معرفی و تعریف
پیشبینی تقاضا و عرضه یعنی برآورد مقدار و زمان نیاز آینده به کالا یا خدمت و بررسی توان سازمان برای پاسخ‌دادن به آن. در این مهارت، داده‌هایی مانند فروش گذشته، سفارشهای ثبتشده، موجودی، زمان تأمین، ظرفیت و اطلاعات بازار بررسی میشوند تا برای خرید، تولید، توزیع یا تخصیص موجودی برنامهریزی شود.
پیشبینی تقاضا چیست؟
Demand Forecasting (پیشبینی تقاضا) تلاش میکند مشخص کند در یک دوره آینده چه مقدار تقاضا برای کالا یا خدمت وجود خواهد داشت. فروش گذشته یکی از ورودیهای مهم است، اما نباید بدون بررسی شرایط کسب‌وکار مستقیماً معادل تقاضا در نظر گرفته شود.
برای مثال، اگر محصولی به دلیل کمبود موجودی فروخته نشده باشد، فروش ثبتشده ممکن است تقاضای واقعی بازار را کمتر از مقدار واقعی نشان دهد. تغییر قیمت، تخفیف، کمپین، تعطیلات، ورود محصول جدید و سفارشهای قراردادی نیز می‌توانند الگوی فروش را تغییر دهند.
پیشبینی و برنامهریزی عرضه چیست؟
در سمت عرضه، باید بررسی شود چه مقدار کالا، مواد اولیه یا ظرفیت در دوره آینده در دسترس خواهد بود و برای پاسخ به تقاضا چه اقدام‌هایی لازم است.
Supply Planning (برنامهریزی عرضه) میتواند تصمیم‌هایی مانند ثبت سفارش خرید، افزایش یا کاهش تولید، انتقال موجودی میان انبارها و تغییر اولویت تأمین را دربر بگیرد.
بنابراین «تقاضای پیش‌بینی‌شده» با «برنامه قابل‌تأمین» یکسان نیست. ممکن است بازار هزار واحد کالا بخواهد، اما محدودیت ظرفیت، زمان تأمین یا موجودی باعث شود سازمان فقط بتواند بخشی از آن را در موعد موردنظر تأمین کند.
خروجی این مهارت چیست؟
هدف پیشبینی ارائه یک عدد قطعی نیست. یک پیشبینی کاربردی باید فرض‌های مشخص داشته باشد و خطای آن نیز قابل اندازه‌گیری باشد.
خروجی کار میتواند شامل پیشبینی تقاضا در یک افق زمانی مشخص، برنامه عرضه، سناریوهای جایگزین، گزارش خطای پیشبینی و فهرست محدودیت‌هایی باشد که بر تأمین اثر می‌گذارند.
مدیران و کارشناسان زنجیره تأمین، برنامه‌ریزان تولید، تیم‌های خرید، عملیات، فروش و تحلیل داده از این مهارت استفاده می‌کنند.
مدت یادگیری برای همه یکسان نیست. آشنایی قبلی با تحلیل داده، آمار، صفحه‌گسترده‌ها و فرایندهای زنجیره تأمین میتواند مسیر را کوتاه‌تر کند. بهتر است توانایی ساخت، ارزیابی و توضیح یک پیشبینی واقعی را معیار پیشرفت قرار دهید.
این مهارت را با نام‌های دیگری نیز می‌شناسند:
- برنامهریزی تقاضا و عرضه
- پیشبینی و برنامهریزی تقاضا و عرضه
- Demand and Supply Planning
- Demand and Supply Forecasting
اهمیت و کاربردها
چرا این مهارت مهم است؟
پیشبینی نامناسب میتواند احتمال کمبود کالا، از دست رفتن فروش، موجودی اضافی یا خواب سرمایه را افزایش دهد. این موضوع در زنجیره‌هایی که زمان تأمین طولانی، نوسان تقاضا یا تنوع کالای زیادی دارند اهمیت بیشتری پیدا میکند.
در مقابل، پیشبینی مناسب کمک میکند سازمان زودتر درباره خرید، تولید، موجودی و ظرفیت تصمیم بگیرد. البته کیفیت تصمیم فقط به دقت پیشبینی وابسته نیست؛ زمان تأمین، حداقل سفارش، ظرفیت تولید، ذخیره اطمینان و امکان جایگزینی تأمینکننده نیز باید در نظر گرفته شوند.
در ایران، این مهارت برای نقش‌هایی مانند کارشناس برنامهریزی تولید، کارشناس برنامهریزی مواد، کارشناس زنجیره تأمین، کارشناس خرید و مدیر زنجیره تأمین کاربرد دارد.
ابزار موردنیاز به اندازه سازمان و فرایند آن بستگی دارد. Excel و Google Sheets برای تحلیل و ساخت مدل‌های قابل بازبینی مناسب‌اند. سامانه‌های برنامهریزی منابع سازمانی (ERP) مانند راهکاران و SAP S/4HANA می‌توانند اطلاعات سفارش، موجودی و تأمین را در اختیار برنامه‌ریز قرار دهند. Power BI برای گزارش‌گیری و Python همراه pandas برای تحلیل تکرارشونده و خودکارسازی پردازش داده کاربرد دارند.
کاربردها
-
برنامهریزی خرید مواد و کالا
برآورد تقاضای آینده و مقایسه آن با موجودی، سفارشهای باز و زمان تأمین برای مشخص‌کردن زمان و مقدار سفارش خرید.
-
برنامهریزی تولید و ظرفیت
استفاده از پیشبینی تقاضا برای بررسی نیاز تولید و مقایسه آن با ظرفیت خطوط، نیروی انسانی یا محدودیت مواد اولیه.
-
تخصیص موجودی بین انبارها یا کانال‌ها
بررسی تقاضای هر منطقه، انبار یا کانال فروش و تخصیص موجودی محدود با توجه به اولویت‌ها و سطح خدمت موردنظر.
-
مدیریت موجودی کالاهای فصلی
شناسایی الگوهای فصلی و برنامهریزی موجودی پیش از دوره‌های افزایش یا کاهش تقاضا.
-
هماهنگی فروش و عملیات
ساخت تصویری مشترک از تقاضا، موجودی، ظرفیت و محدودیت‌های تأمین برای هماهنگی تصمیم‌های فروش و عملیات.
-
پایش دقت و اصلاح پیشبینی
مقایسه پیشبینیهای قبلی با مقدار واقعی، شناسایی خطای تکرارشونده و اصلاح مدل یا فرض‌های مورد استفاده.
ابزارهای مرتبط
پیش‌نیازها
شروع این مهارت با دانستن پیش‌نیازهای زیر هموارتر میشود.
- مهارت تحلیل داده با صفحه‌گسترده‌ها Spreadsheet Data Analysis
- مهارت کاربست آمار در تحلیل داده Applied Statistics for Data Analysis
- مهارت تحلیل داده Data Analysis
- مهارت مدیریت و کنترل موجودی Inventory Management and Control
- دسترسی به داده فروش، سفارش، موجودی و زمان تأمین، حتی در قالب داده تمرینی
- آشنایی پایه با فرایند خرید، انبار یا تولید در کسب‌وکار هدف
مسیر یادگیری پیشبینی تقاضا و عرضه
-
۳۰ ساعت
ساختار داده و جریان زنجیره تأمین را تشخیص دهید.
ابتدا جریان کالا و اطلاعات را از سفارش مشتری تا تأمین و تحویل ترسیم کنید.
تفاوت فروش، سفارش ثبتشده، ارسال، برگشتی، موجودی فیزیکی، موجودی قابل‌تعهد و موجودی در راه را یاد بگیرید. برای هر کالا نیز واحد اندازه‌گیری، محل انبار، زمان تأمین و محدودیت حداقل سفارش را مشخص کنید.
پیش از ساخت مدل باید بدانید هر ستون داده دقیقاً چه بخشی از فرایند واقعی را نشان می‌دهد.
-
۲۵ ساعت
داده پیشبینی را آماده و قابل‌اعتماد کنید.
داده فروش و موجودی را در سطح مناسب، مانند «کالا در هفته» یا «کالا در ماه»، یکپارچه کنید.
فروش صفر را از نبود داده جدا کنید. کالاهای جدید، توقف فروش، برگشتی، تخفیف و دوره‌های کمبود موجودی را علامت بزنید.
به‌ویژه هنگام کمبود کالا بررسی کنید که فروش ثبتشده واقعاً نماینده تقاضا بوده است یا مشتری به دلیل نبود موجودی امکان خرید نداشته است.
در پایان، جدولی بسازید که منبع داده، تاریخ بهروزرسانی و تعریف هر ستون آن روشن باشد.
-
۳۰ ساعت
الگوهای تقاضا و محرک‌های آن را تحلیل کنید.
روند، الگوی فصلی، نوسان، جهش‌های غیرعادی و تفاوت میان کالاها را با جدول و نمودار بررسی کنید.
فروش گذشته را بدون بررسی رویدادهای کسب‌وکار مبنای قطعی آینده قرار ندهید. تغییر قیمت، کمپین فروش، تعطیلات، ورود رقیب، کمبود کالا یا سفارشهای قراردادی می‌توانند الگوی تقاضا را تغییر دهند.
کالاها را نیز میتوانید بر اساس ثبات تقاضا، حجم فروش و اهمیت عملیاتی دسته‌بندی کنید تا همه محصولات با یک روش یکسان پیشبینی نشوند.
-
۳۰ ساعت
پیشبینی پایه و سناریوهای تقاضا بسازید.
ابتدا از روش‌های ساده و قابل توضیح شروع کنید؛ برای مثال فروش دوره قبل، میانگین متحرک یا هموارسازی نمایی.
روش ساده نقش Baseline (خط مبنا) را دارد و مشخص میکند مدل پیچیده‌تر واقعاً بهبود ایجاد کرده است یا نه.
افق پیشبینی را نیز با تصمیم موردنظر هماهنگ کنید. پیشبینی هفتگی برای سفارش‌گذاری کوتاه‌مدت با برنامه ماهانه تولید یا برنامه سالانه ظرفیت یکسان نیست.
برای رویدادهای نامطمئن میتوانید سناریوی پایه، خوش‌بینانه و محتاطانه بسازید و فرض هر سناریو را ثبت کنید.
-
۲۵ ساعت
تقاضا را به برنامه عرضه و موجودی تبدیل کنید.
پیشبینی تقاضا را با موجودی فعلی، سفارشهای باز، زمان تأمین، ظرفیت تولید و محدودیت‌های تأمینکننده ترکیب کنید.
برای هر دوره مشخص کنید آیا کمبود یا مازاد احتمالی وجود دارد. سپس اقدام‌هایی مانند تسریع خرید، انتقال موجودی، اصلاح برنامه تولید یا مذاکره با تأمینکننده را بررسی کنید.
در تمام این مرحله، تفاوت میان «تقاضای پیش‌بینی‌شده» و «مقداری که واقعاً قابل تأمین است» را حفظ کنید.
-
۲۰ ساعت
خطا را اندازه‌گیری و تصمیم را بازبینی کنید.
برای ارزیابی، ترتیب زمانی داده را حفظ کنید. دوره‌های قدیمی‌تر باید برای ساخت یا تنظیم روش استفاده شوند و دوره‌های بعدی برای ارزیابی آن کنار گذاشته شوند.
برای مثال، اگر داده دو سال فروش دارید، نباید ماه‌های آینده را در آموزش قرار دهید و مدل را روی ماه‌های گذشته ارزیابی کنید.
ابتدا نتیجه را با یک خط مبنای ساده، مانند فروش دوره قبل یا میانگین متحرک، مقایسه کنید.
یکی از معیارهای ساده، Mean Absolute Error (میانگین خطای مطلق یا MAE) است. در این معیار، قدرمطلق اختلاف میان پیشبینی و مقدار واقعی محاسبه و سپس میانگین گرفته میشود. مقدار کمتر نشان‌دهنده خطای مطلق کمتر است، اما مقایسه باید روی داده و مقیاس مناسب انجام شود.
سوگیری (Bias) را نیز بررسی کنید. اگر سوگیری را به شکل «پیشبینی منهای مقدار واقعی» تعریف کنید، مقدار مثبت تکرارشونده نشان‌دهنده بیش‌برآورد و مقدار منفی تکرارشونده نشان‌دهنده کم‌برآورد است.
فقط یک عدد خطا را بررسی نکنید. ببینید خطا در کدام کالا، فصل، منطقه یا شرایط بیشتر رخ داده و آیا برای عملیات کسب‌وکار اهمیت دارد.
نسخه پیشبینی، فرض‌ها و تصمیم‌های حاصل از آن را نیز ثبت کنید تا بتوانید کیفیت فرایند را در دوره‌های بعد مقایسه کنید.
زمان تقریبی یادگیری
برآورد مجموع زمان آموزش، مطالعه و تمرین تا رسیدن به سطح کاربردی؛ بسته به پیش‌زمینه شما میتواند کمتر یا بیشتر باشد.
پروژه‌های تمرینی
در ادامه، مهمترین موارد این بخش به تفکیک معرفی شده‌اند.
-
پیشبینی سه‌ماهه یک سبد کالایی
توضیح پروژه: داده فروش چند کالا را برای یک دوره تاریخی آماده کنید. روند و الگوی فصلی را بررسی کنید و برای سه ماه آینده یک پیشبینی پایه بسازید. فرض‌ها، روش محاسبه و خطای پیشبینی روی دوره ارزیابی را نیز گزارش کنید.
-
برنامه تأمین با محدودیت زمان تحویل
توضیح پروژه: برای چند کالا، پیشبینی تقاضا را با موجودی اولیه، سفارشهای باز و زمان تأمین ترکیب کنید. دوره‌های احتمالی کمبود را مشخص کنید و برای هر مورد اقدام پیشنهادی مانند سفارش زودتر یا انتقال موجودی ارائه دهید.
-
تحلیل خطای پیشبینی و سوگیری
توضیح پروژه: چند دوره پیشبینی و مقدار واقعی را مقایسه کنید. میانگین خطای مطلق و سوگیری را برای هر کالا محاسبه کنید و مشخص کنید کدام محصولات به‌طور تکرارشونده بیش‌برآورد یا کم‌برآورد شده‌اند.
-
داشبورد جلسه برنامهریزی تقاضا و عرضه
توضیح پروژه: داشبوردی بسازید که پیشبینی، فروش واقعی، خطا، موجودی و کمبود احتمالی را در کنار هم نمایش دهد. هدف داشبورد باید کمک به تصمیم‌گیری باشد، نه نمایش همه داده‌های موجود.
پرسش‌های رایج درباره پیشبینی تقاضا و عرضه
اگر درباره این مهارت پرسشی دارید، ممکن است پاسخ آن را در میان موارد زیر پیدا کنید.
آیا پیشبینی تقاضا همان پیشبینی فروش است؟
نه کاملا. فروش ثبتشده یکی از مهمترین منابع برای پیشبینی تقاضاست، اما فروش همیشه برابر تقاضای واقعی نیست. برای مثال، اگر کالا موجود نبوده باشد، فروش صفر یا پایین میتواند ناشی از محدودیت عرضه باشد، نه نبود تقاضا. پیشبینی تقاضا تلاش میکند نیاز آینده بازار را با توجه به فروش و سایر عوامل مرتبط برآورد کند.
برای شروع این مهارت باید پایتون بلد باشم؟
خیر. برای شروع میتوانید تحلیل داده، ساخت پیشبینیهای پایه و ارزیابی خطا را با Excel یا ابزارهای مشابه انجام دهید. Python و pandas زمانی مفیدتر میشوند که حجم داده بیشتر شود، محاسبات باید مرتب تکرار شوند
دقت مناسب پیشبینی چقدر است؟
یک مقدار ثابت برای همه کسبوکارها وجود ندارد. دقت موردنیاز به نوع کالا، نوسان تقاضا، افق پیشبینی، هزینه کمبود، هزینه موجودی و تصمیمی که بر اساس پیشبینی گرفته میشود بستگی دارد. بهتر است نتیجه را با یک روش پایه و عملکرد گذشته خودتان مقایسه کنید و علاوه بر مقدار خطا، سوگیری و پیامد عملی خطا را نیز بسنجید.
با کالای جدید که داده تاریخی ندارد چه کار کنیم؟
برای کالای جدید میتوانید از داده محصولات مشابه، اطلاعات بازار، سفارشهای اولیه، نظر فروش و سناریوهای مختلف استفاده کنید. در این شرایط عدمقطعیت بیشتر است؛ بنابراین بهتر است پیشبینی را مرتب با داده واقعی جدید بهروزرسانی کنید.
چرا پیشبینی خوب هم ممکن است به کمبود کالا منجر شود؟
پیشبینی فقط یکی از ورودیهای برنامهریزی است. ممکن است پیشبینی مناسب باشد اما تأمینکننده دیر تحویل دهد، زمان تأمین تغییر کند، ظرفیت تولید کافی نباشد یا سفارش خرید دیر ثبت شود. به همین دلیل پیشبینی تقاضا باید با برنامه عرضه و موجودی همراه باشد.
چگونه مهارت خود را در رزومه نشان دهم؟
یک پروژه واقعی یا تمرینی ارائه کنید که از داده خام شروع شود و به یک تصمیم عملی برسد. مثلا توضیح دهید چگونه داده فروش را آماده کردید، چه خط مبنایی ساختید، خطا را چگونه سنجیدید، چه محدودیت‌هایی پیدا کردید و پیشبینی چگونه به برنامه خرید، تولید یا موجودی تبدیل شد.
