التنبؤ بالطلب بالذكاء الاصطناعي في ERP

لماذا نتنبأ بالطلب أصلاً؟

كل قرار شراء أو إنتاج هو رهان على الطلب القادم. فحين يطلب المشتري 2,000 كرتون من مورد مدة توريده ستة أسابيع، فهو يتنبأ بما سيطلبه العملاء بعد ستة أسابيع، سمّى ذلك تنبؤاً أم لم يسمه. فالسؤال ليس هل نتنبأ، بل هل التنبؤ صريح ومقاس ويتحسن، أم ضمني لا يقيسه أحد ومحبوس في رأس شخص واحد.

الذكاء الاصطناعي في هذا السياق يعني غالباً نماذج التعلم الآلي المدربة على البيانات التاريخية، وقد جعل من الممكن التنبؤ لعدد أكبر من الأصناف، وبمستوى تفصيل أدق، وبإشارات أكثر مما يستطيع المخطط معالجته في الجداول. لكنه لا يصلح البيانات الرديئة، ولا يغني عن التقدير البشري في العروض الترويجية أو العملاء الجدد أو المورد الذي ضاعف مدة توريده فجأة. والشركات التي تستفيد منه فعلاً تعامله جزءاً من عملية تخطيط تقوم على نظام ERP نظيف البيانات.

يشرح هذا الدليل الفروق بين أساليب التنبؤ، والبيانات التي تحتاجها، وطريقة قياس الدقة بمعادلات حقيقية، وكيف يتحول التنبؤ إلى نقاط إعادة طلب وأوامر شراء، وما المؤثرات التقويمية السعودية التي يجب أن يفهمها أي نموذج.

لماذا يتعثر التنبؤ بالجداول؟

تبدأ معظم الشركات بقاعدة مثل "الشهر نفسه من العام الماضي مضافاً إليه 10%". وهي مقبولة لقائمة صغيرة من المنتجات المستقرة، لكنها تفشل بطرق متوقعة مع نمو النشاط:

• الحجم: يستطيع المخطط مراجعة بضع مئات من الأصناف بعناية. أما موزع لديه 8,000 صنف في ستة مستودعات فلديه 48,000 تركيبة من الصنف والموقع، ومعظمها لا يحظى باهتمام حقيقي.
• المواسم المتنقلة: رمضان والعيدان تتبع التقويم الهجري الأقصر من الميلادي بنحو 11 يوماً، فتتقدم كل سنة. والمقارنة بالشهر نفسه من العام الماضي تقارن أسابيع مختلفة.
• النفاد يخفي الطلب: إذا نفد صنف ثلاثة أسابيع، فسجل المبيعات يُظهر طلباً منخفضاً في تلك الأسابيع. والتنبؤ الساذج يتعلم النفاد كأنه حقيقة، فيطلب أقل في المرة التالية.
• العروض والطلبيات الاستثنائية: طلبية مشروع كبيرة واحدة أو عرض ترويجي يضخم التاريخ، وما لم يُعلَّم، يضخم التنبؤ التالي.
• غياب حلقة التقييم: دون قياس الخطأ لكل صنف، لا يعرف أحد أي التنبؤات جيد وأيها منحاز، وهل التعديلات اليدوية تحسن النتيجة أم تفسدها.

مقارنة بين أساليب التنبؤ

عبارة "التنبؤ بالذكاء الاصطناعي" تشمل مجموعة من التقنيات، والمناسب منها يتوقف على نمط طلب الصنف والبيانات المتاحة.

تعمدنا ألا نذكر نسب دقة لكل أسلوب، لأن أرقام الدقة المنشورة تتوقف كلياً على البيانات وأفق التنبؤ ومستوى التجميع، ونادراً ما تنطبق على نشاطك. الرقم الوحيد الذي يهم هو ما تقيسه على أصنافك أنت، وهو ما نشرحه بعد قليل.

لماذا نبدأ بالبسيط؟

نموذج تمهيد أسي مضبوط جيداً، يتعامل مع التقويم الهجري وحالات النفاد بشكل صحيح، يمثل أساساً قوياً. ويستحق التعلم الآلي مكانه حين توجد عوامل خارجية مؤثرة كتغيرات الأسعار والعروض والطقس وخطط المشاريع، وتاريخ كافٍ للتعلم منها. قارن دائماً النموذج المتقدم بالأساس البسيط، فإن لم يتفوق عليه في بياناتك فاحتفظ بالأساس.

البيانات التي يحتاجها التنبؤ

جودة التنبؤ محدودة بجودة البيانات، ومعظم هذه البيانات موجود في نظام ERP:

• تاريخ مبيعات نظيف حسب الصنف والموقع والعميل، ويفضل سنتان على الأقل حتى يظهر كل حدث موسمي أكثر من مرة، مع خصم المرتجعات من البيع الأصلي.
• علامات النفاد: الأيام التي لم يكن الصنف متاحاً فيها، حتى يُقدّر الطلب الضائع بدل أن يُتعلم صفراً.
• تاريخ العروض والأسعار: ما الذي عُرض ومتى وبأي سعر.
• الطلبيات غير المعتادة: طلبيات المشاريع والمناقصات الاستثنائية معلّمة حتى لا تشوه الأساس.
• البيانات الرئيسية للصنف: الفئة ووحدة القياس وحجم العبوة ومدة الصلاحية ومرحلة الصنف (جديد، نشط، في طريقه للإيقاف) والبدائل.
• بيانات التوريد: مدد التوريد لكل مورد، والحد الأدنى للطلب، ومضاعفات العبوات، وهي ما يحول التنبؤ إلى كمية قابلة للطلب.
• التقويم: المناسبات الهجرية والفصول الدراسية والعطلات الوطنية ومناسباتك الخاصة.

وتستحق وحدات القياس اهتماماً خاصاً. فإذا سجل فرع المبيعات بالكرتون وسجلها آخر بالحبة، رأى النموذج منتجين مختلفين. والنظام الذي يدعم وحدات قياس متعددة بتحويلات ثابتة، كما يفعل مخزون ترانكويل، يزيل هذه المشكلة من مصدرها.

قياس دقة التنبؤ

لنأخذ صنفاً افتراضياً على مدى أربعة أسابيع:

• متوسط نسبة الخطأ المطلق (MAPE) هو متوسط نسب الخطأ، ويساوي هنا نحو 13.1%. وهو مفهوم بسهولة، لكنه يتضخم في الأسابيع منخفضة الكمية، لأن القسمة على رقم فعلي صغير تعطي نسبة كبيرة.
• النسبة المرجحة (WMAPE) تقسم مجموع الأخطاء المطلقة على مجموع الفعلي: 60 ÷ 450 = 13.3%، وهي أكثر استقراراً وأنسب للمقارنة بين الأصناف.
• الانحياز يقارن مجموع المتوقع بمجموع الفعلي: (430 − 450) ÷ 450 = −4.4%. الانحياز السالب المستمر يعني أنك تتنبأ بأقل من الواقع وستواجه نقصاً، والموجب المستمر يعني فائضاً في المخزون.

تابع الخطأ والانحياز معاً لكل مجموعة أصناف كل شهر. وتابع كذلك القيمة المضافة للتنبؤ: قارن دقة تنبؤ النموذج بدقته بعد تعديلات المخططين اليدوية. فإذا كانت التعديلات تسيء إلى الدقة في المتوسط، فاقصرها على الحالات التي تتوفر فيها معلومة حقيقية، كطلبية كبيرة مؤكدة.

من التنبؤ إلى أمر الشراء

التنبؤ وحده لا يخفض المخزون ولا يمنع النفاد، بل يفعل ذلك من خلال معاملات إعادة التزويد في نظام ERP.

مثال تطبيقي: مخزون الأمان ونقطة إعادة الطلب

صنف افتراضي يُباع منه 40 وحدة يومياً في المتوسط، والانحراف المعياري لخطأ التنبؤ اليومي 12 وحدة، ومدة التوريد 9 أيام، ومستوى الخدمة المستهدف 95% ويقابله معامل z يقارب 1.65.

• مخزون الأمان = z × الانحراف المعياري × الجذر التربيعي لمدة التوريد = 1.65 × 12 × 3 ≈ 60 وحدة
• نقطة إعادة الطلب = متوسط الطلب خلال مدة التوريد + مخزون الأمان = 40 × 9 + 60 = 420 وحدة

لنفترض الآن أن نموذج تنبؤ أفضل خفّض خطأ التنبؤ اليومي إلى 8 وحدات. ينخفض مخزون الأمان إلى 1.65 × 8 × 3 ≈ 40 وحدة، ونقطة إعادة الطلب إلى 400 وحدة، أي عشرين وحدة أقل لمستوى الخدمة نفسه. وبتكلفة 250 ريالاً للوحدة، يعني ذلك 5,000 ريال أقل في مخزون هذا الصنف وحده. هذه هي الآلية الأساسية التي يحقق بها التنبؤ عائده: خطأ أقل يعني مخزون أمان أقل للتوفر نفسه. وللمعادلات الأساسية راجع دليلينا عن مخزون الأمان ونقطة إعادة الطلب.

جعل الكمية قابلة للطلب

بعد ذلك يجب أن يحترم الطلب المقترح الحد الأدنى للمورد ومضاعفات العبوة وسعة الشاحنة أو الحاوية، وأن يُراجع مقابل أوامر الشراء المفتوحة والبضاعة في الطريق. وهذه وظائف نظام ERP لا وظائف التنبؤ، ولهذا يجب أن يعود التنبؤ إلى المشتريات لا أن يبقى في أداة منفصلة.

المؤثرات التقويمية والسوقية في المملكة

مثال تطبيقي: أثر تقدم رمضان على تنبؤ شهري

لنفترض موزع أغذية (مثال افتراضي) يبيع من صنف التمر المعبأ نحو 1,000 كرتون في الأسبوع العادي، وترتفع مبيعاته إلى 3,000 كرتون أسبوعياً في الأسبوعين السابقين لرمضان وفي أسابيعه الأولى. إذا وقعت ذروة العام الماضي في الأسبوعين الأخيرين من شهر ميلادي معين، فإن تقدم رمضان نحو 11 يوماً هذا العام يعني أن جزءاً كبيراً من الذروة سينتقل إلى الشهر الميلادي السابق.

المخطط الذي يعتمد قاعدة "الشهر نفسه من العام الماضي" سيطلب كمية الذروة لشهر وصلت فيه الذروة متأخرة، فيدخل الأسبوع الأعلى طلباً بمخزون عادي، ثم يتراكم لديه فائض بعد العيد. وقد يكون الفرق في أسبوع واحد ألفي كرتون، أي نفاداً في أهم أسبوع في السنة ثم فائضاً يقترب من تاريخ انتهاء صلاحيته.

أما النموذج الذي يعرف تاريخ بداية رمضان كل سنة ويقيس الطلب بالأيام قبل المناسبة وبعدها، لا بالشهر الميلادي، فيضع الذروة في مكانها الصحيح تلقائياً. وهذا تحسين بسيط في بناء البيانات، لا يحتاج إلى أعقد الخوارزميات، لكنه غالباً أكبر مصدر للتحسن في قطاعات الأغذية والتجزئة في المملكة.

حالات خاصة

المنتجات الجديدة

المنتج الذي لا تاريخ له يمكن أن يستعير نمط صنف مشابه بعد تعديله بالحجم المتوقع. وحيث لا يوجد صنف مشابه، يكون التقدير المنظم من فرق المبيعات وكبار العملاء نقطة البداية. وتساعد طريقة دلفي، التي تنقح تقديرات الخبراء عبر جولات ملاحظات مجهولة الهوية، على تجنب انحياز مخطط واحد.

الطلب المتقطع

قطع الغيار والأصناف بطيئة الحركة تُباع على دفعات غير منتظمة. والأساليب العادية تتنبأ برقم صغير كل أسبوع فتخطئ دائماً، بينما تعمل أساليب كروستون أو قواعد الحد الأدنى والأقصى مع مراجعة دورية بشكل أفضل عادة.

الطلب المرتبط بالمشاريع

مواد البناء والمستلزمات الصناعية تعتمد غالباً على مشاريع كبيرة، فاربط التنبؤ بخط المبيعات أو المناقصات المؤكدة، وافصل هذا الطلب عن الطلب المعتاد.

الحوكمة والاستخدام المسؤول

نماذج التنبؤ لا تعالج عادة بيانات شخصية، لكنها تؤثر في قرارات المخزون والتوظيف والعملاء، فيجب أن تكون قابلة للتفسير وخاضعة للمتابعة. وفي المملكة نشرت الهيئة السعودية للبيانات والذكاء الاصطناعي (سدايا) مبادئ أخلاقيات الذكاء الاصطناعي عام 2023، ومنها الشفافية وقابلية التفسير، والموثوقية والسلامة، والمساءلة والمسؤولية، وهي تشمل الجهات الخاصة المعنية بالذكاء الاصطناعي. وعملياً يعني ذلك: وثّق ما يستخدمه كل نموذج، وراجع أداءه شهرياً، واجعل لكل مجموعة منتجات مسؤولاً بشرياً، وتأكد أن المخطط يستطيع أن يرى لماذا تغير التنبؤ.

أخطاء يجب تجنبها

• شراء نموذج قبل إصلاح البيانات: إذا لم تُربط المرتجعات بالمبيعات ولم يُعلَّم النفاد، فأي نموذج سيتعلم الدرس الخطأ.
• التنبؤ على المستوى الوطني وحده: قد يكون المجموع الوطني دقيقاً بينما كل مستودع مخطئ في اتجاه معاكس.
• قياس الدقة مرة واحدة: الدقة تتغير مع تغير المنتجات والعملاء والموردين، وتحتاج مراجعة شهرية.
• تجاهل الانحياز: تنبؤ بخطأ متوسط لكنه يقلل الطلب باستمرار سيسبب نفاداً متكرراً.
• ثبات المعاملات: إذا لم يُعَد حساب مخزون الأمان ونقاط إعادة الطلب حين ينخفض الخطأ، فلن يصل التنبؤ الأفضل إلى المستودع أبداً.

خارطة طريق من ست خطوات

1. نظّف البيانات: سنتان من تاريخ المبيعات، مع خصم المرتجعات وتوحيد وحدات القياس وتعليم حالات النفاد والطلبيات الاستثنائية.
2. صنّف الأصناف: استخدم تحليل ABC حسب القيمة مع مقياس للتذبذب لتحديد الأصناف التي تستحق نماذج متقدمة وتلك التي تكفيها قواعد بسيطة.
3. ابنِ الأساس: تمهيد أسي مع تقويم مناسبات هجري، وقِس خطأه وانحيازه.
4. أضف العوامل المؤثرة: العروض والأسعار والأحداث الإقليمية، مستخدماً التعلم الآلي حيث يتفوق على الأساس.
5. اربط بإعادة التزويد: حدّث مخزون الأمان ونقاط إعادة الطلب من خطأ التنبؤ، وولّد مقترحات الشراء في نظام ERP.
6. شغّل الدورة الشهرية: راجع الدقة والتعديلات والاستثناءات في اجتماع مراجعة الطلب. ويشرح مقالنا عن تخطيط الطلب طريقة إدارة هذه العملية.

أين يأتي دور نظام ERP؟

أدوات التنبؤ، سواء بُنيت داخلياً أو اشتُريت، تعتمد على نظام ERP في الحصول على تاريخ نظيف وفي تنفيذ النتيجة. وتحفظ وحدات إدارة المخزون والمشتريات والمبيعات في ترانكويل البيانات الرئيسية للأصناف والمخزون بوحدات قياس متعددة والمبيعات والمرتجعات وأوامر الشراء في قاعدة بيانات واحدة، وتشمل خدمات التخصيص فيه التقارير والتكامل عبر API، وهي الطريقة التي يقرأ بها نموذج تنبؤ خارجي التاريخ ويعيد الكميات المقترحة.

الأسئلة الشائعة

كم نحتاج من البيانات التاريخية للتنبؤ بالذكاء الاصطناعي؟

يفضل سنتان على الأقل بمستوى أسبوعي أو يومي حتى يظهر كل حدث موسمي أكثر من مرة. وللمناسبات الهجرية المتنقلة تساعد السنوات الإضافية النموذج على فصل أثر المناسبة عن الشهر الميلادي.

هل التعلم الآلي أدق دائماً من الأساليب الإحصائية؟

لا. في كثير من الأصناف المستقرة يعمل التمهيد الأسي بكفاءة النماذج المعقدة نفسها. ويفيد التعلم الآلي حين تكون العوامل الخارجية كالسعر والعروض والطقس مؤثرة وتتوفر بيانات كافية.

أي مقياس دقة نستخدم؟

النسبة المرجحة WMAPE للدقة العامة، والانحياز لاتجاه الخطأ، مع متابعتهما لكل مجموعة أصناف. أما MAPE البسيطة فتصبح مضللة في الأصناف منخفضة الكمية.

كيف يخفض التنبؤ المخزون؟

أساساً عبر مخزون الأمان، فالخطأ الأقل يسمح بمخزون أمان أقل لمستوى الخدمة نفسه، فتنخفض نقاط إعادة الطلب ومتوسط المخزون.

هل يتضمن ترانكويل تنبؤاً بالذكاء الاصطناعي؟

يوفر ترانكويل بيانات المخزون والمبيعات والمشتريات التي يعتمد عليها التنبؤ، ويمكن ربطه بأدوات التنبؤ عبر التكامل بواجهات API ضمن خدمات التخصيص. يمكنك التواصل مع فريق ترانكويل لمناقشة احتياجات التخطيط لديك.