التنبؤ بالطلب بالذكاء الاصطناعي
يتنبأ التنبؤ بالطلب باستخدام الذكاء الاصطناعي بكمية المنتجات أو الخدمات التي سيحتاجها العملاء، وذلك باستخدام التعلم الآلي لمعالجة تاريخ المبيعات والأسعار والطقس والعروض الترويجية والمزيد.
نظرة عامة
Accurate forecasts cut waste, prevent stockouts, and tie up less cash in inventory.
الغوص العميق
اعتمد التنبؤ التقليدي على النماذج الإحصائية مثل ARIMA والتمهيد الأسي الذي يستنبط المبيعات السابقة. تضيف أساليب الذكاء الاصطناعي نماذج التعلم الآلي مثل الأشجار المعززة بالتدرج (XGBoost وLightGBM) والشبكات العصبية التي تستوعب العديد من الميزات في وقت واحد: السعر، والعروض الترويجية، والعطلات، والطقس، وحركة مرور الويب، ونشاط المنافسين. تتعلم بنيات التعلم العميق المتخصصة مثل DeepAR من Amazon وGoogle's Temporal Fusion Transformer الأنماط عبر آلاف السلاسل الزمنية ذات الصلة في وقت واحد، وتشارك الإشارة بين العناصر. يتألق نهج "النموذج العالمي" هذا بالنسبة للمنتجات الجديدة التي ليس لها تاريخ طويل وللطلب المتزايد والمتقطع. والأهم من ذلك، أن الأنظمة الحديثة تنتج تنبؤات احتمالية، وتتنبأ بنطاق وثقة بدلاً من رقم واحد، حتى يتمكن المخططون من تحديد مخزون الأمان ضد المخاطر الفعلية.
البصيرة الفنية
الطلب عبارة عن سلسلة زمنية، لذا يجب على النماذج احترام النظام الزمني وتجنب تسرب البيانات المستقبلية إلى التدريب. المسائل الهندسية المميزة: المبيعات المتأخرة، والمتوسطات المتداولة، وتأثيرات التقويم ترمز إلى الموسمية. تستخدم النماذج العميقة العالمية، مثل Temporal Fusion Transformer، الانتباه لتحديد الخطوات الزمنية الماضية والإشارات الخارجية المهمة لكل أفق توقعات. تنتج العديد من الأنظمة تنبؤات كمية (على سبيل المثال، النسب المئوية 10 و50 و90)، مما يسمح للشركات بتحسين المخزون مقابل تكلفة المخزون الزائد مقابل نفاد المخزون.
التأثير الاستراتيجي
خيارات البناء
يحدد التصميم على مستوى التطبيق ما إذا كان الذكاء الاصطناعي سيحسن النتائج الحقيقية.
الفريق وسير العمل
يؤدي التكامل الجيد لسير العمل إلى تحقيق مكاسب إنتاجية يمكن للمستخدمين الوثوق بها.
المخاطر والسلامة
تعمل حالات الاستخدام ذات النطاق الجيد على تقليل إجهاد التغيير ومخاطر التنفيذ.
مستقبل التنبؤ بالطلب على الذكاء الاصطناعي
يتجه التنبؤ نحو النماذج الأساسية للسلاسل الزمنية، مثل TimeGPT وGoogle's TimesFM، والتي تم تدريبها مسبقًا على مليارات نقاط البيانات ويمكنها التنبؤ بسلاسل جديدة مع القليل من الضبط أو بدون ضبط. توقع إشارات خارجية أكثر ثراءً (الاتجاهات الاجتماعية، ونقاط البيع في الوقت الفعلي، وصور الأقمار الصناعية) واقترانًا أكثر إحكامًا مع وكلاء التجديد والتسعير الآليين. ستساعد أدوات التفسير المخططين على الثقة في النماذج وتجاوزها، وسيعمل استشعار الطلب على تقليص الفجوة بين إشارة العالم الحقيقي والتنبؤات المحدثة إلى الوقت الفعلي تقريبًا.
التنفيذ في العالم الحقيقي
تتوقع سلسلة بقالة مبيعات يومية على مستوى المتجر من المنتجات الطازجة لتقليل التلف وتجنب الرفوف الفارغة.
تستخدم أمازون نماذج على غرار DeepAR للتنبؤ بالطلب على ملايين عناصر الكتالوج، بما في ذلك المنتجات الجديدة تمامًا التي ليس لها سجل مبيعات.
يتنبأ بائع تجزئة للأزياء بالطلب على مستوى الحجم لكل متجر حتى يتمكن من تخصيص المزيج المناسب من المنتجات الصغيرة والمتوسطة والكبيرة.
تتنبأ إحدى مرافق الطاقة بالطلب على الكهرباء كل ساعة باستخدام بيانات الطقس والتقويم لموازنة الشبكة وشراء الطاقة بكفاءة.
المخاطر والدرابزين
يمكن أن تؤدي أتمتة عملية معطلة إلى تضخيم المشاكل الموجودة.
قد تقوم الفرق بالإفراط في أتمتة وإزالة الحكم البشري المطلوب.
يمكن أن تنحرف الجودة إذا لم يتم تقييم المخرجات بشكل مستمر.
خارطة طريق التنفيذ
قم بتخطيط سير العمل الحالي وحدد خطوة الاحتكاك الأعلى.
تحديد نقاط التفتيش البشرية قبل الأتمتة الكاملة.
تدريب المستخدمين على المطالبات ومسارات التصعيد ومعايير الجودة.
تتبع النتائج على مستوى المهمة لتأكيد القيمة المستدامة.
استمر في الاستكشاف
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI Demand Forecasting quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
الدليل التالي
الذكاء الاصطناعي في تخطيط الطلب على المخزون
الأسئلة المتداولة
What is AI Demand Forecasting?
يتنبأ التنبؤ بالطلب باستخدام الذكاء الاصطناعي بكمية المنتجات أو الخدمات التي سيحتاجها العملاء، وذلك باستخدام التعلم الآلي لمعالجة تاريخ المبيعات والأسعار والطقس والعروض الترويجية والمزيد. تقلل التوقعات الدقيقة من الهدر، وتمنع نفاذ المخزون، وتقيد كمية أقل من النقود في المخزون.
ما هي الميزة الرئيسية لنموذج التنبؤ بالتعلم العميق "العالمي"؟
تتدرب النماذج العالمية مثل DeepAR عبر آلاف السلاسل في وقت واحد، وتشارك الإشارة التي تساعد بشكل خاص مع العناصر الجديدة أو المتفرقة.
لماذا تعتبر التنبؤات الاحتمالية (الكمية) ذات قيمة لتخطيط المخزون؟
يتيح التنبؤ بالنسب المئوية (مثل التسعين) للشركات موازنة تكلفة المخزون الزائد مقابل تكلفة نفاد المخزون.
ما هي طريقة التنبؤ الإحصائي الكلاسيكية التي تسبق أساليب تعلم الآلة الحديثة؟
ARIMA والتجانس الأسي هما من الأساليب الإحصائية التقليدية؛ والبعض الآخر عبارة عن نماذج حديثة للتعلم العميق أو النماذج التأسيسية.
ما هو المأزق الحاسم الذي يجب تجنبه عند تدريب أحد المتنبئين بالطلب؟
ولأن الطلب عبارة عن سلسلة زمنية، فيجب عليك احترام النظام الزمني؛ إن استخدام المعلومات المستقبلية أثناء التدريب يؤدي إلى تضخيم الدقة ويفشل في الإنتاج.
ما هي الإشارة الخارجية التي من شأنها أن تحسن توقعات مبيعات الآيس كريم؟
يعد الطقس، وخاصة درجة الحرارة، محركًا قويًا للطلب على المنتجات الموسمية مثل الآيس كريم.