ارتقا، ساخت مدلی است که بتواند رفتارهای تناوبی، اثرات تخفیفها و متغیرهای بیرونی را همزمان تحلیل کند و نرخ کمبود کالا در انبار را بین ۱۵ تا ۳۰ درصد کاهش دهد.
نقاط شکست اکسل در پیشبینی تقاضا
اکسل ابزار فوقالعادهای برای تحلیلهای ایستا است، اما وقتی صحبت از پیشبینی زنجیره تامین میشود، سه نقطه ضعف ساختاری نشان میدهد.
نخست، عدم توانایی در کشف الگوهای فصلی غیرخطی است. فرمولهای میانگین متحرک یا شیب خطی در اکسل نمیتوانند جهشهای تقاضا در بازههای خاص مانند قبل از نوروز یا کمپینهای فروش را به درستی در طول زمان تعمیم دهند.
دوم، عدم امکان وارد کردن متغیرهای همزمان است. تقاضای یک کالا فقط به فروش گذشته آن بستگی ندارد؛ تغییرات قیمت کالا، قیمت کالاهای جایگزین، میزان بودجه تبلیغاتی و حتی نوسانات نرخ ارز بر آن موثرند. فرمولنویسی این روابط در اکسل به شدت پیچیده و پرخطا میشود.
سوم، خطای انسانی و عدم توسعهپذیری است. وقتی تعداد کالاها از ۱۰۰ کد فراتر میرود، بروزرسانی ماهانه فایلهای اکسل به یک کابوس عملیاتی تبدیل میشود که در آن امکان ردیابی خطاها وجود ندارد.
مدل واقعی دقیقاً چیست و چه روشهایی کاربرد دارند؟
منظور از مدل واقعی، الگوریتمی ریاضی یا آماری است که روی دادههای تاریخی رفتار فروش آموزش میبیند و توانایی تعمیمدهی دارد. بسته به جنس دادهها و نوع کسبوکار، از روشهای متفاوتی استفاده میشود.
- مدلهای سری زمانی کلاسیک مانند ساریمکس: این مدلها برای کالاهایی با رفتار منظم و دادههای حداقل دو ساله مناسب هستند. ویژگی اصلی آنها، تفکیک روند از فصلی بودن و در نظر گرفتن متغیرهای کمکی است.
- مدل الگوریتم پرفِت: این ابزار برای کسبوکارهایی با رفتارهای فصلی چندگانه (روزانه، هفتگی، سالانه) و تعطیلات مناسب است و در برابر دادههای گمشده مقاومت خوبی دارد.
- مدلهای یادگیری ماشین مبتنی بر درخت مانند اکسجیباست: بهترین گزینه برای زمانی که متغیرهای زیادی مانند تخفیف، قیمت رقبا، تخمین ترافیک فروشگاه و شرایط آبوهوایی در دست است. این مدلها روابط غیرخطی پیچیده را به خوبی درک میکنند.
- روش کراستون برای کالاهای کمگردش: در قطعات یدکی یا کالاهای گرانقیمت که تقاضای آنها صفرهای متوالی دارد، روشهای معمول شکست میخورند. الگوریتم کراستون حجم تقاضا را از فاصله زمانی بین تقاضاها تفکیک کرده و پیشبینی واقعی ارائه میدهد.
پیشنیازهای داده، زمانبندی و هزینه اجرا
برای پیادهسازی یک مدل پیشبینی تقاضا در یک کسبوکار متوسط، نیازی به دادههای بزرگ نیست، اما کیفیت دادههای موجود حیاتی است.
پیشنیاز اصلی، وجود حداقل ۱۲ تا ۲۴ ماه داده فاکتورهای فروش در سیستمهای حسابداری مانند سپیدار، راهکاران یا نرمافزارهای مالی مشابه است. این دادهها باید شامل تاریخ دقیق ثبت فاکتور، کد کالا، تعداد، قیمت واحد و شناسه مشتری باشند.
فرآیند پیادهسازی معمولاً بین ۴ تا ۸ هفته زمان میبرد. هفتههای اول صرف استخراج و پاکسازی دادهها میشود، چرا که دادههای خام حسابداری اغلب دارای تخفیفهای ثبتنشده یا مرجوعیهای اصلاحنشده هستند. سپس مدلها آموزش دیده و ارزیابی میشوند.
هزینه پیادهسازی چنین پروژهای در مقایسه با سرمایه در گردشی که به دلیل خریدهای اشتباه در انبار بلوکه میشود، بسیار ناچیز است. در اکثر پروژههای اجرایی، بازگشت سرمایه پروژه از محل کاهش هزینههای انبارداری ظرف ۴ ماه رخ میدهد.
چه زمانی نباید سراغ ساخت مدل رفت؟
به عنوان مشاور، در موارد متعددی به مشتریان پیشنهاد میکنم که پروژه پیادهسازی مدل پیشبینی را شروع نکنند یا آن را به تاخیر بیندازند.
اگر کسبوکار شما کمتر از ۶ ماه سابقه فروش دارد، هیچ الگوریتمی نمیتواند معجزه کند. در این شرایط، استفاده از نرخ رشد فرضی و حدس کارشناسی به مراتب ارزانتر و منطقیتر است.
اگر تنوع کالایی شما مدام در حال تغییر است و عمر هر محصول کمتر از دو ماه است (مانند برخی حوزههای پوشاک یا مد سریع)، مدلهای متکی بر تاریخچه کالا کارایی ندارند و باید به سمت پیشبینی در سطح دسته کالا یا تحلیل شباهت محصولات رفت.
همچنین اگر ثبت دادهها در سیستم مالی به شدت شلخته است و خروج کالا از انبار بدون ثبت فاکتور انجام میشود، ابتدا باید زیرساخت ثبت داده اصلاح شود. ساخت مدل روی داده نادرست، خروجیهای گمراهکنندهای تولید میکند که خسارت آن از عدم پیشبینی بیشتر است.
گام بعدی برای شروع
اگر در مجموعه خود با مشکلاتی مثل ناپدید شدن ناگهانی موجودی برخی کالاها یا انباشت کالاهای بیگردش در انبار مواجه هستید، گام اول خرید نرمافزار جدید نیست.
کافی است خروجی دو سال گذشته فاکتورهای فروش خود را در قالب یک فایل گزارش استخراج کنید. با تحلیل نقاط ضعف این دادهها و اجرای یک پایلوت کوچک روی ۲۰ درصد از پرفروشترین کالاهای مجموعه، میتوانید میزان دقت مدلهای آماری را نسبت به روند فعلی خود بسنجید و بر اساس اعداد واقعی تصمیمگیری کنید.