كيف يُنشئ MySales التوقعات

نظرة عامة

يقوم MySales على محرك توقع مُصادَق عليه رياضياً عبر مئات الملايين من مزيجات SKU والمتجر. يُنتج توقعات طلب مستقرة وعالية الجودة لكل منتج في كل متجر، بشكل آلي كامل وعلى نطاق واسع.

يعمل المحرك عبر ستة مستويات هرمية، يتدرج من أوسع عرض إجمالي وصولاً إلى أدق مستوى:

هذا البناء الهرمي جوهري. فحين لا يستطيع المحرك تحديد علاقة موثوقة على مستوى مفصّل (مثل مرونة السعر لـ SKU واحدة في متجر واحد)، يستقي من المستويات الأعلى في الهرم حيث تتوفر بيانات أوفر. والنتيجة: توقع دقيق التفصيل وصلب إحصائياً في آنٍ واحد.

المرحلة الأولى: استيعاب البيانات وتحضيرها

يبدأ خط معالجة التوقع بتحميل جميع البيانات ذات الصلة من نظام إدارة قواعد البيانات ومن تخزين ملفات MySales (طبقة تحسين تُقلِّص الحمل على قاعدة البيانات عند الأحجام الكبيرة).

مصادر البيانات تشمل:

• المبيعات التاريخية والأسعار والخصومات ومستويات المخزون وبيانات الإيصالات
• تسلسل هرمية المنتجات وبيانات المنتج الأساسية
• التسلسل الهرمي الجغرافي وبيانات المتجر الأساسية
• المصادر الخارجية: الطقس والمؤشرات الاقتصادية الكلية وأسعار المنافسين

بالنسبة لـالمتاجر الجديدة أو الـ SKU الجديدة، يُكمِّل النظام السجل المفقود باستخدام متاجر أو منتجات مماثلة، مع تقديم أولوية دائمة لبيانات المبيعات الفعلية حيث تتوفر، وتطبيق بيانات المنتجات المماثلة فقط على الفترات التي لا تتوفر فيها معلومات عن الكيان الجديد.

بعد التحميل، تُجمَّع البيانات في حزم معالجة وتُوزَّع عبر خيوط موازية متعددة (عادةً من 3 إلى 9) للاحتساب المتزامن.

المرحلة الثانية: تنقية المبيعات واستخراج الخط الأساسي

قبل أن يحتسب المحرك الاتجاه والموسمية، يجب عليه فصل أنماط الطلب الحقيقية عن الضجيج الناجم عن تغيرات الأسعار والخصومات والعروض الترويجية وحالات نفاد الرصيد.

تنقية المبيعات الأولية تُزيل آثار هذه العوامل المؤثرة من السجل التاريخي. بدلاً من استبعاد الفترات المتأثرة كلياً، يعزل MySales كل عامل ويُحدِّد أثره كمياً. هذا يحافظ على أكبر قدر ممكن من سجل المبيعات، وهو أمر حيوي في بيئات التجزئة حيث يُخلِّف التناوب المتكرر في التشكيلة فترات غير متأثرة قليلة.

تُستثنى الفترات ذات المبيعات المفقودة الجوهرية الناجمة عن نفاد الرصيد أو نقص المخزون في كل مرحلة من مراحل التحليل.

احتساب الموسمية يستخدم الطريقتين معاً في آنٍ واحد:

يختار النظام تلقائياً الطريقة الأنسب لكل مزيج. وعلى مستوى المجموعة السلعية، يحتسب أيضاً موسمية متوسط سعر المجموعة، رصداً للميل إلى تزامن ذرى الطلب الموسمية مع ارتفاع متوسط الأسعار.

احتساب الاتجاه يلي ذلك. بعد إزالة آثار السعر والخصم والعروض الترويجية والموسمية، يحتسب المحرك اتجاه النمو أو التراجع الإجمالي في المبيعات، إلى جانب متوسط ووسيط المبيعات من البيانات المنقّاة.

المرحلة الثالثة: تحليل العوامل المؤثرة واختيار النموذج

مع توفر خط أساسي نظيف، ينصرف المحرك إلى قياس كيفية تأثير كل عامل خارجي على الطلب.

تحليل الاعتمادية يُقيِّم العلاقة بين المبيعات وكل عامل مؤثر: السعر والخصم والطقس والمؤشرات الاقتصادية الكلية (كأسعار الصرف) وتأثيرات التآكل التنافسي وغيرها. عند تقييم كل عامل، يُزيل النظام انتقائياً أثر العوامل الأكثر هيمنة (كالعروض الترويجية والموسمية) لعزل الأثر الحقيقي.

عند تحليل اعتمادية السعر، يُقيِّم النظام أيضاً اتجاهات التضخم أو الانكماش لتنقية الأسعار التاريخية من التشويهات الاسمية.

ثم يُعبِّئ المحرك مصفوفتين:

1. مصفوفة المتنبئات التاريخية — القيم المرصودة لجميع العوامل المؤثرة خلال الفترة التاريخية، بما تشمل المقاييس المشتقة كنسبة سعر الفترة الحالية إلى متوسط السعر خلال الفترات السابقة.
2. مصفوفة المتنبئات المستقبلية — القيم المتوقعة لكل عامل، باستخدام مقاربة مُفرَّقة: متوسطات بسيطة أو وسيطات لبعض العوامل، وقيم متوقعة لأخرى، وبيانات مُدخلة من المستخدم (خطط التشكيلة، الأسعار المستقبلية، تقويمات العروض الترويجية) حيثما توفرت.

معاملات الارتباط تُحتسب من هذه المصفوفات، ويُشكِّل المحرك تلقائياً نماذج توقع مرشحة من العوامل التي تُظهر تأثيراً ذا معنى على المبيعات.

اختبار النماذج واختيارها يلي ذلك. يُقيِّم المحرك النماذج المُولَّدة تلقائياً والنماذج المُعدَّة مسبقاً معاً وفق دقتها بالقياس إلى المبيعات التاريخية. خلال التقييم، تُستثنى فترات نقص المخزون والعروض الترويجية عالية الأثر. يُختار النموذج الأفضل دقةً تاريخياً.

المرحلة الرابعة: توليد التوقع وتحسينه

بمجرد اختيار النموذج الأفضل، يُولِّد المحرك التوقع للفترات المستقبلية. ثم تضمن سلسلة من إجراءات التحسين الاستقرار والموثوقية.

تحسينات ما بعد التوليد تشمل:

• احتساب الحد الأدنى للمبيعات للحيلولة دون توقعات منخفضة بصورة غير واقعية
• تحليل الارتباط الذاتي لخطأ النموذج، المستخدم لتعديل التوقع للأسابيع القادمة
• احتساب متنبئ AutoMult، الذي يُعدِّل (وفقاً للإعداد) التوقعَ للأسابيع الستة القادمة بناءً على نسبة متوسط التوقع إلى متوسط المبيعات الفعلية خلال الثلاثة أسابيع الماضية

الارتفاع الترويجي يُحتسب بعد ذلك. يُطبِّق المحرك معاملات الارتفاع المُولَّدة بواسطة مجموعة من الشبكات العصبية، أو يستخدم بيانات من عروض ترويجية تاريخية مماثلة حيثما جرى تحديدها. تُكيَّف الارتفاعات وفق الخصائص الفردية لكل مزيج من SKU والمتجر، مع تطبيق حدود دنيا وقصوى لضمان نتائج مستقرة للمنتجات ذات السجل الترويجي المحدود.

بعد احتساب الارتفاع الترويجي، يُجري المحرك إعادة معايرة النموذج عبر جميع العوامل المؤثرة. هذه الخطوة ضرورية لأن تأثيري السعر والعروض الترويجية غالباً ما يرتبطان ارتباطاً وثيقاً، وتضمن إعادة المعايرة أن يظل التوقع الترويجي المجمَّع متسقاً داخلياً.

المرحلة الخامسة: مخزون الأمان والتعديلات قصيرة المدى والمخرجات النهائية

مع اكتمال التوقع الأساسي، يحتسب المحرك المخرجات التشغيلية اللازمة للتجديد.

مخزون الأمان يُحتسب بوصفه الانحراف المعياري لخطأ التوقع مقارنةً بالمبيعات التاريخية. لالتقاط التباين الموسمي في تقلبات الطلب، يُقسَّم التوقع إلى ثلاثة نطاقات (موسم مرتفع ومتوسط ومنخفض)، ويُحتسب مخزون الأمان بشكل منفصل لكل منها.

تعديل التوقع قصير المدى يُحسِّن الأسبوعين القادمين (قابل للضبط) باستخدام متوسط المبيعات اليومية من أحدث 7-14 يوماً خلال فترات توافر المخزون. يحمِّل النظام بيانات المبيعات لآخر 28 يوماً، يحدد الأيام التي كان فيها المنتج متاحاً، ويحتسب متوسط المبيعات اليومية بشكل منفصل للفترات الترويجية وغير الترويجية. تُستثنى الذرى الموسمية، وتُعدَّل المتوسطات للموسمية والسعر والطقس وعوامل أخرى. تظهر النتيجة بوصفها متنبئ التعديل اليومي.

مخرجات إضافية في المرحلة النهائية:

الخوارزميات المتخصصة

يتضمن MySales خوارزميات مُصمَّمة لغرض محدد لسيناريوهين تقصر فيهما مقاربات التوقع القياسية.

المنتجات الجديدة دون منتجات مماثلة مُعيَّنة. حين يدخل منتج جديد إلى التشكيلة ولم يُعيَّن له منتج مماثل، يستخدم المحرك مبيعات المنتج المتوسط ضمن المجموعة السلعية. يُعدِّل هذا الخط الأساسي وفق مرونة سعر المجموعة باستخدام السعر المحدد للمنتج الجديد، ويُطبِّق قيوداً إضافية لضمان نتائج مستقرة ودقيقة.

توسيع التوزيع. حين يتوسع منتج من مجموعة فرعية من المتاجر إلى نطاق أوسع، يُولِّد المحرك توقعات للمتاجر التي لا يوجد لها سجل مبيعات سابق.

تُحدَّد مجموعة العوامل المؤثرة الكاملة المستخدمة في النظام من قِبَل المستخدم ويمكن تخصيصها لمطابقة بيئة بيانات كل تاجر تجزئة ومتطلباته التجارية الخاصة.

ما يعنيه هذا لعملك

يُصمَّم محرك توقع MySales للقضاء على الجهد اليدوي والتخمين اللذين يُميِّزان تخطيط الطلب التقليدي. كل مرحلة في خط المعالجة، من تنقية البيانات إلى اختيار النموذج إلى احتساب الارتفاع الترويجي، تعمل تلقائياً وتتكيف مع الخصائص المحددة لكل مزيج من SKU والمتجر.

بالنسبة لكبار تجار التجزئة، يُحقق ذلك ثلاث نتائج ملموسة. أولاً، تتحسن دقة التوقع لأن المحرك يُقيِّم كل محرك طلب ذي معنى ويختار أفضل نموذج من بين مئات المرشحين، وهو ما لا تستطيع أي فرقة محللين تكراره يدوياً على هذا النطاق. ثانياً، ترتفع الكفاءة التشغيلية لأن خط المعالجة بأكمله، بما يشمل مخزون الأمان والتعديلات قصيرة المدى، يعمل من البداية إلى النهاية دون تدخل بشري. ثالثاً، تُعالَج الحالات الاستثنائية بشكل منهجي: إطلاق منتجات جديدة وتوسيع التوزيع والمنتجات ذات السجل المحدود — تحظى جميعها بمعالجة خوارزمية مُصمَّمة لغرضها بدلاً من حلول مؤقتة.

والنتيجة: أساس توقع يتوسع مع عملك، من مئات الـ SKU إلى مئات الآلاف منها، دون زيادات متناسبة في عدد موظفي التخطيط أو التعقيد.