توقعات المبيعات باستخدام الذكاء الاصطناعي: توقع الطلب واتخذ قرارات تسعيرية مدروسة

تعمل الذكاء الاصطناعي على تحسين دقة توقعات المبيعات من خلال تحليل كميات ضخمة من البيانات التاريخية والسياقية في آن واحد، بهدف تحديد الأنماط التي يصعب على التحليل البشري أو الأساليب الإحصائية التقليدية اكتشافها. فهي تأخذ في الاعتبار، على سبيل المثال، العوامل الموسمية والعروض الترويجية والأسعار والطقس والمنافسة، لإنتاج توقعات ديناميكية يتم تعديلها باستمرار.

يختلف هذا النهج عن أساليب التنبؤ التقليدية، التي تعتمد بشكل أساسي على المتوسطات والاتجاهات السابقة وتواجه صعوبة في دمج عدة متغيرات في آن واحد. أما التعلم الآلي، على العكس من ذلك، فيعالج مئات المتغيرات بشكل متوازٍ ويكتشف العلاقات غير الخطية (مثل التأثير المشترك لعرض ترويجي منافس وذروة جوية على فئة معينة) التي لا يمكن للنهج الخطي رصدها.

والفرق الجوهري الآخر هو القدرة على التكيف المستمر: على عكس النموذج الإحصائي الثابت، الذي يتم إعادة معايرته من حين لآخر، فإن نموذج التعلم الآلي يدمج المبيعات الجديدة بشكل فوري ويعدل توقعاته مع تغير سلوك المستهلكين. وبذلك، يتم رصد أي تغيير في عادات الشراء أو أي انحراف عن الأنماط الموسمية بشكل أسرع مقارنةً بالنموذج الثابت.

بالنسبة لتاجر التجزئة، فإن هذه الدقة المتزايدة تضمن بشكل مباشر صحة القرارات التي تعتمد على توقعات المبيعات: مثل التزويد بالبضائع، وتحديد حجم الحملات الترويجية، أو حتى قرارات التسعير؛ حيث إن التوقعات الموثوقة تحد من مخاطر إجراء تعديل غير دقيق في الأسعار، سواء كان ذلك رفعًا للأسعار أو تخفيضًا لها.

نعم: يتنبأ نظام BOOPER MPS بمبيعات كل منتج في كل نقطة بيع، وليس بمتوسط يُطبق على الشبكة بأكملها. يتعلم النموذج الخصائص الموسمية، وردود الفعل تجاه العروض الترويجية، وحساسية الأسعار الخاصة بكل متجر، ثم يدمج هذه التوقعات على مستوى المجموعة.

بالنسبة لشبكة متاجر متعددة، تغير هذه الدقة من طريقة استخدام التوقعات: حيث تُدار فترات الذروة والعوامل الموسمية سوقًا بسوق، وتُعاد مواءمة التوقعات تلقائيًّا وفقًا للمبيعات الفعلية، وتحتفظ الإدارة برؤية موحدة لتنسيق عمليات التوريد. وينطبق المنطق نفسه على التوزيع بين الشركات (B2B)، حسب العميل أو شريحة العملاء، وكذلك على شبكات الصيدليات.

يتم تفصيل الفرق بين المفهومين في صفحة «توقعات الطلب» في المسرد. وللاطلاع على الإرشادات التفصيلية خطوة بخطوة، انظر طريقتنا لتوقع المبيعات باستخدام الذكاء الاصطناعي في 8 خطوات.

تستند MPS بشكل أساسي إلى سجلات المبيعات السابقة، والأسعار، والعروض الترويجية، والجداول الزمنية التجارية، وبيانات المتاجر، والعوامل الخارجية مثل الطقس، والأحداث، أو المنافسة. وكلما زادت ثراء البيانات، زادت دقة النماذج: يُوصى عمومًا بتوفير سجل تاريخي لا يقل عن عام واحد لالتقاط دورة موسمية كاملة.

يظل سجل المبيعات هو العنصر الأكثر تأثيرًا: فهو يتيح للنموذج تعلم الإيقاع الخاص بكل منتج وكل متجر (طابعه الموسمي، واستجابته للعروض الترويجية السابقة، وحساسيته تجاه الأسعار). وتسمح بيانات التقويم التجاري (العروض الترويجية، أيام العطلات، الحملات الخاصة) بفصل ما يُعتبر تأثيرًا مؤقتًا عما يُعتبر اتجاهًا أساسيًّا، مما يمنع تشويه التوقعات بسبب الارتفاعات أو الانخفاضات الاستثنائية.

ثم تعمل العوامل الخارجية (الأحوال الجوية، والأحداث المحلية، وتحركات المنافسين) على تحسين التوقعات الخاصة بالفئات الأكثر حساسية لهذه العوامل، دون أن تكون ضرورية لبدء المشروع: يمكن لـ BOOPER إنتاج توقعات قابلة للاستخدام باستخدام بيانات المبيعات والجدول الزمني الأساسية، ثم إثراء النموذج تدريجيًا مع ربط مصادر أخرى عبر أداة Data Loader.

وبالنسبة لإدارة سلسلة التوريد أو إدارة التسعير التي تبدأ مشروعًا للتنبؤ باستخدام الذكاء الاصطناعي، فإن التحدي الرئيسي لا يكمن في الحصول على جميع البيانات الممكنة منذ اليوم الأول بقدر ما يكمن في ضمان توفر سجل مبيعات طويل ونظيف بما يكفي (لمدة عام على الأقل) حتى يتعلم النموذج دورة كاملة بدلاً من جزء مقتطع من النشاط.

نعم: يجمع نظام BOOPER MPS في منصة واحدة بين توقعات المبيعات ومحاكاة سيناريوهات الأسعار والعروض الترويجية وتفسير كل توقعات، بحيث تعمل أقسام التسعير وإدارة الفئات والمشتريات وسلسلة التوريد على أساس نفس الأرقام.

تعرض كل توقعات العوامل التي أدت إلى ظهورها (الطابع الموسمي، والأسعار، والعروض الترويجية، ثم الأحوال الجوية، والأحداث المحلية، أو المنافسة عندما تكون هذه المصادر متصلة). وبذلك، يمكن للفرق التحقق من صحة التوقعات أو تعديلها أو الاعتراض عليها بناءً على معلومات دقيقة، بدلاً من اتباع رقم دون مبرر.

كما أن التوقعات المشتركة تتطلب تحديد الجهة التي تتولى إدارتها وكيفية التنسيق بين أقسام المبيعات والمشتريات وسلسلة التوريد: أي تحديد الجهة المسؤولة عن إدارة توقعات المبيعات.

تعتمد طرق التنبؤ الإحصائي التقليدية على المتوسطات والاتجاهات السابقة، التي تُطبق بشكل متسق نسبيًا على سجل المبيعات. أما التعلم الآلي، فيدمج مئات المتغيرات في آن واحد، ويكتشف العلاقات غير الخطية بينها، ويتكيف تلقائيًا مع التغيرات في سلوك المستهلكين.

ويتجلى هذا الاختلاف بشكل ملموس في الطريقة التي يتفاعل بها كل نهج مع حدث غير معتاد: فالمناهج الإحصائية التقليدية تميل إلى تمديد الاتجاه المتوسط وتفشل في توقع حدوث انقطاع (مثل ارتفاع مفاجئ في الطلب مرتبط بالظروف الجوية، أو التأثير المشترك لعرض ترويجي ويوم عطلة، أو تغيير دائم في عادات الشراء). أما التعلم الآلي، من خلال ربط المزيد من المؤشرات (السجل التاريخي، الموسمية، العروض الترويجية، الأسعار، السياق الخارجي)، فيستشعر هذه التفاعلات بدقة أكبر ويعدّل توقعاته وفقًا لذلك.

ويكمن الاختلاف الآخر في قابلية تفسير النتائج: ففي BOOPER، تظل التوقعات التي ينتجها نموذج التعلم الآلي مصحوبة بالعوامل التي تفسرها، مما يتيح للفرق فهم أسباب تغير التوقعات، وليس مجرد ملاحظة الرقم النهائي. وتعد هذه الشفافية أمرًا أساسيًّا لتمكين الفرق المتخصصة من التحقق من صحة التوصيات أو تعديلها أو الاعتراض عليها بناءً على معلومات دقيقة، بدلاً من اتباع نهج «الصندوق الأسود».

بالنسبة إلى تاجر التجزئة، فإن هذا الانتقال من التنبؤ الإحصائي التقليدي إلى التنبؤ القائم على التعلم الآلي له تأثير مباشر على موثوقية قرارات التوريد والتسعير التي تنبثق عنه: فكلما زادت دقة التنبؤ في التعبير عن الواقع الفعلي لسلوك الشراء، قل اعتماد القرارات المتخذة لاحقًا على التقديرات التقريبية.

من خلال توقع الطلب المستقبلي بشكل أكثر دقة، تتيح توقعات المبيعات التي توفرها الذكاء الاصطناعي من BOOPER MPS ضبط أحجام الطلبات لتتوافق قدر الإمكان مع الاحتياجات الفعلية، والحد من حالات نفاذ المخزون وفائض المخزون، وتحسين معدل الخدمة، والحد من التجميد المالي المرتبط بالمخزون.

يرتبط هذا الارتباط بين التوقعات وسلسلة التوريد بطبيعة التوقعات القابلة للتفسير: فالنموذج لا يكتفي بإصدار رقم مبيعات متوقع فحسب، بل يوضح العوامل التي أثرت عليه (الطابع الموسمي، العروض الترويجية السابقة، الاتجاهات الحديثة، العوامل السياقية)، مما يتيح لفرق التوريد تعديل الطلبات بناءً على معلومات دقيقة، بدلاً من اتباع توقعات تعمل كـ«صندوق أسود».

لهذا الدقة تأثير مباشر في كل من المراحل الأولية والنهائية من السلسلة: في المراحل الأولية، تحد من الطلبات المفرطة التي يتم تقديمها «احتياطًا» بسبب الافتقار إلى الرؤية، والتي تتحول لاحقًا إلى فائض في المخزون أو تخفيضات قسرية في الأسعار؛ وفي المراحل النهائية، تقلل من حالات نفاذ المخزون التي تؤثر سلبًا على معدل الخدمة، وبالتالي، على رضا العملاء بشكل غير مباشر. يتم تعديل التوقعات باستمرار مع ظهور مبيعات جديدة، مما يسمح بتصحيح مسار التوريد قبل أن يصبح أي انحراف مكلفًا.

بالنسبة لإدارة سلسلة التوريد، فإن هذا التوجيه التنبئي يحوّل إدارة المخزون من نهج ردّي في الأساس (الطلب لتجديد مخزون تم استهلاكه بالفعل) إلى نهج استباقي، حيث يتم تعديل الكميات قبل أن تتجسد الضغوط في شكل نقص في المخزون أو فائض فيه، مما يعود بفائدة مباشرة على احتياجات رأس المال المتداول.

نعم. بفضل أداة المحاكاة المدعومة بالذكاء الاصطناعي من BOOPER MPS، يمكن للمستخدم اختبار سيناريوهات تجارية مختلفة (العروض الترويجية، تقلبات الأسعار، تغيير تشكيلة المنتجات) وقياس تأثيرها المتوقع على أحجام المبيعات والإيرادات والهامش، قبل الشروع في تنفيذها.

تستند هذه المحاكاة إلى نماذج مرونة الأسعار الخاصة بكل منتج أو فئة، بالإضافة إلى سجل العمليات التجارية التي تمت بالفعل: فعرض ترويجي سابق على منتج مشابه، في ظروف مماثلة، يُستخدم كنقطة مرجعية لتقدير رد الفعل المحتمل للطلب تجاه سيناريو جديد. كما يأخذ المحاكي في الحسبان الآثار المحتملة للتنافس الداخلي بين المنتجات، وذلك لتجنب أن تؤدي الحملة الترويجية على منتج معين إلى تحويل المبيعات التي تم تحقيقها بالفعل من منتج مشابه.

هذه القدرة على إجراء محاكاة قبل اتخاذ القرار تغير طبيعة عمل فرق المبيعات والتسعير: فبدلاً من إطلاق عرض ترويجي استناداً إلى سجل تاريخي تقريبي أو إلى الحدس، تتوفر لديها توقعات رقمية لعدة خيارات، مما يتيح لها الموازنة مسبقاً بين الحجم والهامش وصورة السعر، بدلاً من الاكتفاء بملاحظة التأثير بعد وقوعه.

بالنسبة لأي سلسلة متاجر، تقلل هذه المحاكاة المسبقة من المخاطر المرتبطة بالقرارات الترويجية أو التسعيرية الأكثر التزامًا (فقد تؤدي الحملة غير المدروسة جيدًا إلى خسارة كبيرة في الهامش دون تحقيق الحجم المتوقع)، كما تضمن صحة القرارات التي تعتمد، في غياب أداة تنبؤية، إلى حد كبير على الخبرة الفردية للفرق.

يحقق حل التنبؤ بالمبيعات القائم على الذكاء الاصطناعي عائدًا قابلًا للقياس على عدة مستويات مرتبطة ارتباطًا مباشرًا بدقة التنبؤات: الحد من حالات نفاذ المخزون وزيادة المخزون الزائد، وتحسين أحجام الطلبات، وتقليل الوقت الذي تقضيه الفرق في إعداد التنبؤات يدويًّا، وتحسين التناسق بشكل عام بين التنبؤ والتوريد والتسعير.

والصلة بالتسعير ذات طابع خاص: فالتوقعات الأكثر موثوقية تقلل من مخاطر إجراء تعديلات غير مدروسة على الأسعار (مثل ارتفاع الأسعار الذي يؤدي إلى انهيار الطلب بسبب عدم توقع مدى حساسية السوق، أو إجراء تخفيضات متأخرة جدًّا بسبب عدم توقع تباطؤ المبيعات). وينعكس هذا الفائدة بشكل مباشر على الهامش وعلى الصورة السعرية، وهما مؤشران تتابعهما عن كثب أي إدارة تجارية.

يُعد توفير الوقت عاملاً مؤثراً آخر: فالفرق التي كانت تُعد توقعاتها يدويًّا في السابق، منتجًا تلو الآخر أو فئةً تلو الأخرى على جداول البيانات، يمكنها الآن تخصيص هذا الوقت للتحليل واتخاذ القرارات بدلاً من إعداده للأرقام. ثم يتم تعديل التوقعات تلقائيًّا مع تسجيل مبيعات جديدة، مما يقلل من الحاجة إلى المراجعة اليدوية خلال الفترة.

إلا أن الحجم الفعلي لعائد الاستثمار يعتمد على مدى نضج البيانات المتاحة وتواتر دورات اتخاذ القرار الخاصة بكل شبكة: فكلما كان سجل المبيعات أكثر ثراءً، وكلما كانت قرارات التوريد أو التسعير أكثر تواتراً، زادت سرعة ترجمة الدقة المتزايدة للتوقعات إلى مكاسب قابلة للقياس على مستوى الهامش والمخزون.

نعم. تم تصميم نظام MPS خصيصًا للعملاء الكبار في قطاع التجزئة، حيث يتيح إدارة متعددة البلدان ومتعددة المتاجر ومتعددة الفئات، إلى جانب إدارة مركزية للتوقعات مع الحفاظ على المرونة المحلية.

تأخذ هذه الإدارة متعددة البلدان في الاعتبار حقيقة أن الطلب لا يتصرف بنفس الطريقة من سوق إلى آخر: فالموسمية تختلف باختلاف الموقع الجغرافي، كما تختلف الجداول الترويجية والأعياد الرسمية من بلد إلى آخر، وتختلف الحساسية السعرية وفقًا للقدرة الشرائية المحلية. ويأخذ المحرك التنبئي هذه الخصائص في الاعتبار سوقًا بسوق، بدلًا من تطبيق نموذج واحد على الشبكة بأكملها.

ومع ذلك، تتيح الحوكمة المركزية لإدارة سلسلة التوريد أو إدارة التسعير على مستوى المجموعة الحفاظ على رؤية موحدة للتوقعات على نطاق الشبكة بأكملها (وهو أمر مفيد لتحديد أولويات التوريد بين الأسواق أو لتوحيد أساليب التنبؤ بين الشركات التابعة) دون فرض افتراضات غير ملائمة لأسواقها على الفرق المحلية.

بالنسبة لمجموعة تعمل في عدة بلدان أو تدير عدة علامات تجارية، فإن هذا التوازن بين الإدارة المركزية والتفصيل المحلي هو ما يجعل التوقعات قابلة للتنفيذ فعليًّا: فالتوقعات الموثوقة على مستوى الشبكة بأكملها لا فائدة منها إذا لم تترجم إلى قرارات ذات صلة بالتوريد والتسعير لكل سوق على حدة.

نعم. تم تصميم نظام MPS أيضًا ليتم اعتماده من قبل مؤسسات أصغر حجمًا من الشركات الكبرى الوطنية أو الدولية. ويظل المصطلحات والمؤشرات المستخدمة في الأداة هي نفسها التي يستخدمها العميل، كما تظل جودة خوارزميات التنبؤ هي نفسها المستخدمة في المؤسسات الأكبر حجمًا.

وتعزى هذه القدرة على التكيف إلى طريقة عمل المحرك التنبئي نفسه: فهو يتعلم من البيانات الخاصة بكل شبكة، بغض النظر عن حجمها، بدلاً من تطبيق نموذج عام تمت معايرته على أحجام كبيرة من البيانات. وبالتالي، تستفيد شبكة تضم بضع عشرات من المتاجر من توقعات ملائمة لواقعها التجاري (دورات المبيعات الخاصة بها، وطبيعة موسميتها، وفئاتها الرائدة) دون الحاجة إلى حجم بيانات يضاهي حجم البيانات الخاصة بسلسلة متاجر وطنية.

كما تم تصميم عملية النشر بحيث تظل متناسبة: فالدمج عبر «Data Loader» يتكيف مع تدفقات البيانات المتاحة بالفعل، مما يمنع فرض مشروع دمج مصمم لمجموعة كبيرة على مؤسسة أصغر حجمًا. وتساعد الدعم المنهجي المقترح الفرق — التي غالبًا ما تكون أقل تجهيزًا في مجال علم البيانات داخليًّا — على تفسير النتائج وتنظيم عملية اتخاذ القرار لديها.

بالنسبة لشبكة متوسطة الحجم، فإن التحدي هو نفسه الذي يواجهه العملاء الكبار: التخلص من التوقعات التقريبية، سواء كانت تُجرى يدويًّا أو باستخدام جداول البيانات، من أجل تعزيز موثوقية عمليات التوريد وقرارات التسعير، دون أن يشكل حجم الهيكل عائقًا أمام جودة الإدارة التنبؤية.

تقدّر توقعات الطلب ما قد يرغب العملاء في شرائه. أما توقعات المبيعات فتقدّر ما سيتم بيعه فعليًّا، مع الأخذ في الاعتبار المخزون المتاح والأسعار والعروض الترويجية المتوقعة. وفي حالة نفاد المخزون، تتوقف المبيعات عند حد معين بينما يستمر الطلب.

يجمع نموذج BOOPER بين البيانات التاريخية والعوامل الموسمية والعروض الترويجية والأسعار لتوقع مبيعات كل منتج في كل نقطة بيع، ويتيح محاكاة تأثير أي تغيير في السعر على الطلب قبل اتخاذ القرار.