جهت جستجوی محتوای گروه اگزیت، از کلیدواژه مناسب در فیلد مقابل استفاده نمایید. سپس، نتایج در قسمت جستجوی پیشرفته، قابل بهینه‌سازی خواهد بود.

 

مدل سازی تقاضا

مدل سازی تقاضا

مدل سازی تقاضا چیست؟

مدل سازی تقاضا متفاوت از پیش بینی تقاضا است. به عبارت ساده، در مدل‌سازی به جای پیش‌بینی صرف تقاضا، الگوی تقاضا شبیه‌سازی شده و به این ترتیب علاوه بر امکان پیش‌بینی، امکان تعقیب رفتار تقاضا بر مبنای تغییر متغییرهای ورودی مدل نیز وجود خواهد داشت. پیش‌بینی به طور معمول با جمع‌آوری مجموعه‌ای از داده ها شروع شده، معمولاً به صورت نمودار میله‌ای ارائه می‌شود و تقاضا را به صورت دوره‌های یک ماه یا یک هفته‌ای نمایش می‌دهد. دراین حالت فرض می‌شود اطلاعات تاریخی و آنچه در ماه‌ها یا سال‌های گذشته اتفاق افتاده است، مبنای پیش‌بینی کننده مناسبی برای آنچه در ماه‌های آینده اتفاق می‌افتد، خواهد بود.

به عنوان مثال، فرض کنید یک شرکت کالاهای مصرفی هستید که محصولات آب پرتقال رو تهیه می‌کنید. اگر بخواهید یک پیش‌بینی سه ماه از تقاضا - بر اساس چند سال گذشته، و تغییر در روندها و تغییرات فصلی - داشته باشید، احتمالاً می‌تونید با بکارگیری تکنیک پیش‌بینی در تحلیل مشتریان با دقت قابل قبولی این تقاضا رو پیش بینی کنید. مشکل اینه که اکثر تصمیمات زنجیره تأمین در اون سطح اتخاذ نمی‌شوند. پرسش حقیقی اینه که چند کارتن پالپ، 16 اونسی، رو برای حمل و نقل از انبارتون در شهرستان، در این بازه زمانی لازم خواهید داشت. بنابراین حتی اگر پیش‌بینی‌هاتون فقط چند درصد انحراف داشته باشه - این خطا به راحتی می‌تونه برای یک هفته خاص، در یک مرکز توزیع، برای محصول مشخصبه 40-50 درصد کمبود منجر بشه.
دلیل این امر اینه که الگوریتم‌های به اصطلاح «تقسیم» کل، 8٪ رو اینجا تقسیم می‌کنه، و 12٪ رو در اون‌جا، ولی این نوع تقسیم‌بندی در سطح توزیع محصول با SKU مشخص، مطابقت ندارد. وقتی داده‌ها رو به صورت تجمعی محاسبه می‌کنید، یا داده‌های غیرمرتبط رو حذف می‌کنید، داده‌ها یکنواخت‌تر می‌شوند و پیش‌بینی آسان‌تر می‌شود؛ اما طی این مراحل، سیگنال رو هم از دست می‌دهید. سیگنالی که هرگز در سطح کل و تجمعی قابل بازیابی نیست. در این مثال سهولت هزینه فرصت دقت قلمداد می‌شه.

مدل سازی تقاضا برعکس این حالت عمل می‌کند، یعنی به جای اینکه از بالا به پایین عمل کنه، از پایین به بالا حرکت می‌کنه. مشاور در این تکنیک عناصر تقاضا رو به مجموعه‌ای از عوامل داخلی و خارجی - جریان تقاضا - تجزیه می‌کنه و به چگونگی تأثیر هر یک از این جریان‌ها بر روند کلی برای پیش‌بینی تقاضای آینده می‌پردازه. این عوامل خاص، به مکان‌ها در سطح دانه‌ای و روزانه به عنوان پیش برنده و محرک تقاضا برای محصولات با SKU مشخص نگاه می‌کند. همچنینعوامل شکل‌دهنده تقاضای خارجی - مانند معرفی محصولات جدید، تبلیغات تجاری  نمایشگرهای انتهای راهرو و کاهش قیمت - رو در نظر می گیره که در دقیق‌ترین سطح مانند فروشگاه، تأثیر می‌گذارند و اونها رو هم در پیش‌بینی لحاظ می‌کنه.

مدل سازی تقاضا

مدل‌سازی تقاضا همچنین داده‌ها رو به طور متفاوتی پردازش می‌کنه و نوع دیگری از خروجی رو تولید می‌کنه. به نظر می‌رسه در پیش‌بینی بهترین تناسب از میون همه الگوریتم‌های موجود، یک مقدار واحد رو تولید می‌کنه؛ ولی در مدل سازی تقاضا، مدل یک توزیع تقاضای تطبیقی ​​ایجاد می‌کنه که به بهترین وجه متناسب با ویژگی‌های تقاضا است. سپس طیف وسیعی از نتایج ممکن رو با احتمالات اختصاص داده شده به تمام مقادیر موجود در این محدوده تولید می‌کنه. بدین ترتیب، نتیجه از «مقدار پیش بینی تقاضا» به احتمال این پیش‌بینی تقاضا ارتقاء پیدا می‌کنه. مدلسازی تقاضا حتی به کالاهای پرمصرف FMCG هم کمک می‌کنه، جایی که تقاضا ثابت به نظر می‌رسه. وقتی این موارد رو در سطح دانه بندی مدل می‌کنید، تقاضا متناوب تر، نامنظم و بی‌ثبات به نظر می‌رسه. الگوریتم‌های پیش بینی این رو غیرقابل پیش‌بینی در نظر می‌گیرند- چراکه یا نمی‌توانند اون رو تحلیل کنند یا نمی‌توانند ارزش افزوده مشخصی داشته باشند. مدل سازی تقاضا مقادیر رو به بخش‌های تشکیل دهنده اون تجزیه می‌کنه، تا منطقشون رو درک کنه و یک پیش بینی کامل رو در همه موارد ایجاد کنه.

اگه بخواهیم به مزایای مدل‌سازی تقاضا اشاره کنیم، تقاضای مدل‌سازی معمولاً دقت پیش‌بینی رو - بطور قابل اندازه گیری در تجمعی و بسیار قابل توجه در سطح تفصیلی - بهبود می‌ده. همچنین باعث کاهش مداخله دستی لازم در بررسی تغییرات احتمالی هم خواهد بود.

مدل سازی تقاضا چگونه انجام می‌شه

مدل سازی تقاضا، با تجزیه و تفکیک داده‌ها به «سیگنال» و «داده‌های زاید - نویز» انجام می‌شه. این باعث می‌شه تا میزان ممکن میزان تقاضای پایه، دانه بندی شود. هرچه جزئیات بیشتر باشه، سیگنال‌های بیشتری حفظ می‌شود - و سیگنال واضح‌تر از درون اطلاعات زاید قابل شناسایی است. بیشترین کاربرد سطوح دانه‌بندی، خط سفارش خرید روزانه، بر مبنای اقلام به صورت روزانه است و همچنین براساس ارسال محموله‌ها به مکان‌ مشخص می‌باشد.

از این جزئیات می‌شه انواع الگوهای مختلف رو شناسایی کرد. به عنوان مثال، هر مورد حمل به مکان ممکنه الگوهای سفارش واضحی رو نشان بده که روزهای خاصی از هفته رو برجسته‌تر می‌کنه و ممکنه روزهای دیگه رو مانند شنبه‌ها و یکشنبه‌ها و تعطیلات دیگه بطور کامل از بررسی حذف کنه. به همین ترتیب، ممکنه الگوهای مشخصی برای هفته‌ها در طول ماه وجود داشته باشه، که توسط اهداف فروش در تقویم‌های سال مالی هدایت می‌شوند. این جزئیات امکان شناسایی خودکار سیگنال رو فراهم می‌کنه.

اطلاعات تکمیلی نظیر - نوسانات فصلی، تبلیغات، هوش تجاری - هم جدایی سیگنال‌ها رو از داده‌های مزاحم، به منظور پیش‌بینی دقیق‌تر تسهیل می‌کنه. همینطور که اطلاعات اضافی ارائه می‌شه، هر بیت از آخرین سیگنال‌ها از داده‌های مزاحم جدا میشه.

مشاوران گروه همکاری‌های اقتصادی اگست آمادگی دارند در خصوص فرآیند مشاوره و برون‌سپاری مدل‌سازی تقاضا جهت کارآفرینان و تیم‌های استارتاپ اطلاعات لازم را در اختیار شما قرار دهند. علاقمندان می‌توانند به منظور دریافت اطلاعات بیشتر تماس گرفته و همچنین نظرات و پیشنهادات خود را با ما در میان بگذارند.