ما المقصود بالتنبؤ؟

يهدف التنبؤ بالأعمال إلى تقدير طلب العملاء على المنتجات أو الخدمات مبيعات المشاريع أو تقدير النمو والتوسع. ويمكنه تيسير تخصيص الميزانيات ورأس المال والموارد البشرية وغير ذلك. باختصار، يساعد التنبؤ بالأعمال في توجيه عملية اتخاذ القرار.

غالبا ما يرتبط التنبؤ بتحليلات البيانات الكبيرة والتحليلات التنبؤية. اليوم، تعتمد العديد من تقنيات التنبؤ على الذكاء الاصطناعي (AI) وأساليب التعلم الآلي لبناء التنبؤات بسرعة ودقة أكبر. وفقًا لبحث أجرته شركة McKinsey للاستشارات الإدارية، يمكن للأدوات التي تعمل بالذكاء الاصطناعي أن تقلل من أخطاء التنبؤ بنسبة تصل إلى 50%، مما يؤدي إلى انخفاض في نقص المخزون وخسارة المبيعات بنسبة تصل إلى 65%.¹

التنبؤات هي توقعات، مما يعني أنها غالبًا لن تكون دقيقة بنسبة 100%. والأفق الزمني للتنبؤ مهم—قد تكون التنبؤات على المدى القريب أكثر دقة مقارنةً بالتنبؤات طويلة المدى. قد يساعد أيضًا تجميع البيانات أو الجمع بين التقنيات للحصول على دقة أكبر، والتفكير في التنبؤ كدليل وليس كمحدد نهائي للقرارات.

قد تبدو عملية التنبؤ مختلفة لكل مؤسسة، ولكنها تتضمن بشكل عام الخطوات التالية:

تحديد ما يجب التنبؤ به: تحدد الشركات حالة عمل معينة أو مقياسًا معينًا تريد التنبؤ به وتضع في الاعتبار أي افتراضات ذات صلة ومتغيرات قابلة للتطبيق.

جمع البيانات: تتضمن هذه الخطوة جمع البيانات اللازمة. إذا كانت البيانات التاريخية موجودة بالفعل، فإن الأمر يتعلق بعد ذلك بتحديد مجموعات البيانات الأكثر ملاءمة.

اختيار طريقة التنبؤ: اختر أسلوب التنبؤ الذي يناسب ليس فقط حالة العمل أو المقياس ولكن أيضًا المتغيرات والافتراضات ومجموعات البيانات المرتبطة به.

إنشاء تنبؤات: يتم تحليل البيانات باستخدام الطريقة المختارة، ويتم بناء تنبؤات من هذا التحليل.

التحقق من التنبؤات: تحقق من التوقعات واعرف ما إذا كان يمكن إجراء أي تحسينات لإنشاء تنبؤات أكثر دقة.

تقديم التنبؤات: يمكن استخدام عرض مصور للبيانات لتمثيل التنبؤ بتنسيق مرئي أكثر يمكن للأطراف المعنية فهمه وتوظيفه بشكل أفضل في عملية صنع القرار.

يمكن إجراء التنبؤ بطرق مختلفة، ولكن عادةً ما يتم تصنيف كل نهج إلى إحدى طريقتين أساسيتين: التنبؤ النوعي والتنبؤ الكمّي.

يعتمد التنبؤ النوعي على الحكم البشري، مثل آراء المستهلكين ورؤى الخبراء وآراء المديرين التنفيذيين رفيعي المستوى. تطبق طريقة التنبؤ هذه آلية تصنيف كوسيلة منهجية لتحويل المعلومات النوعية إلى بيانات كمّية.

فيما يلي بعض مناهج التنبؤ النوعي المستخدمة بشكل متكرر:

في طريقة دلفي ، تتم دعوة العديد من الخبراء للإجابة على سلسلة من الاستبيانات التي تهدف إلى جمع وجهات نظرهم حول حالة الأعمال أو المقياس المراد التنبؤ به. تكون الردود مجهولة المصدر، مما يسمح بالنظر في وجهات النظر على قدم المساواة. تُستَخدَم الردود الواردة من الاستبيان السابق لصياغة الاستبيان التالي، وتستمر هذه العملية حتى يتم التوصل إلى توافق في الآراء بشأن تنبؤ.

تستعين الشركات بشركات أبحاث السوق لإجراء استطلاعات العملاء وطلب آرائهم حول المنتجات أو الخدمات. ثم يتم استخدام البيانات التي تم جمعها من هذه الاستطلاعات لإعداد تنبؤات المبيعات ومبادرات تحسين المنتج أو الخدمة.

التنبؤ النوعي له المزايا التالية:

• يمكن استخدامه عندما تكون البيانات محدودة، مثل عند تقييم معدل قبول السوق أو معدل اختراق السوق للمنتجات أو التقنيات الجديدة.

• فهو يدمج معلومات من خبراء وأشخاص على دراية كبيرة بالمؤسسة وعروضها، وهو ما قد لا تستطيع البيانات الكمّية التقاطه على الأرجح.

• يمكنه في كثير من الأحيان أن يأخذ بعين الاعتبار حوادث فريدة أو سيناريوهات غير نمطية، مثل الأزمة أو الكارثة. وهذا يعني أن التنبؤ النوعي قد يكون مناسبًا للحالات التي تتطور فيها الظروف باستمرار.

لكن هذا النوع من التنبؤ له أيضًا عيوبه:

• نظرًا لاعتماده على الحكم البشري، يمكن أن تكون التنبؤات النوعية ذاتية، وتتضمن تحيزًا يؤدي إما إلى المبالغة في التأكيد أو التغاضي عن العوامل والافتراضات.

• قد تركز المعلومات النوعية في بعض الأحيان على الأحداث الأخيرة أو التجارب المباشرة فقط، مما قد يؤدي إلى إغفال الاتجاهات أو الأنماط طويلة الأجل من البيانات السابقة.

يعتمد التنبؤ الكمّي على البيانات الرقمية، باستخدام النماذج الرياضية والأساليب الإحصائية للوصول إلى التنبؤ. تسخر العديد من تقنيات التنبؤ الكمّي علوم البيانات والذكاء الاصطناعي والتعلم الآلي لتشغيل العملية.

فيما يلي بعض استراتيجيات التنبؤ الكمّي الشائعة:

تستخدِم هذه الطريقة الكمية البيانات التاريخية المصممة كسلسلة زمنية للتنبؤ بالنتائج المستقبلية. السلسلة الزمنية هي سلسلة من نقاط البيانات المرسومة بترتيب زمني.

يمكن أن تساعد نماذج التنبؤ بالسلاسل الزمنية في الكشف عن الاتجاهات المتوقعة في البيانات المتأثرة بالدورات والتقلبات غير المنتظمة والموسمية والاختلافات الأخرى.

كثيرًا ما يُذكر تحليل السلاسل الزمنية إلى جانب التنبؤ بالسلاسل الزمنية. في حين أن تحليل السلاسل الزمنية يستلزم فهم بيانات السلاسل الزمنية لاستخلاص رؤى منها، فإن التنبؤ بالسلاسل الزمنية يتجاوز التحليل للتنبؤ بالقيم المستقبلية.

تتضمن عملية التنبؤ بالسلاسل الزمنية عددًا من الأساليب:

الساذج

تستخدم الطريقة الساذجة نقطة البيانات من الفترة السابقة كتوقع للفترة التالية. وهذا يجعلها أبسط طريقة للتنبؤ بالسلاسل الزمنية وغالبًا ما تعتبر معيارًا أوليًا.

المتوسط المتحرك البسيط

تحسب تقنية المتوسط المتحرك البسيط متوسط نقاط البيانات من فترات T الأخيرة. وبعد ذلك يكون هذا المتوسط بمثابة التنبؤ للفترة التالية.

المتوسط المتحرك المرجح

تعتمد هذه الطريقة على تقنية المتوسط المتحرك البسيط، ولكن مع وزن مطبق على كل نقطة بيانات في فترات T الأخيرة.

التجانس الأسّي

يعمل التجانس الأسّي من خلال تطبيق متوسط مرجح أسي على بيانات السلاسل الزمنية. تقل الأوزان بشكل كبير كلما أصبحت البيانات أقدم—فكلما كانت البيانات أحدث، زاد وزنها.

يتحكم معامل التجانس (يسمى أيضًا عامل التجانس أو معلمة التجانس) في الأوزان المخصصة للبيانات السابقة والحالية. وباستخدام هذه الأوزان، يتم بعد ذلك حساب المتوسط المتحرك المرجح والذي يستخدم كتنبؤ. يصبح هذا التنبؤ بمثابة نسخة متجانسة من سلسلة زمنية، مما يؤدي إلى إزالة التقلبات والبيانات غير الهامة والقيم المتطرفة والاختلافات العشوائية من البيانات.

لا يتطلب التجانس الأسّي عادةً مجموعة بيانات ضخمة، ما يجعله طريقة جيدة للتنبؤ بالتوقعات قصيرة المدى. ولأنه يعطي أهمية أكبر للبيانات الحالية، يمكن أن يتكيّف التجانس الأسّي سريعًا مع الاتجاهات الجديدة أو المتغيرة.

المؤشر الموسمي

يمكن أن يكون المؤشر الموسمي ذا قيمة للشركات التي يعتمد إنتاجها أو طلبها على السلع أو الخدمات على المواسم.

لحساب المؤشر الموسمي، خذ متوسط الطلب لموسم معين وقسّمه على متوسط الطلب عبر جميع المواسم. يتم حساب هذه المتوسطات عادةً باستخدام تقنية المتوسط المتحرك، ولكن يمكن أيضًا تطبيق التجانس الأسّي باستخدام بيانات السلاسل الزمنية فقط لهذا الموسم. يشير ناتج المؤشر الموسمي الأقل من 1 إلى انخفاض الطلب عن المتوسط، بينما تشير القيمة الأكبر من 1 إلى طلب أعلى من المتوسط.

لتقدير تنبؤات الموسم القادم، سيتم ضرب الطلب المتوقع لهذا الموسم في المؤشر الموسمي المقابل.

النماذج السببية هي تعبير رياضي للعلاقات السببية في البيانات. يمكن أن تكون نماذج التنبؤ هذه مناسبة للتنبؤات ذات الأفق الزمني الأطول.

نماذج الانحدار

تحلِّل النماذج القائمة على الانحدار العلاقة بين متغير تنبؤي أو تابع وواحد أو أكثر من المتغيرات التنبؤية أو المستقلة. مثال على نموذج الانحدار هو الانحدار الخطي، والذي يمثل علاقة خطية بين متغير التوقع ومتغير التنبؤ.

نماذج الاقتصاد القياسي

تشبه نماذج الاقتصاد القياسي نماذج الانحدار، ولكن مع التركيز على المتغيرات الاقتصادية، مثل أسعار الفائدة والتضخم، والعلاقات الاقتصادية، مثل ظروف السوق وأسعار الأصول.

يوفر التنبؤ الكمّي هذه المزايا:

• فهو يعتمد على الأرقام والرياضيات، مما قد يؤدي إلى تنبؤات أكثر موضوعية. 

• يوفر مخرجات متسقة وقابلة للتكرار ومنظمة تساعد على تبسيط التحليل عبر أطر زمنية محددة.

لكن هذا النهج التنبؤي له أيضًا بعض العيوب:

• من الصعب دمج رؤى الخبراء والمعلومات الداخلية والبيانات النوعية الأخرى في التنبؤات الكمّية.

• يحتاج إلى بيانات تاريخية كافية لإخراج تنبؤات موثوقة.

يستخدم التنبؤ بالذكاء الاصطناعي خوارزميات التعلم الآلي والذكاء الاصطناعي لأساليب التنبؤ الكمّي مثل التنبؤ بالسلاسل الزمنية ونماذج الانحدار. يمكن للتنبؤ بالذكاء الاصطناعي التعامل مع كميات هائلة من البيانات، وتنفيذ حسابات سريعة، ومعالجة التنبؤات المعقدة، وكشف النقاب عن الارتباطات بسرعة.

فيما يلي بعض نماذج وتقنيات التعلم الآلي الشائعة المستخدمة في التنبؤ بالذكاء الاصطناعي:

• أشجار القرار
• التعلم العميق
• التعلم الجماعي، الذي يجمع بين العديد من المتعلمين لتحسين الأداء التنبؤي
• خوارزمية KNN (ﺍﻟﺠﺎﺭ ﺍﻷﻗﺭﺏ)
• الشبكات العصبية

عند استخدام التنبؤ بالذكاء الاصطناعي، من المهم تقييم مدى توافق النموذج مع أهداف التنبؤ الخاصة بالمؤسسة. راقب أداء النموذج بانتظام لتحديد ما إذا كان النموذج يحتاج إلى إعادة تدريب على بيانات جديدة أو ضبطه لتحسين أدائه. ضع في اعتبارك أيضًا ما إذا كان النموذج قابلًا للتفسير، حتى يتمكن جميع الأطراف المعنية من فهم كيفية إجراء التنبؤات وكيفية تفسير تلك التنبؤات.

يمكن تنفيذ التنبؤ في مجالات العمل المختلفة:

يوفر برنامج التنبؤ ميزات متقدمة، مثل دمج البيانات من مصادر مختلفة وتحليل التفاعلات بين متغيرات متعددة. يمكن أن تساعد هذه الميزات المؤسسات في تطوير تنبؤات موثوقة وتحديث وإدارة نماذج التنبؤ والمحاكاة بكفاءة. تحتوي أدوات التنبؤ الأخرى أيضًا على قدرات ذكاء اصطناعي مدمجة لأتمتة سير العمل وتحسين الدقة وتسريع العملية.