التنبؤ بالطلب

المكاسب:

• القدرة على التمييز بين طرق التنبؤ بالطلب (المتوسط المتحرك، التجانس الأسي، الموسمية)
• القدرة على إعداد سيناريوهات التنبؤ باستخدام الذكاء الاصطناعي وتقييم الدقة باستخدام مقاييس مثل MAPE/MAE
• القدرة على التحقق من مخرجات التوقعات مع سياق العمل والتأثيرات الترويجية / الموسمية

التنبؤ بالطلب هو الأساس الذي يعتمد عليه تخطيط الإنتاج وإدارة المخزون وسلسلة التوريد بأكملها. إن التنبؤ الخاطئ مكلف في كلا الاتجاهين: المبالغة في التقدير تؤدي إلى تكاليف المخزون والهدر، والتقليل من التقدير يؤدي إلى خسارة المبيعات واستياء العملاء. يساعد الذكاء الاصطناعي في العديد من الأماكن في عملية التنبؤ، بدءًا من اختيار الطريقة وحتى تفسير البيانات التاريخية وتوليد السيناريوهات؛ لكن النظر إلى التوقعات على أنها "كرة بلورية سحرية" هو الخطأ الأكبر. في هذه الوحدة، سنغطي طرق التنبؤ الكلاسيكية، وكيفية بنائها بشكل صحيح باستخدام الذكاء الاصطناعي، وكيفية قياس الدقة.

خريطة مختصرة لطرق التنبؤ

ليست كل سلسلة من المطالب تتصرف بنفس الطريقة؛ بعضها مسطح، وبعضها له اتجاهات، وبعضها موسمي. من الضروري اختيار الطريقة وفقًا للسلسلة.

الطريقة

متى يكون ذلك مناسبا؟

انتبه

ساذج (القيمة الأخيرة)

للمقارنة (المعيار)

لا يتبع الاتجاه/الموسم

المتوسط المتحرك

سلسلة ثابتة وصاخبة

يتفاعل متأخرا مع هذا الاتجاه

التجانس الأسي (SES)

سلسلة ثابتة، مع التركيز على البيانات القريبة

جيد إذا لم يكن هناك اتجاه

هولت (الأسي المزدوج)

سلسلة عصرية

لا يمسك الموسم

هولت وينترز

الاتجاه + الموسمية

يتطلب بيانات تاريخية كافية

الانحدار / مل

متعدد المتغيرات، وتعزيز فعال

خطر الإرهاق

نصيحة: ابدأ دائمًا بتخمين "ساذج". إذا لم يكن نموذجك المعقد أفضل من التخمين الساذج، فهو لا يستحق تحمل التعقيد. Naive هو معيار مجاني لقياس الدقة.

كيف نقيس الدقة؟ (المقاييس)

لا يمكن تحسين دقة التنبؤ دون قياسها. المقاييس الأكثر شيوعا:

• MAE (متوسط الخطأ المطلق): متوسط القيمة المطلقة للأخطاء. الوحدة هي نفس وحدة الطلب.
• RMSE (خطأ مربع الجذر المتوسط): يعاقب الأخطاء الأكبر بشكل أكبر.
• MAPE (متوسط ​​النسبة المئوية للخطأ المطلق): في المائة؛ جيدة للمقارنة بين العناصر، ولكنها مشوهة عندما يقترب الطلب من الصفر.
• التحيز: متوسط ​​الخطأ؛ يشير إلى ما إذا كنت تبالغ/تقلل من تقديرك باستمرار.

حساب عينة صغيرة. ليكن الطلب الفعلي [100، 120، 90]، المتوقع [110، 115، 100]:

الأخطاء (الفعلية - المتوقعة): -10، +5، -10 الأخطاء المطلقة: 10، 5، 10 → MAE = 25 / 3 ≈ 8.33 أخطاء النسبة المئوية: 10/100، 5/120، 10/90 = 10%، 4.17%، 11.11%MAPE = (10 + 4.17 + 11.11) / 3 ≈ 8.43%التحيز = (-10 + 5 - 10) / 3 = -5 → المبالغة في التقدير في المتوسط (تنبؤ > فعلي)

ويشير الانحياز السلبي (التقدير الحقيقي ناقص) إلى أن التقدير مبالغ فيه باستمرار؛ وهذا يعني تضخم المخزون. يمكن إخفاء مثل هذه الأخطاء الاتجاهية في MAPE، بحيث يتم النظر إليها معًا.

بناء عملية التنبؤ باستخدام الذكاء الاصطناعي

يمكنك استخدام الذكاء الاصطناعي بكفاءة أكبر في مكانين: (1) للنظر في البيانات واقتراح الطريقة والإجراءات المناسبة التي يجب اتخاذها، و(2) لإنشاء تعليمات برمجية تنبؤية. لاقتراح الطريقة:

الدور: أنت مهندس صناعي ذو خبرة في التنبؤ بالطلب. المهمة: فحص سلسلة المبيعات الشهرية أدناه والتوصية بطريقة التنبؤ المناسبة. قم بتقييم ما إذا كان هناك اتجاه وموسمية، واكتب مبررك. البيانات (شهرية، آخر 24 شهرًا): {{values ​​​​}}معلومات إضافية: هناك عرض ترويجي في شهر ديسمبر، وينخفض ​​الطلب في أشهر الصيف. الإخراج أريد:1. التعليق على طابع المسلسل (مستقر/رائج/موسمي).2. 2 الطرق الموصى بها ولماذا.3. ما هو مقياس الدقة الذي يجب أن أتتبعه؟4. المزالق التي يجب أن أحذر منها (التأثير الترويجي الخارجي). القاعدة: لا تعد بالدقة المطلقة دون الاطلاع على البيانات.

موجه ضعيف / موجه قوي

حث ضعيف:

كم سأبيع الشهر المقبل؟

لا يحتوي هذا على بيانات ولا سياق؛ إما أن يرفضه الذكاء الاصطناعي أو يُرجع رقمًا مُختلقًا بالكامل. مثل هذا الإخراج خطير لأنه يبدو جديرا بالثقة.

مطالبة قوية:

توقع الأشهر الثلاثة القادمة باستخدام منطق Holt-Winters مع هذه السلسلة التي تبلغ مدتها 24 شهرًا. طول الموسم هو 12. اكتب أولاً افتراضات الطريقة، ثم قم بتقديم التوقعات، ثم احسب MAPE عن طريق الاختبار الخلفي للأشهر الستة الماضية. قم بتمييز أشهر الترويج بشكل منفصل. البيانات: {{ ... }}

يسأل الموجه الثاني عن كل من التنبؤ ومدى الثقة في الثقة في هذا التنبؤ (الاختبار الخلفي). وهذا يحول التنبؤ من "أوراكل" إلى أداة قابلة للقياس.

الاختبار الخلفي: قياس الثقة في التنبؤ

الاختبار الحقيقي للتنبؤ هو في الماضي، وليس في المستقبل. تقوم بتقسيم البيانات الموجودة لديك إلى قسمين: بناء النموذج (القطار) والاختبار. تقوم ببناء النموذج بالقطعة الأولى، وتتنبأ بالفترة القادمة، وتقارنه بالواقع. ويكشف منطق "الرفض" هذا ما إذا كان النموذج يعمل بالفعل أم لا.

قم بإعداد خطة اختبار خلفي بسيطة للسلسلة التالية: ضع جانباً آخر 6 أشهر كاختبار، وقم بتدريب 3 طرق مختلفة (ساذجة، SES، Holt-Winters) مع البيانات المتبقية، وحساب MAPE والتحيز لكل منهما خلال فترة الاختبار، وقم بعمل جدول مقارنة. اكتب طريقة الفوز والمبرر المنطقي.

احذر: يمكن للذكاء الاصطناعي في بعض الأحيان "التنبؤ" بنتائج الاختبار السابق وتقديم مخطط جاهز لك؛ أي أنه يستطيع أن يختلق أرقامًا تبدو معقولة دون أن يقوم بحسابها فعليًا. تأكد من إعادة إنتاج النتائج الرقمية باستخدام الكود (Python/Excel). لا يقوم نموذج اللغة بإجراء عمليات حسابية طويلة بشكل موثوق.

حالة صغيرة: تكدس المنتجات الموسمية

تشكو إحدى شركات توزيع المواد الغذائية من وجود مخزون كبير جدًا من منتج موسمي مثل الآيس كريم كل عام في فصل الشتاء. تقدم المهندسة الصناعية إليف بيانات شهرية لمدة 3 سنوات إلى الذكاء الاصطناعي وتطلب منه تقييم شخصية المسلسل. يقترح الذكاء الاصطناعي وجود موسمية قوية (ذروة الصيف) واتجاه نمو سنوي طفيف، كما يقترح هولت وينترز. تولد Elif التنبؤ في بايثون وتختبره: MAPE هو 14%، لكن التحيز سلبي إلى حد كبير - النموذج يبالغ في التنبؤ باستمرار. عندما يحقق في السبب، يجد أنه أخطأ في فهم فترة الحملة في البيانات التاريخية على أنها "طبيعية" وعلم النموذج بقاعدة عالية جدًا. عندما نزيل تأثير الحملة ونعيد بناء النموذج، يقل الانحياز وينخفض ​​المخزون الشتوي بشكل ملحوظ. الدرس المستفاد: اقترح الذكاء الاصطناعي الطريقة بشكل صحيح، ولكن كان من واجب الإنسان تنظيف البيانات وتفسير التحيز.

الأخطاء الشائعة

• عدم تتبع المقاييس: تقدير الدقة وعدم قياسها أبدًا. لا يمكن تحسين التنبؤ بدون قياس.
• مجرد النظر إلى MAPE: تجاهل التحيز. يؤدي الخطأ الاتجاهي (المنهجي) إلى تضخيم المخزون بصمت.
• الخطأ في الأرقام التي تم تكوينها بواسطة الذكاء الاصطناعي لإجراء العمليات الحسابية: عدم التحقق من صحة الاختبار الخلفي وقيم القياس باستخدام الكود.
• عدم تنظيف القيم المتطرفة/الترويج: اعتبار حملة لمرة واحدة مطلبًا عاديًا وتعليمها للنموذج.
• Overfit: عندما يتناسب نموذج معقد تمامًا مع الماضي ولكن أداءه ضعيف في المستقبل. احتفظ بالنموذج البسيط كمعيار.

باختصار

• اختيار طريقة التنبؤ وفقاً لطبيعة المسلسل (الثابت، الرائج، الموسمي)؛ ابدأ دائمًا بمقارنة نفسك بالساذج.
• قم بقياس الدقة باستخدام MAE/RMSE/MAPE، ولكن قم أيضًا بمراقبة التحيز: الخطأ الاتجاهي هو الأكثر تكلفة.
• استخدام الذكاء الاصطناعي للتوصية بالطريقة وإنشاء التعليمات البرمجية؛ قم بإعداد التوقعات كأداة قابلة للقياس، وليس "نبوءة".
• الاختبار الخلفي هو الاختبار الحقيقي لمدى الثقة التي يمكن أن يتمتع بها النموذج؛ تأكد من التحقق من النتائج الرقمية باستخدام الكود.
• إن مهمة الإنسان هي تنظيف البيانات (الخارجة، الترويج) وتفسير النتيجة؛ يتخطى الذكاء الاصطناعي هذه الخطوات.

مهمة التطبيق

احصل على سلسلة طلب تتراوح مدتها من 18 إلى 24 فترة على الأقل (خيال حقيقي أو واقعي). أولاً، أعطِ الذكاء الاصطناعي السلسلة واطلب منه تفسير طابعها (الاتجاه/الموسمية) واقتراح طريقتين. ثم استخدم موجه "خطة الاختبار الخلفي" القوي لحجز آخر 6 فترات كاختبارات ومقارنة طريقتين على الأقل. الخطوة الحاسمة: إعادة حساب قيم MAPE والتحيز التي أرجعها الذكاء الاصطناعي بنفسك باستخدام Excel أو Python ومقارنتها بمخرجات الذكاء الاصطناعي. إذا وجدت رقمًا غير مطابق، فاكتبه. أخيرًا، قم بتفسير علامة التحيز: هل يبالغ نموذجك في تقديره أم يقلل من تقديره، وماذا يفعل ذلك بمخزونك؟