التنبؤ بالطلب بالذكاء الاصطناعي في دبي: مخزون يناسب المواسم

من أي بيانات يتعلم التوقع؟

التوقع المفيد يبدأ من بياناتك أنت، لا من متوسطات عامة عن السوق. وكلما كانت البيانات أنظف كان التوقع أدق، لذلك نبدأ بتنظيفها: أصناف مكررة بأسماء مختلفة، وأيام إغلاق، ومرتجعات سُجلت كمبيعات. هذه البيانات التي نجمعها ونربطها قبل أي حساب:

• المبيعات السابقة - لكل صنف وكل فرع أو قناة، يوماً بيوم أو أسبوعاً بأسبوع، من ERP أو نظام نقاط البيع أو المتجر الإلكتروني.
• المواسم - رمضان والعيدان، والصيف حين يسافر كثير من السكان، ومهرجان دبي للتسوق، والعودة إلى المدارس، والجمعة البيضاء.
• العروض - متى خفّضت الأسعار وكم ارتفعت المبيعات، حتى لا يُحسب ارتفاع العرض طلباً عادياً.
• التوريد - مدة التسليم لكل مورد، والحد الأدنى للطلب، ومدة الشحن إلى جبل علي.
• المخزون - الكمية الحالية، والكمية في الطريق، وتواريخ انتهاء الصلاحية للأصناف الغذائية.

كيف يتحول التوقع إلى اقتراح طلب؟

يحسب النموذج المبيعات المتوقعة لكل صنف للأسابيع القادمة، مع مدى متوقع لا رقم واحد، لأن المستقبل لا يُعرف بدقة. ولأن رمضان يتقدم نحو 11 يوماً كل سنة، لا يكفي النظر إلى الشهر نفسه في العام الماضي، بل يتعلم النموذج أثر الموسم أينما وقع في التقويم.

ثم يطرح من التوقع ما لديك في المخزون وما هو في الطريق، ويضيف مخزون الأمان الذي تحدده، ويراعي مدة التسليم والحد الأدنى للطلب. النتيجة قائمة مقترحة: هذا الصنف تطلب منه هذه الكمية هذا الأسبوع، مع السبب، مثلاً: «رمضان يبدأ بعد 5 أسابيع، ومدة التسليم 4 أسابيع، والمخزون يكفي أسبوعين». وتعرض القائمة كذلك الأصناف الراكدة التي يكفي مخزونها شهوراً، فلا يُطلب منها شيء، وقد تناسبها حملة تخفيض.

ما الذي يبقى لفريق المشتريات؟

الإنسان يعرف ما لا تعرفه البيانات: منافس يغلق فرعاً قريباً، أو مورد يرفع أسعاره الشهر القادم، أو حملة تسويقية لم تُسجل بعد. لذلك يراجع فريقك الاقتراحات ويعدلها ويطلب. النظام لا يرسل أوامر شراء وحده.

مثال: موزع أغذية في القوز يرى في قائمة الاثنين أن التمر ومنتجات الألبان تحتاج كميات أكبر قبل رمضان، وأن المياه المعبأة ترتفع مع بداية الصيف. يعدّل المدير كمية صنف واحد لأنه يعرف أن عميلاً كبيراً أوقف طلباته، ويوافق على الباقي.

ويقيس النظام نفسه: يقارن كل أسبوع ما توقعه بما بيع فعلاً، ويعرض الأصناف التي أخطأ فيها كثيراً، فتعرف أين تثق بالتوقع وأين تراجعه بعناية. ويصلك تقرير صباحي بالأصناف المعرضة للنفاد أو الراكدة، كما في صفحة أتمتة التقارير ولوحات المعلومات. وتحويل الاقتراح إلى أمر شراء يتم في أتمتة المشتريات.

ماذا يعني ذلك لشركة تجارية في الإمارات؟

مثال حسابي: لنفترض أن متجراً يحمل 1,500 صنف، وأن مسؤول المشتريات يراجع كل صنف مرة في الأسبوع لمدة دقيقة واحدة. هذا 1,500 دقيقة، أي 25 ساعة في الأسبوع. وإن كان النظام يعرض فقط الأصناف التي تحتاج قراراً، ولنفترض أنها 200 صنف بدقيقتين لكل منها، فالمجموع 400 دقيقة، أي نحو 7 ساعات. أرقام افتراضية للتوضيح، لا نتيجة عميل. والنتيجة التي تهمك ليست الساعات وحدها، بل رفوف لا تفرغ في الموسم ومخزون أقل يتكدس بعده.

يناسب التنبؤ بالطلب تجار الجملة في ديرة، والمطاعم وشركات الأغذية، ومتاجر الإلكترونيات والأزياء، والبائعين على المنصات الإلكترونية. وهو واحد من استخدامات الذكاء الاصطناعي في الشركات. يمكنك حجز الفحص المجاني وإحضار بيانات مبيعات سنة لنرى ما يمكن توقعه بها.