پیش بینی تقاضا: هر آنچه را که باید بدانید

ابی جنکینز |مدیر بازاریابی محصول

12 سپتامبر 2022

وقتی صحبت از تقاضای مشتری می شود ، استیو جابز مشهور گفت: "کار ما این است که بفهمیم آنها قبل از انجام چه چیزی می خواهند."موقعیت شغل این است که اپل نیاز به "خواندن چیزهایی که هنوز در صفحه نیستند".

پیش بینی کنندگان تقاضا سعی می کنند فقط با استفاده از تکنیک های تجزیه و تحلیل پیش بینی برای چرخش داده ها در مورد فروش گذشته و حال به پیش بینی آنچه مشتریان در آینده می خواهند انجام دهند. اما تولید پیش بینی ها فقط آغاز است. تقاضا پیش بینی موفقیت را می طلبد که این بینش ها تصمیمات مربوط به جهت محصول ، قیمت گذاری ، گسترش شرکت ، استخدام و موارد دیگر را آگاه می کنند - و این نتایج تفسیر در دام صرفه جویی در تلاش برای تحویل اسبهای سریعتر قرار نمی گیرند.

پیش بینی تقاضا چیست؟

پیش بینی تقاضا فرایند پیش بینی اینکه اشتهای مشتریان برای محصولات یا خدمات موجود چه خواهد بود ، تعیین اینکه چه تعدیل شما باید انجام دهید و چه پیشنهادهای جدید باعث علاقه می شود. اما پیش بینی آنچه مردم می خواهند ، در چه مقادیر و چه موقع شاهکار کوچکی نیست. به عنوان مثال ، جدول زمانی می تواند بسیار خاص باشد ، "آیا باید روز جمعه تراشه های بیشتری را ارسال کنیم؟"یا آنها می توانند یک دوره زمانی را طی کنند ، مانند "بین اکنون و یک ماه از اکنون" یا "در طول سال تقویم بعدی".

اگر پیش بینی برای یک محصول خاص که توسط یک شرکت فروخته می شود ، همانطور که اغلب اتفاق می افتد ، پیش بینی تقاضا همان نتیجه عملی را به عنوان پیش بینی فروش آن محصول تولید می کند. در موارد دیگر ، پیش بینی تقاضا در سطح طبقه بندی محصول تعمیم بیشتری خواهد یافت. فکر کنید ، "آمریکایی ها چند سدان لوکس در سال 2022 خریداری می کنند؟"یا به طور گسترده تر ، "چند اتومبیل؟"

پیش بینی کنندگان تقاضا از تکنیک های مختلفی برای پیش بینی خود استفاده می کنند. همانطور که بحث خواهیم کرد ، این به بهترین وجه به پرونده یا دامنه بستگی دارد. ما همچنین به اصول اساسی که باعث موفقیت می شود ، لمس خواهیم کرد.

• پیش بینی تقاضا برای پیش بینی تقاضای مشتری برای یک محصول یا خدمات با سطح ویژگی های مختلف استفاده می شود.
• پیش بینی های دقیق و به موقع هم برای مشاغل و هم برای مشتریان آنها بسیار ارزشمند است.
• روشهای مختلف ، چه کیفی و چه کمی ، برای ایجاد و بهبود پیش بینی ها وجود دارد.
• داده ها ، نرم افزارها و تجزیه و تحلیل ها به طور فزاینده ای برای دستیابی به درستی پیش بینی تقاضا بسیار مهم هستند.
• تولید پیش بینی های جامد کافی نیست. بهترین پیش بینی کنندگان همچنین نقاط قوت ، فرضیات و محدودیت های پیش بینی های خود را ارتباط برقرار می کنند.

پیش بینی تقاضا توضیح داده شده است

پیش بینی تقاضا موضوعی گسترده است و پزشکان آن را از طریق انواع لنزها مشاهده می کنند. برخی از آن به عنوان استفاده از داده های فروش گذشته و فعلی برای برآورد تقاضای آینده مشتری فکر می کنند. اما این بدان معنی است که شما نمی توانید تقاضای یک محصول جدید را که نادرست است پیش بینی کنید. در همین حال ، پیش بینی کنندگان اقتصادی ممکن است تحت این فرض بی فایده عمل کنند که پیش بینی تقاضا کاملاً مربوط به تقاضای مصرف کننده است ، که مسائل مربوط به اهمیت را برای مشاغل که سعی در پیش بینی تقاضا از مشتریان دارند ، نادیده می گیرد.

سردرگمی قابل درک است. نکته مهم این است که ، صرف نظر از زمینه ، پیش بینی تقاضا اساساً در مورد پیش بینی آنچه مردم می خواهند ، چه مقدار و چه زمانی هستند.

برای بقیه این مقاله ، "پیش بینی تقاضا" یک تجارت یا فردی یا تیمی خواهد بود که به نمایندگی از یک تجارت کار می کند ، که به خدمت به مشتریان و رشد شرکت اهمیت می دهد. اما ما هیچ فرضیه پتو را در مورد اینکه چه نوع داده هایی در دسترس است یا در چه سطحی که پیش بینی می شود ، از یک فروشگاه واحد تا کل اقتصاد متمرکز نمی کنیم ، نمی کنیم.

ویدئو: پیش بینی تقاضا چیست؟

چرا پیش بینی تقاضا برای مشاغل مهم است؟

پیش بینی تقاضا برای مشاغل مهم است زیرا شناسایی سطح تقاضای مورد انتظار برای محصول یا خدمات شما به این معنی است که می توانید آماده کنید. پیش بینی ها لازم نیست که فوق العاده مفید باشند. حتی پیش بینی های دقیق از نظر جهت می تواند یک کمک بزرگ باشد - صرفاً دانستن اینکه آیا تقاضا زیاد خواهد شد ، زیاد می شود یا در مورد همان زمان باقی می ماند ، به این معنی است که آیا این به معنای سفت کردن کمربندهای آنها ، گسترش یک خط تولید یا ماندن در دوره است.

مدیریت موجودی کارآمد تا حدودی به پیش بینی تقاضای خوب متکی است. موجودی کافی نه تنها باعث ناراحتی مشتریان و هزینه درآمد شما نمی شود ، بلکه اگر به اندازه کافی اتفاق بیفتد ، یا در یک موقعیت به اندازه کافی مهم برای مشتری ، می تواند منجر به از دست دادن تجارت آینده نیز شود. اما Overstocking از نظر ذخیره سازی و تدارکات پرهزینه است و می تواند برخی از موجودی ها را برای مدت طولانی - یا برای همیشه - یا برای همیشه رها کند و در نتیجه از دست دادن کل سرمایه گذاری باشد. بنابراین ، یافتن تعادل موجودی مناسب ، جنبه ای ضروری از پیش بینی تقاضای خوب است.

پیش بینی تقاضا برای رشد مشاغل ، به ویژه مشاغل کوچک و متوسط ، از اهمیت ویژه ای برخوردار است. مشاغل با اندازه و فروش پایدار با همان خطرات و تنوع در نتایج حاصل از شرکتی که سعی در رشد سریع دارد ، باید آماده شوند و اشتباهات در پیش بینی به راحتی توسط یک شرکت بزرگتر از یک شرکت کوچک جذب می شوند. مقیاس بندی نادرست یکی از دلایل اصلی عدم موفقیت در بین استارتاپ ها است و پیش بینی تقاضای نقص می تواند منجر به این شود که با آماده سازی شرکت برای پر کردن یک سفارش بزرگ یا با ایجاد سریع آن ، به سرعت برآورده شود تا تقاضا را برآورده کند که تحقق نمی یابد.

در هر صورت ، پیش بینی بد باعث می شود که این شرکت با سوزاندن پول نقد مورد نیاز برای زنده ماندن ، باند خود را بخورد - تعداد ماه هایی که می تواند قبل از اتمام پول کار کند -.

چه عواملی بر پیش بینی تقاضا تأثیر می گذارد؟

دو سطل از عوامل بر پیش بینی تقاضا تأثیر می گذارد: مواردی که بر خود تقاضا می کنند ، از جمله رویدادهای یک بار که می توانند به طور موقت تقاضای بالا یا پایین بیایند ، و مواردی که بر توانایی شرکت شما در پیش بینی تقاضا تأثیر می گذارد. بیایید هر گروه را کشف کنیم.

عوامل پیش بینی کننده بر تقاضا

این گروه بیشتر به عواملی در کنترل شرکت ، عوامل خاص برای مشتریان و چشم اندازهای شما ، روندهای سطح کلان و رویدادهای یک طرفه تقسیم می شود.

در کنترل شرکت: در این گروه ، در مورد بازاریابی ، قیمت گذاری و دسترسی فکر کنید. به عنوان مثال ، یک کمپین تبلیغاتی جدید می تواند مشتریان جدیدی را به وجود آورد ، به خصوص اگر با یک محصول جدید جفت شود. اگر یک زنجیره رستوران فست فود یک ساندویچ جدید را با یک تبلیغات تبلیغاتی راه اندازی کند ، با ورود مشتریان برای امتحان کردن ساندویچ ، سدیم و سیب زمینی سرخ شده بیشتری نیز به فروش می رساند.

افتتاح یک فروشگاه جدید همچنین باید پیش بینی تقاضای شما را افزایش دهد ، زیرا مجموعه جدیدی از مشتریان اکنون به محصولات شما دسترسی یا حداقل دسترسی آسان تر دارند. حتی حضور شرکتی که صریحاً "فروش" نمی تواند باعث تقاضا شود: تسلا اتومبیل را به صورت آنلاین می فروشد اما دریافت که افتتاح نمایشگاه های فیزیکی تقاضا را در مناطق اطراف افزایش می دهد.

یکی از مهمترین عوامل قیمت ، قیمت است ، زیرا مشتریان احتمالاً با بالا یا پایین آمدن قیمت ، مقادیر مختلفی از یک کالای خوب یا خدمات را درخواست می کنند. پیش بینی کنندگان باید بیشترین و بهترین اطلاعات را در مورد این عوامل داشته باشند ، زیرا آنها تصمیماتی هستند که توسط شرکت گرفته شده است. اگر شرکت شما در تلاش است تا این نوع اطلاعات را در بر بگیرد ، پیش بینی کنندگان را ترغیب به همکاری بهتر با تیم های فروش و بازاریابی کنید.

فاکتورهای مشتری: همچنین عواملی خاص برای مشتریان و مشتریان بالقوه شما وجود دارد که بر تقاضا تأثیر می گذارد. مشتریان وفادار تمایل دارند وفادار بمانند مگر اینکه اتفاق بدی رخ دهد. مشتریان بسیار خوشحال می توانند تجارت ارجاع ایجاد کنند. هر نوع مشتری می تواند نوشتن یک بررسی را به پایان برساند ، و جمع این بررسی ها می تواند تأثیر قابل توجهی بر تقاضا داشته باشد.

اما شاید مهمترین عامل خاص مشتری مربوط به محصول یا خدمات شما باشد ، بلکه به این مشکل مربوط می شود که محصول یا خدمات شما برای آن مشتری و نحوه نزدیک شدن آن مشتریان به آن حل می شود. اگر رقابت شما یک رویکرد جدید و بهتر را معرفی کند ، داده های فروش گذشته شما می تواند برای اهداف پیش بینی بی معنی باشد. اگر مشکلی که محصول شما حل می کند گسترده است و دانش در مورد راه حل شما نیست ، فروش با آگاهی رشد می کند - و شامل برنامه های بخش بازاریابی در پیش بینی ها حتی مهمتر می شود.

روندهای کلان: روندها و رویدادهای گسترده در سطح کلان که هیچ ارتباطی با شرکت شما ندارند ، ممکن است در صورت تأثیرگذاری بر جغرافیای بزرگ یا جمعیت ، بر تقاضا تأثیر بگذارد. اگر مشتریان بزرگسال شما شروع به خوردن سالم تر می کنند ، ممکن است تجارت فست فود شما نیاز به ارائه گزینه های اضافی برای نگه داشتن خانواده ها داشته باشد یا با افت تقاضا روبرو شود ، مهم نیست که چه اتفاقی می افتد. به همین دلیل این رستوران ها گزینه های سالاد را معرفی کردند. اگر یک بیماری همه گیر جهانی سفر به کار خود را متوقف کند ، فرقی نمی کند که مشتریان چقدر شرکت هواپیمایی شما را نسبت به رقیب شما ترجیح می دهند - آنها به هیچ وجه پرواز نمی کنند. این عوامل بزرگتر ممکن است بر اساس وقایع یک بار مانند یک بیماری همه گیر باشد. روندهای مداوم ، مانند جمعیت سالخورده. مسائل فصلی مانند آب و هوا ، که تأثیر زیادی در رفتار دارد. و/یا جغرافیا ، که با سایر عوامل از جمله فرهنگ و آب و هوا نیز ارتباط دارد.

یک طرفه: بسیاری از مراکز مشاوره پیش بینی تقاضا پیرامون روش هایی برای استفاده بیشتر از داده های تاریخی. اما در گذشته و آینده ، رویدادهای یک طرفه می توانند پیش بینی های داده محور را کاهش دهند. اگر محصول شما بعد از اینکه اوپرا در نمایشگاه خود به آن اشاره کرد ، یک سنبله هفتگی در فروش مشاهده کرد ، این شرکت احتمالاً نمی خواهد این داده ها را برای ایجاد پیش بینی های سال آینده درج کند زیرا احتمالاً دوباره اتفاق نمی افتد.

به همین ترتیب ، یک فاجعه طبیعی که مرکز اصلی توزیع محصول را بست ، احتمالاً تکرار نمی شود ، بنابراین فروپاشی مربوط به فروش باید صاف شود یا در غیر این صورت تخفیف یابد. رویدادهای یک طرفه نیز می توانند آینده نگر باشند. اگر از قبل می دانید که برند شما در یک برنامه تلویزیونی نمایش داده می شود یا اینکه برخی از فروشگاه ها را برای بازسازی و آموزش می بندید ، می توانید آن رویدادها را در پیش بینی خود وارد کنید به گونه ای که تغییر مسیر کلی شما را تغییر نمی دهدپیش بینی ها به جلو می روند.

عواملی که بر روند پیش بینی تقاضا تأثیر می گذارد

پیش بینی در مورد جمع آوری داده ها ، ایجاد حدس های تحصیل کرده در مورد نیروهای اساسی در دنیای واقعی است که این داده ها را تولید می کنند و سپس فرضیاتی را در مورد چگونگی تغییر این نیروها و تغییر در آینده ایجاد نمی کنند. مهم نیست که داده ها و روش های کمی شما پیچیده باشد ، در هر یک از این سه عنصر ، عوامل مختلفی است که می توانند بر پیش بینی تقاضا تأثیر بگذارند.

داده ها:

شما هرگز داده های کاملی برای ورود به پیش بینی ها نخواهید داشت. اگر خوش شانس باشید ، داده های فروش گذشته با کیفیت بالا خواهید داشت ، اما حتی این فقط می تواند تا آنجا پیش برود زیرا همه چیز بین زمان جمع آوری داده ها و هنگام پیش بینی خود تغییر می کند. و ، داده های فروش در مورد مشتریان فعلی و سابق به شما می گوید ، اما مشتریان آینده نیست.

برخی از شرکت ها برای کسب اطلاعات در مورد آن مشتریان آینده نگر ، از اجرای آزمایش های بازاریابی گرفته تا استقرار گروه های متمرکز و نظرسنجی ، از راه خود خارج می شوند. اما هر شرکتی دسترسی زیادی به مشتریان هدف ندارد و هر مجموعه از مشتریان هدف وقت یا تمایل به کمک ندارد. به عنوان مثال ، فروش ایده های جدید به اقدامات پزشکی بسیار دشوار است زیرا پزشکان شلوغ معمولاً وقت خود را برای شرکت در تحقیقات بازار نمی گیرند.

نیروهای اساسی:

پس از اطلاعات ، شروع به سنتز آن ، انجام مشاهدات و شناسایی الگوهای ایجاد شده توسط نیروهای دنیای واقعی که داده های شما را تولید می کنند ، خواهید بود. برای تولید پیش بینی تقاضا ، باید با استفاده از مدل ها یا رویه های ساده ای که نیاز به فرضیاتی در مورد آن نیروها دارند ، پیش بینی کنید. اگر از یک مدل رشد خطی استفاده می کنید ، اما رشد تقاضا در واقع پرشور است ، پیش بینی شما فقط به حدی خوب خواهد بود که این توده ها در صورت پیش بینی یک خط مستقیم انجام دهند.

در بسیاری از موارد ، مدلهایی که در دوره های کوتاه تر کار می کنند به طور فزاینده ای نسبت به افق های زمانی طولانی تر رشد می کنند ، زیرا تفاوت بین مدل و واقعیت اساسی بیشتر از پیش بینی شما بیشتر می شود.

عدم قطعیت های آینده:

حتی اگر داده های کامل و دقیقی داشته باشید و مدل شما تمام نیروهای اساسی مربوطه را ضبط می کند ، هنوز باید فرض کنید که حقایقی که شما کشف کرده اید در "کشور کشف نشده" وجود دارد - اصطلاح شکسپیر برای آینده. این یک فرض بزرگ استخیلی می تواند تغییر کند ، از یک رقیب جدید به مطبوعات مثبت غیر منتظره گرفته تا یک همه گیر جهانی تا یک لحظه ویروسی در رسانه های اجتماعی. و پیش بینی یا توصیف این تغییرات آسان نیست. به عنوان مثال ، گروه بعدی مشتریان جدید شما ممکن است تمایل کمتری برای توصیه محصول شما به دوستان نسبت به گروههای قبلی خود داشته باشد ، یک پدیده رایج است زیرا پذیرندگان اولیه اغلب هیجان زده هستند. تغییرات ظریف مانند آن به مرور زمان اضافه می شود و مسیر تقاضا را تغییر می دهد.

7 نوع پیش بینی تقاضا

پیش بینی تقاضا چتر بزرگی دارد که رویکردها ، مدل ها و فرمول های مختلفی را در بر می گیرد. سهم شیر از این موارد در یک یا چند مورد از شش نوع پیش بینی تقاضا ، که در امتداد سه بعد معنی دار قرار می گیرند ، ضبط می شود: منفعل در مقابل روشهای فعال ، کوتاه مدت در مقابل افق بلند مدت و داخلی در مقابل تمرکز خارجی از دیدگاه تجارت.

پیش بینی تقاضای منفعل

پیش بینی تقاضای فعال

پیش بینی هوش مصنوعی

پیش بینی تقاضای کوتاه مدت

پیش بینی تقاضای بلند مدت

پیش بینی تقاضا داخلی (سطح میکرو)

پیش بینی تقاضا خارجی (سطح کلان)

هر فرآیند پیش بینی یا پیش بینی به طور مرتب در یکی از این نوع ها قرار نمی گیرد. برخی از آنها به بهترین وجه به عنوان نیمه راه بین دو نوع طبقه بندی می شوند ، در حالی که برخی ممکن است به اندازه کافی گسترده باشند تا هر دو انتهای یک یا چند نوع را شامل شود. ابعاد دیگری نیز وجود دارد که در طی آن می توان پیش بینی های تقاضا و فرآیندهای پیش بینی را طبقه بندی کرد. کیفی در مقابل کمی معمول است ، اگرچه بهترین پیش بینی ها اغلب شامل هر دو نوع روش هستند.

مزایای پیش بینی تقاضا

پیش بینی تقاضا چندین مزیت اساسی دارد. همه آنها توسط هر شرکتی تحقق نمی یابند ، اما مشاغلی که از پیش بینی تقاضا استفاده می کنند ، باید از بازده های زیر در سرمایه گذاری خود لذت ببرند.

مزایای پیش بینی تقاضا شامل موارد زیر است:

مقیاس گذاری آگاه

بودجه و تأمین مالی.

مدیریت موجودی.

• کاهش هزینه های ذخیره سازی/هزینه حمل: پیش بینی تقاضای خوب به شرکت ها کمک می کند تا از سفارش یا تولید بیش از حد استفاده کنند ، که این هزینه برای واحدهای اضافی و ذخیره آنها هزینه دارد.
• کاهش Backrorders/StockOuts: از طرف دیگر طیف ، پیش بینی تقاضای خوب می تواند شانس یک رویداد خارج از سهام را کاهش دهد که منجر به مشتریان ناراضی ، پشتوانه ها و در برخی موارد ، فروش و مشتریان از دست رفته است.
• تنظیم مجدد و راه اندازی مجدد کارآمد: پیش بینی تقاضای کوتاه مدت به ویژه در تصمیم گیری در مورد زمان و چقدر موجودی موجودی مفید است. تقاضای پیش بینی شده یک ورودی کلیدی در محاسبه یک نقطه تنظیم مجدد است. حتی توجه چند روزه در مورد آنچه ممکن است آخر هفته غیرمعمول شلوغ یا کند باشد می تواند به مشاغل پس انداز کند.
• موقعیت یابی موجودی بهبود یافته: همانطور که پیش بینی ها دقیق تر می شوند ، می توانید از آنها برای تصمیم گیری دقیق تر استفاده کنید. پیش بینی ساده ای که نشان دهنده فروش گسترده شرکت برای مدیریت ارشد مفید است ، اما موردی که به تغییرات جغرافیایی در تقاضا می پردازد می تواند به موجودی موقعیت بهتر در انبارها و فروشگاه ها کمک کند و احتمال وقایع سهام محلی را کاهش می دهد و در عین حال هزینه های لجستیکی مانند ذخیره و حمل و نقل را نیز کاهش می دهد. بشر
• مدیریت بهتر درآمد: همه تجارت در موجودی فیزیکی انجام نمی شود. اگر شب ها را در یک اتاق هتل یا دور گلف در یک دوره به فروش می رسانید ، احتمالاً از تکنیک های مدیریت درآمد برای تعیین قیمت و تبلیغات در پاسخ به تقاضا استفاده می کنید. پیش بینی تقاضا برای این مشاغل بسیار مهم است و پیش بینی خوب می تواند تفاوت بین موفقیت یا عدم موفقیت کل تجارت باشد.

تصمیمات سطح بالا بهتر.

چالش های پیش بینی تقاضا

پیش بینی کنندگان تقاضا با چالش های بسیاری روبرو هستند ، از چیزهای بی اهمیت ، "معناشناسی در این زمینه غالباً گنگ زده می شوند" ، تا قدرتمند ، "پیش بینی آینده سخت است". در اینجا چهار چالش متداول وجود دارد که پیش بینی کنندگان باید از آنها آگاه باشند زیرا آنها اغلب با آمادگی مناسب - و قابل غلبه هستند.

درگیری داده ها:

تعصب انتخاب:

ضبط "بد":

محوری:

نحوه پیش بینی تقاضا

هیچ یک از طرف های جهانی در مورد پیش بینی تقاضا توافق نشده است ، و موقعیت های مختلف خود را به فرایندهای مختلف وام می دهد. به عنوان مثال ، تمیز کردن و اعتبار سنجی داده ها می تواند یک گام مهم در برخی از فرآیندهای پیش بینی باشد ، در حالی که سایر پیش بینی کنندگان ممکن است داده های باکیفیت را از جای دیگری در شرکت دریافت کنند که سریعاً از آن استفاده می کنند.

ساختار سازمانی می تواند انواع مختلفی از هماهنگی و جمع آوری اطلاعات را آسان کند ، یا ساختار می تواند داده ها را دشوار یا حتی غیرممکن کند. و در حالی که ملاحظات سیاست و آداب و رسوم ، مانند خرید ، از نظر فنی برای تولید پیش بینی های کمی ضروری نیست ، در برخی از سازمان ها برای موفقیت بسیار مهم هستند.

6 قدم برای پیش بینی تقاضا

با این حال ، برخی از ویژگی های مداوم تلاش های موفقیت آمیز پیش بینی در حال انجام وجود دارد. شش مرحله زیر باید تقریباً برای هر تیم پیش بینی تقاضا اعمال شود ، خواه برای اولین بار در حال ساختن چیزی ساده باشد یا مجموعه ای پیچیده از پیش بینی های مداوم را اجرا کند.

هدف (های) پیش بینی را مشخص کنید.

تعیین کنید که چه اطلاعاتی دارید و چه چیزی می توانید بدست آورید.

در یک برنامه جمع آوری داده ها تنظیم و اجرا کنید.

روشهای پیش بینی مناسب را برای اطلاعات اعمال کنید.

نتایج را در متن تفسیر کنید.

نتایج خود را پیگیری کنید - و تکرار کنید.

10 روش پیش بینی تقاضا

روشهای مختلفی وجود دارد که پیش بینی کنندگان برای پیش بینی تقاضا استفاده می کنند. برخی از شرکت ها ممکن است دریابند که یک روش ساده ساده ، مانند ساختن یک طرح روند بر اساس داده های فروش گذشته ، بیش از حد کافی است. سایر شرکت ها ممکن است از روشهای پیچیده متداول استفاده کنند که تلاش های بزرگ جمع آوری داده ها را با تکنیک های یادگیری ماشین در هسته تجزیه و تحلیل کمی ترکیب می کند.

ده روش پیش بینی تقاضا زیر ، که به طور مساوی بین رویکردهای کیفی و کمی تقسیم می شود ، نمونه نماینده خوبی از تنوع تکنیک های موجود است.

روشهای پیش بینی تقاضای کیفی

به نظر می رسد استفاده از روشهای کیفی برای پیش بینی که ذاتاً عددی است ، استفاده شود ، حتی اگر برخی از روشهای "کیفی" تولید تعداد کمی را در پایان ایجاد کنند. اما پیش بینی از داده های تاریخی کمی به تنهایی فقط تا زمانی که آینده کمی از گذشته تغییر کند - و آخرین باری که این اتفاق افتاد کی بود ، کار می کند؟کارمندان ، کارشناسان و مشتریان از وقایع و برنامه هایی که هنوز شماره ای تولید نکرده اند ، آگاهی دارند ، بنابراین با وجود پیشرفت عالی در جمع آوری داده ها و فن آوری های تحلیلی ، روش های کیفی همچنان نقش برجسته ای در پیش بینی تقاضا دارند. در اینجا پنج مثال آورده شده است:

روش دلفی:

پیش بینی کامپوزیت Salesforce:

دانش متخصص/خودی:

نظرسنجی ها:

صحبت با مشتریان از طریق مصاحبه و گروه های متمرکز:

روش های پیش بینی تقاضای کمی

روشهای کمی هسته اصلی تلاشهای پیش بینی تقاضا است. تلاش های ساده تر تقریباً کاملاً کمی است ، که شامل پیش بینی های اساسی از داده های فروش گذشته با برخی از داوری های انسانی است که در بالای صفحه قرار گرفته اند تا عوامل مهمی را که در غیر این صورت اسیر نشده اند ، حساب کنند. پیشرفته ترین روش ها همچنین از یادگیری ماشین و تکنیک های هوش مصنوعی استفاده می کنند.

در اینجا پنج نمونه از روشهای پیش بینی کمی از ساده تا پیچیده آورده شده است. همه آنها داده های تقاضای تاریخی را برای ارائه تقاضای آینده اعمال می کنند.

میانگین حرکت:

طرح ریزی روند ، اتصالات منحنی و رگرسیون ساده:

میانگین/اثرات تقویم فصلی:

مدل سازی اقتصاد سنجی:

تقویت شیب و سایر ابزارهای یادگیری ماشین:

مدلهای پیش بینی تقاضا

مدل های پیش بینی تقاضا سازه های ریاضی هستند که داده ها و روابط بین متغیرها را به منظور تولید حدس در مورد تقاضای آینده توصیف می کنند. مدل ها می توانند صفحات گسترده یا معادلات یا چیز دیگری باشند ، اما آنها مخصوص داده ها ، وضعیت ، فرضیات و روش های کسب و کار شما برای ایجاد آنها هستند.

افراد تجاری بدون دکترا ممکن است در شنیدن "تکنیک ها" ، "روش ها" و "مدل ها" به طور توجیهی اشتباه بگیرند. از نظر محاوره ای ، معمولاً خوب است - بیشتر اوقات رمزگشایی آنچه کسی از متن به معنای آن است ، آسان است. اما وقتی از نظر فنی در مورد پیش بینی تقاضای کمی صحبت می کنید و به طور کلی تجزیه و تحلیل داده ها ، تفاوت مهمی وجود دارد: تکنیک ها و روش ها همان چیزی است که شما در داده ها برای تولید مدل ها استفاده می کنید.

در اینجا یک مثال مصور است. یک شرکت دارای 100 فروشگاه است و فروشگاه های جدید را با نرخ یک در هر ماه افتتاح می کند. هر فروشگاه فروش ماهانه 20،000 دلار دارد. بنابراین ، در زمان = 0 ، این شرکت 2 میلیون دلار فروش ماهانه (20،000 دلار * 100 فروشگاه) دارد. این روند توسط یک خط مستقیم بسیار خوب مدل می شود ، بنابراین شما تصمیم می گیرید که روش شما یک پیش بینی روند خطی باشد ، به ویژه یک رگرسیون حداقل مربعات معمولی (OLS). رگرسیون OLS داده های شما را با استفاده از یک خط توصیف می کند. در قالب y = mx + b ممکن است در مدرسه آموخته باشید ، جایی که m شیب است و b است که از آن استفاده می کند ، اگر از فروش به عنوان "y" استفاده می کنید و در ماه ها به عنوان "x" زمان می کنید ، معادله به نظر می رسد:

فروش ماهانه = 20،000 دلار * ماه از زمان شروع + 2000،000 دلار

این معادله الگویی است که فروش ماهانه آینده شرکت را پیش بینی می کند ، که شما با استفاده از رگرسیون خطی (روش) تولید کرده اید. این مدل پیش بینی می کند که در پایان سال اول ، فروش ماهانه 2،240،000 دلار (20،000 دلار * 12 = 240،000 دلار + 2،000،000 دلار) خواهد بود.

نمونه های پیش بینی تقاضا

پیش بینی تقاضا در هر صنعت اصلی استفاده می شود. در برخی از بخش ها ، مانند کالاهای بسته بندی شده مصرف کننده ، چالش پیش بینی کاملاً ساده است و افق زمانی نیازی به طولانی بودن پیش بینی ندارد که بسیار مفید باشد. اگر شما یک کشاورز بین رشد ذرت و سویا تصمیم دارید ، واقعاً به قیمتی که می توانید برای هر یک دریافت کنید اهمیت می دهید ، اما این تابعی از آنچه تقاضا در زمان برداشت خواهد بود ، است. در یک مورد شدید ، سازندگان ویسکی اسکاتلندی امروز در نوشیدنی هایی شروع می شوند که از زمان ویسکی پیری به مدت 12 یا 18 سال قبل از اینکه بطری ها رایج باشد ، به مدت یک دهه یا بیشتر فروخته نمی شوند.

هتل ها و شرکت های هواپیمایی در پیش بینی تقاضا به شدت سرمایه گذاری می کنند ، اما از آنجا که آنها به ترتیب کنترل روزانه بر تعداد اتاق ها و صندلی های موجود ندارند ، به ترتیب ، آنها با تغییر قیمت ها برای افزایش و سقوط با آنچه فکر می کنند تقاضا خواهد بود پاسخ می دهند. بودن. شما می توانید بگویید که آیا یک هتل بیشتر بر اساس این که در طی یک هفته متوسط (مسافران تجاری) یا یک آخر هفته متوسط (مسافران اوقات فراغت) گرانتر است ، به مسافران تجاری یا اوقات فراغت می پردازد.

تولیدکنندگان کالاهای با دوام گران قیمت تمایل به یافتن پیش بینی های تقاضا به ویژه مفید دارند. روند عمده اقتصادی می تواند در پیش بینی اینکه چند نفر ممکن است بخواهند سال آینده ماشین یا ماشین ظرفشویی بخرند ، کاملاً آموزنده باشد ، بنابراین پیش بینی های سطح میکرو و کلان مفید هستند. افق زمانی به اندازه کافی طولانی با چرخه های سالانه است که این شرکت ها نمی توانند فقط به فروش ماه گذشته نگاه کنند ، اما به اندازه کافی نزدیک است تا احتمال صحت و صحت آن وجود داشته باشد - بر خلاف دوستان تقطیر کننده ما در اسکاتلند.

بزرگترین چالش ها اغلب در اجرای استراتژی یا روش پیش بینی تقاضا نیست ، بلکه در انتخاب رویکرد صحیح به یک وضعیت است. مثالهای زیر چالش های پیش بینی تقاضای مشترک و نحوه برطرف شدن آنها را نشان می دهد.

مثال: پیش بینی تقاضا در طول همه گیر

یک تجارت سالهاست که به طور پیوسته ردپای خرده فروشی خود را گسترش می دهد ، و خطوط خطی با دامنه های اصلاح شده برای بازتاب برنامه های خاص برای گسترش ، کار خوبی برای پیش بینی تقاضا انجام داده اند. با این حال ، در سالهای اخیر ، کل صنعت شاهد افزایش شدید خرید آنلاین بوده است و نتایج حاصل از پاسگاه های آجر و ملات این شرکت دیگر پیش بینی کننده قابل اعتماد فروش نیست.

این شرکت می خواهد پیش بینی کند که چه اتفاقی خواهد افتاد زیرا همه گیر افتاد اما نمی داند که آیا داده های تاریخی آن با رفتارهای در حال تغییر سریع مشتریان صحبت خواهد کرد یا خیر.

بنابراین شرکت تصمیم می گیرد که فقط به تجزیه و تحلیل کمی از داده های داخلی متکی نباشد. این روش دلفی را در سال جاری اضافه می کند و یک صفحه از متخصصان را برای کمک به فکر کردن در خارج از جعبه و ارائه راهنمایی در مورد آنچه ممکن است در آینده ارائه دهد ، ثبت می کند.

مثال: صاف کردن نوسانات تقاضای وحشی

شرکتی که تجهیزات و پوشاک ورزشی با هوای سرد را به فروش می رساند ، فروش بسیار بی ثبات را تجربه می کند. فروش روزانه و ماه به ماه می تواند 300 ٪ افزایش یابد و سپس 80 ٪ کاهش یابد. این می خواهد از پیش بینی ها برای بهبود برنامه ریزی برای سالهای آینده استفاده کند ، اما چگونه می خواهید تقاضا را که به طرز وحشیانه ای نوسان می کند ، برنامه ریزی کنید؟

در حالی که هر مجموعه ای از داده های تاریخی حاوی واریانس است ، ممکن است الگوهای قابل پیش بینی وجود داشته باشد که می تواند به یک تحلیلگر کمک کند تا از طریق سر و صدا بریده شود. این شرکت تصمیم می گیرد از ترکیبی از روشهای کمی که برای صاف کردن و توضیح تنوع طراحی شده است ، استفاده کند. روش اول حرکت به طور متوسط است. استفاده از یک میانگین متحرک هفت روزه در داده های فروش می تواند سر و صدای ایجاد شده توسط تأثیراتی را که به روز هفته بستگی دارد ، بی صدا کند. DataPoint هر روز به یک رقم متوسط تبدیل می شود که یکی از هر روز هفته را شامل می شود. اثرات ناشی از تفاوت بین آخر هفته و روزهای هفته دیگر بخشی از تغییرات نیست.

در مرحله بعد ، این شرکت به صورت فصلی داده ها را تنظیم می کند ، که تأثیر یک فصل تعطیلات شلوغ را به دلیل هدیه دادن در مقابل یک تابستان آهسته به دلیل آب و هوا به دلیل آب و هوا می کند و محصولاتشان را به طور موقت برای بیشتر مشتری های خود غیرقابل استفاده می کند. از آنجا ، این شرکت می تواند روش های پیش بینی دیگری را با اطمینان بیشتر در پیش بینی های سالانه حاصل اعمال کند.

روند پیش بینی تقاضا

روندهای اصلی پیش بینی تقاضا ، اکنون و برای آینده قابل پیش بینی ، از فناوری اطلاعات پدیدار می شود. محور اصلی این روندها واضح است: داده های بیشتر و تجزیه و تحلیل رایانه ای بیشتر از آن داده ها. دو نکته وجود دارد که باید هنگام پیش بینی تقاضا در کنار این روندها ، در نظر داشته باشید.

1. مدیریت خوب داده ها و نرم افزارها از همیشه مهمتر هستند.
2. از عوامل و ورودی های انسانی غافل نشوید زیرا رایانه ها نمی توانند چیزهایی را که مردم می دانند بدانند اما هنوز در داده ها نیستند.

توانایی ما در جمع آوری داده ها سالها به سرعت در حال افزایش است ، زیرا رایانه ها همه گیر شدند و هزینه های ذخیره سازی داده ها کاهش یافت. اکنون شرکت ها دارای سیستم های نرم افزاری برای ردیابی بیش از هر زمان دیگری هستند و با ذخیره ابری ، انبارهای داده و دریاچه های داده ، می توانند سوابق را به طور نامحدود حفظ کنند. سیستم های سخت افزاری به سه گانه داده اضافه شده اند ، زیرا شرکت ها می توانند مکان های بهتر از همیشه با GPS و فناوری RFID را ردیابی کنند و حتی از دوربین های دارای نرم افزار استفاده کنند تا به طور خودکار موجودی و عملیات را بررسی کنند.

در عین حال ، تحقیقات در زمینه یادگیری ماشین و هوش مصنوعی ابزارهای مورد نیاز خود را برای پردازش دریای در حال رشد اطلاعات به مردم می دهد. ما به تکنیک های آماری دسترسی داریم که انجام آن با دست حتی یک بار در طول زندگی غیرممکن است ، اما اکنون می توانیم روزانه با مقادیر زیادی از داده ها اجرا کنیم.

نحوه انتخاب نرم افزار پیش بینی تقاضا

انتخاب نرم افزار پیش بینی تقاضا در درجه اول مربوط به یافتن یک مسابقه خوب برای تجارت شما است. اگر در یک صنعت با نرم افزاری خاص متناسب با نیازهای خود کار می کنید ، مانند مدیریت هتل ، ممکن است بخواهید چیزی را انتخاب کنید که به سؤالات و داده هایی که به احتمال زیاد دارید ، انتخاب کنید. اما این که آیا شما یک سیستم عمومی را انتخاب می کنید یا محصولی که برای یک صنعت خاص طراحی شده است ، می خواهید نرم افزاری متناسب با اندازه تجارت شما باشد ، می تواند با جاه طلبی های تجاری مقیاس بندی کند و می تواند با سایر منابع و ابزارهای داده ادغام شود.

سیستم های ERP که خدمات مدیریت موجودی را ارائه می دهند نیز دارای قابلیت پیش بینی تقاضا هستند. سازمانهایی که از ERP استفاده می کنند ممکن است بخواهند اطمینان حاصل کنند که می توانند به راحتی داده های مربوطه را به سایر سیستم های تحلیلی صادر کنند ، زیرا هر سیستم همه چیزهایی را که ممکن است شما در آن ایجاد کنید ندارد. سیستمی که به جمع آوری داده ها کمک می کند ، مانند میزبانی نظرسنجی پیش بینی فروش ، ممکن است باشدیک دارایی بزرگ ، همچنین ، اگر این کاری است که شما قصد انجام آن را دارید.

هر چه نرم افزاری انتخاب شود ، مهم است که بدانید "زیر کاپوت" چیست. نرم افزار پیش بینی مانند جعبه جادویی را درمان نکنید. شما باید روش های اعمال شده را بدانید تا بتوانید ورودی ها و فرضیات مورد استفاده را درک کنید. به این ترتیب می توانید هوشمندانه درباره آنچه از دست رفته است فکر کنید و چه اتفاقی می افتد اگر فرضیات اشتباه باشد. اگر می فهمید چه چیزی پیش بینی می شود ، شما یک ارتباط دهنده و تصمیم گیرنده یا مشاور تصمیم گیرندگان نیز به مراتب مؤثرتر خواهید بود.

پیش بینی تقاضا را با NetSuite آسانتر و دقیق تر کنید

برنامه ریزی تقاضای NetSuite می تواند با ادغام با عملکردهای موجودی و مدیریت موجودی NetSuite ، پیش بینی را آسان کند. بسیاری از داده های مورد نیاز برای یک رویکرد پیش بینی تقاضای کمی در حال حاضر در سیستم خواهند بود که می تواند به طور خودکار بسیاری از روشهای شرح داده شده در این مقاله را انجام دهد.

یک مزیت مهم دیگر این است که پلت فرم NetSuite می تواند برای یک تجارت کوچک تنظیم شود و با رشد تجارت ، مقیاس بندی شود. سیستم پیش بینی تقاضای NetSuite همچنین با فراهم کردن رابط کاربری برای فروشندگان ، می تواند پیش بینی های فروش را آسان کند تا اطلاعاتی را که مستقیماً به سیستم پیش بینی می رود ، وارد کنند. پیش بینی تقاضای خوب به مشاغل کمک می کند تا ضمن عملکرد سودآوری بیشتری نیازهای مشتری را برآورده کنند.

پیش بینی تقاضا یک عملکرد مهم تجاری است که به شرکت ها کمک می کند تا آینده خود را ببینند. انواع مختلفی از پیش بینی های تقاضا وجود دارد ، و حتی روش های بیشتری که یک پیش بینی کننده می تواند برای ایجاد پیش بینی های با کیفیت بالا-یا ترکیب شود ، استفاده کند. اما هر رویکردی نیاز به جمع آوری اطلاعات و استفاده از روشهای ریاضی سالم برای استفاده از آنچه امروز می دانیم و پیش بینی می کند که مشتریان در آینده چه می خواهند.

موجودی ابر برنده جایزه

متداول های پیش بینی کننده تقاضا

روشهای پیش بینی تقاضا چیست؟

روش های پیش بینی تقاضا تکنیک های خاصی است که برای پیش بینی تقاضا برای یک محصول یا خدمات یا دسته محصول یا خدمات استفاده می شود. این روشها شامل روشهای کاملاً کمی است که معمولاً بر اساس داده های تاریخی و همچنین رویکردهای کیفی و متداول مانند نظرسنجی و نظرات متخصص است.

انواع پیش بینی تقاضا چیست؟

پیش بینی تقاضا اغلب در ابعاد مختلف به انواع تقسیم می شود. این ابعاد می تواند شامل میزان مشارکت انسان در تولید پیش بینی ها (منفعل در مقابل فعال) باشد ، از چه نوع داده ها و روش هایی استفاده می شود (کمی در مقابل کیفی) ، افق زمانی که مورد بررسی قرار می گیرد (بلند مدت در مقابل کوتاه مدت) و موارد دیگر. همچنین می توانید با روشهای خاص مورد استفاده انواع بیشتری دانه و تعریف کنید. به همان اندازه "انواع" وجود دارد که تفاوتهای مفیدی برای ایجاد بین فرآیندهای پیش بینی وجود دارد.

چرا پیش بینی تقاضا مهم است؟

پیش بینی تقاضا برای برنامه ریزی تجارت ضروری است ، به ویژه هنگامی که شرکت ها باید تصمیم بگیرند که چقدر سریع یا به آرامی مقیاس شوند. هنگام مقیاس گذاری ، یک شرکت باید تقاضای بیشتری را برآورده کند و پیش بینی تقاضا به ابزاری مهم برای جلوگیری از اشتباهات گران قیمت تبدیل می شود. به عنوان مثال ، داشتن موجودی بیش از حد در دست گران است و منابع را به هم می پیوندد ، در حالی که نداشتن کافی باعث ناراحتی مشتریان و نتیجه از دست دادن درآمد احتمالی می شود.

مراحل اساسی پیش بینی تقاضا چیست؟

فرآیندهای مختلف پیش بینی تعداد و انواع مختلفی از مراحل دارند ، بنابراین هیچ پاسخ اجماع گسترده ای به این سوال وجود ندارد. اما بیشتر چارچوب های خوب شامل برخی از مراحل زیر است: (1) شناسایی هدف پیش بینی ، (2) فهمیدن چه اطلاعاتی دارید و می توانید در خدمت آن هدف جمع آوری کنید ، (3) تصمیم گیری در مورد اینکه کدام اطلاعات ارزشمند هستندبرای جمع آوری و گنجاندن ، (4) استفاده از روشهای پیش بینی مناسب برای آن اطلاعات (اگرچه روش ها به کدام اطلاعات جمع آوری می کنید ، بنابراین این دو مورد آخر وابسته هستند) ، (5) تفسیر نتایج در متن ، و سپس ، سرانجام ، 6) پیگیری نتایج به طوری که می توانید دقت آنها را آزمایش کرده و پیشرفت را بهبود بخشید.

موجودی ابر برنده جایزه