الذكاء الاصطناعي في التنبؤ بالطلب وتخطيط المخزون والمبيعات

يقف كل مدير مشتريات أو مخزون أمام معادلة صعبة: إذا طلب كميات كبيرة تكدست البضاعة وتجمدت الأموال وتعرضت بعض الأصناف للتلف أو التقادم، وإذا طلب كميات قليلة نفدت الأصناف وخسر مبيعات وعملاء. والتنبؤ بالطلب هو محاولة لحل هذه المعادلة بأفضل تقدير ممكن. ويقدم الذكاء الاصطناعي أدوات تساعد على تحسين هذا التقدير، بشرط أن تُبنى على بيانات جيدة وأن تُفهم حدودها.

1. لماذا لا تكفي الطرق التقليدية وحدها

تعتمد كثير من الشركات على المتوسطات البسيطة أو خبرة المسؤولين في تقدير الطلب، كأن تطلب كمية الشهر الماضي نفسها مع زيادة تقديرية. وتنجح هذه الطريقة حين يكون الطلب مستقرًا وعدد الأصناف محدودًا، لكنها تتعثر عندما تكثر الأصناف والفروع، وتتداخل المواسم والعروض والعوامل الخارجية.

وتتميز نماذج التعلم الآلي بقدرتها على معالجة عوامل كثيرة في الوقت نفسه، واكتشاف أنماط يصعب على الإنسان ملاحظتها عبر آلاف الأصناف. فقد تلاحظ مثلًا أن صنفًا معينًا يرتفع طلبه في أيام محددة من الأسبوع، أو يتأثر بعرض على صنف آخر. لكن هذا لا يعني الاستغناء عن الخبرة البشرية، فالمسؤول الذي يعرف السوق يبقى ضروريًا لتفسير النتائج وتعديلها عند ظهور ظروف لم تمر بها البيانات التاريخية.

2. البيانات التي يحتاجها نموذج التنبؤ

دقة التنبؤ مرتبطة مباشرة بجودة البيانات وتنوعها. والبيانات التاريخية للمبيعات هي الأساس، لكنها وحدها قد تعطي صورة ناقصة. ومن أهم مصادر البيانات التي تُستخدم في هذا النوع من المشاريع:

• سجل المبيعات التفصيلي: على مستوى الصنف والفرع واليوم، لا الإجماليات الشهرية فقط.
• حالات نفاد المخزون: لأن المبيعات المنخفضة في فترة النفاد لا تعني انخفاض الطلب، بل عدم توفر البضاعة.
• العروض والتخفيضات: مواعيدها ونوعها والأصناف المشمولة بها.
• التقويم والمواسم: كشهر رمضان والأعياد والإجازات المدرسية وبداية العام الدراسي.
• المرتجعات: حتى لا يُحسب الطلب أعلى من حقيقته.
• بيانات الموردين: مدد التوريد المعتادة وتذبذبها.

3. أثر المواسم والمناسبات في السوق السعودي

يتأثر الطلب في المملكة بمواسم واضحة، أبرزها شهر رمضان والعيدان وموسما الحج والعمرة والإجازات والعودة إلى المدارس. والتحدي أن مواعيد المناسبات المرتبطة بالتقويم الهجري تتغير كل عام بالنسبة إلى التقويم الميلادي، فإذا اعتمد النموذج على التقويم الميلادي وحده فقد يخطئ في توقيت ذروة الطلب.

مثال توضيحي: لنفترض أن متجرًا للمواد الغذائية يبيع التمور والمشروبات ومستلزمات الضيافة. إذا قارن النموذج مبيعات شهر ميلادي بالشهر نفسه من العام السابق، فقد يقارن فترة رمضان بفترة عادية دون أن يدرك ذلك. لذلك يُضاف إلى البيانات متغير يحدد موقع كل يوم بالنسبة إلى المناسبات الهجرية، كعدد الأيام المتبقية على رمضان أو العيد، فيتعلم النموذج نمط الطلب قبل المناسبة وخلالها وبعدها بصرف النظر عن تاريخها الميلادي.

4. من التنبؤ بالطلب إلى قرارات المخزون

التوقع وحده لا يحل المشكلة، فالقيمة الحقيقية تظهر عندما يتحول إلى قرار شراء أو توزيع. ويتطلب ذلك ربط التوقع بمعطيات أخرى، كالمخزون الحالي، ومدة التوريد، وحجم الطلبية الأدنى لدى المورد، وتكلفة التخزين، ومدة صلاحية المنتج.

ومن المفاهيم الأساسية هنا مخزون الأمان، وهو كمية إضافية تحمي من التذبذب غير المتوقع في الطلب أو في مواعيد التوريد. والنموذج الجيد لا يعطي رقمًا واحدًا للتوقع، بل نطاقًا يعبر عن درجة عدم اليقين، فيُحدَّد مخزون الأمان بناءً على اتساع هذا النطاق. فالصنف الذي يتذبذب طلبه كثيرًا يحتاج إلى هامش أكبر من الصنف المستقر.

كما يختلف القرار بحسب أهمية الصنف: فنفاد صنف أساسي يبحث عنه العملاء يكلف الشركة أكثر من نفاد صنف ثانوي له بدائل كثيرة، ولذلك يُعامل كل منهما بسياسة مختلفة.

5. تخطيط المبيعات والعمليات بصورة مشتركة

لا يعمل التنبؤ بالطلب بمعزل عن بقية الإدارات. فالتسويق يخطط لعروض ترفع الطلب، والمبيعات تتوقع صفقات كبيرة مع عملاء من الشركات، والمشتريات تتعامل مع قيود الموردين، والمالية تحدد السقف المتاح لرأس المال العامل. وإذا عملت كل إدارة على رقم مختلف، ضاعت قيمة أدق التوقعات.

مثال توضيحي: لنفترض أن شركة توزيع أجهزة منزلية تعتمد نموذجًا للتنبؤ بالطلب، بينما يخطط فريق التسويق لحملة كبيرة على أجهزة التكييف قبل الصيف دون إبلاغ المشتريات. سيبني النموذج توقعه على النمط المعتاد، فتنطلق الحملة والمخزون غير كافٍ. أما في اجتماع تخطيط دوري يجمع الإدارات، فتُدخل الحملة في التوقع مسبقًا، وتُعدل كميات الشراء، ويُتفق على رقم واحد يعمل عليه الجميع. فالتقنية هنا تدعم عملية تنسيق منظمة، ولا تغني عنها.

6. قياس دقة التوقعات ومتابعتها

لا يمكن تحسين ما لا يُقاس، ولذلك ينبغي متابعة دقة التوقعات بانتظام بمقارنتها بالطلب الفعلي. لكن المقياس يجب أن يُختار بعناية، لأن الأرقام الإجمالية قد تخفي أخطاء كبيرة على مستوى الأصناف. ومن الممارسات المفيدة في هذه المتابعة:

• القياس على المستوى المناسب: قياس الدقة على مستوى الصنف والفرع الذي تُتخذ فيه القرارات فعلًا.
• التمييز بين اتجاهي الخطأ: فالمبالغة المستمرة في التوقع تختلف في أثرها عن التقليل المستمر.
• المقارنة بطريقة بسيطة: مقارنة أداء النموذج بطريقة تقليدية كالمتوسط المتحرك، للتأكد من أنه يضيف قيمة فعلية.
• ربط الدقة بالنتائج: متابعة حالات النفاد والمخزون الراكد، لا دقة التوقع وحدها.
• مراجعة التعديلات اليدوية: معرفة ما إذا كانت تعديلات المسؤولين على التوقعات تحسنها أم تضعفها.

7. حدود التنبؤ والتعامل مع الظروف الاستثنائية

يتعلم النموذج من الماضي، ولذلك يواجه صعوبة عندما يتغير الواقع بصورة لم تظهر في البيانات التاريخية. فإطلاق منتج جديد بلا تاريخ مبيعات، أو دخول منافس قوي إلى السوق، أو اضطراب في سلاسل الإمداد، كلها ظروف قد تجعل التوقعات أقل موثوقية.

وللتعامل مع ذلك، تلجأ الشركات إلى أساليب مكملة. فللمنتجات الجديدة يمكن الاستعانة بأنماط منتجات مشابهة في الفئة نفسها. وعند الظروف الاستثنائية يُمنح المسؤولون صلاحية تعديل التوقعات مع توثيق سبب التعديل، حتى يمكن الرجوع إليه لاحقًا. كما يُنصح بإعادة تدريب النموذج دوريًا ومراقبة تراجع دقته، لأن أنماط الطلب تتغير تدريجيًا مع تغير سلوك المستهلكين وقنوات البيع، وما كان صحيحًا قبل مدة قد لا يبقى كذلك.

8. خطوات عملية لبدء مشروع التنبؤ بالطلب

يُفضل أن يبدأ المشروع بنطاق محدود يمكن تقييمه بوضوح، بدل محاولة تغطية كل الأصناف والفروع منذ اليوم الأول. ومن الخطوات المقترحة:

• اختيار نطاق تجريبي: مجموعة أصناف مهمة ذات تاريخ مبيعات كافٍ في عدد محدود من الفروع.
• تجهيز البيانات: توحيد سجلات المبيعات، وتوثيق فترات النفاد والعروض.
• تحديد مقياس النجاح: الاتفاق مسبقًا على المؤشرات التي ستُقارن قبل التطبيق وبعده.
• التشغيل الموازي: تشغيل النموذج إلى جانب الطريقة الحالية لفترة، ومقارنة النتائج قبل الاعتماد عليه.
• إشراك المستخدمين: تدريب فريق المشتريات على قراءة التوقعات ونطاقاتها وفهم حدودها.
• التوسع التدريجي: إضافة أصناف وفروع جديدة بعد ثبوت القيمة في النطاق التجريبي.

الخلاصة

يساعد الذكاء الاصطناعي الشركات على التنبؤ بالطلب بدقة أفضل، خاصة عندما تكثر الأصناف والفروع وتتداخل المواسم والعروض. لكن القيمة لا تأتي من النموذج وحده، بل من بيانات تفصيلية موثقة، ومراعاة للمواسم المرتبطة بالتقويم الهجري، وربط التوقعات بقرارات المخزون الفعلية، وتنسيق دوري بين الإدارات. ويبقى المسؤول البشري ضروريًا لتفسير النتائج والتعامل مع الظروف الاستثنائية. ابدأ بنطاق صغير، وقِس النتائج بأمانة، ثم توسع بثقة كلما ثبتت القيمة، فالتحسن التدريجي في دقة التوقعات ينعكس على المخزون والسيولة ورضا العملاء معًا. واجعل مراجعة النتائج عادة دورية لا مهمة تُنجز مرة واحدة.