John Naisbitt: The most reliable way to forecast the future is to try to understand the present.
در فیلم های علمی تخیلی پیشگوها را دیده ایم که به گوی شیشه ای خیره می شوند و آینده را پیشگویی می کنند. اگر شما در پی تولید و فروش محصولات خود هستید کلید موفقیت تان در پیش بینی دقیق است. به یاد داشته باشید که در دنیای رقابتی امروز، میزان تقاضا برای هیچ کسب و کاری ثابت نیست. روزگار که با قطعیت می شد تقاضا را پیش بینی کرد و چرخه عمر محصولات طولانی بود گذشته است. آنچه درباره دنیای کسب و کار فعلی می توان گفت این است که همه چیز متغیرر و پویا است. امروزه شرکت ها دریافته اند که سودشان در درک درست تقاضا، برنامه ریزی برای تقاضا و متصل کردن رفتار زنجیره تامین با تقاضا است. البته باید دانست که اثرات زیان بار پیش بینی اشتباه در تمام طول و عرض زنجیره تامین پخش می شود. به همین دلیل است که امروزه روش های پیش بینی مورد توجه هستند و مدیران برای کاهش هزینه های خود از آنها استفاده می کنند. یعنی تلاش می کنند بفهمند در بازه های زمانی مختلف، مشتریانشان چه انتظاراتی خواهند داشت.
به همت دانش تکنولوژی اطلاعات و داده کاوی، پیشرفت چشم گیری از لحاظ نظری در دانش پیش بینی تقاضا به دست آمده است اما از نظر عملی، همچنان بیشتر سازمان ها پیش بینی های ضعیفی انجام می دهند و اغلب در نهایت به دانش افراد با تجربه بیش از خروجی محاسبات پیش بینی اهمیت می دهند. چرا که به تجربه دریافته اند که پیش بینی های علمی در محیط آزمایشگاهی معتبر هستند اما در دنیای واقعی که عوامل تاثیرگذار بر تقاضا بسیار گسترده هستند معمولا فاصله زیادی بین خروجی تکنیک های پیش بینی و تقاضای واقعی وجود دارد. مانند پیش بینی هوای روز 12 خرداد امسال که پیش بینی سازمان هواشناسی "کمی ابری بتدریج با افزایش ابر در پاره‌ای نقاط با رگبار و رعد و برق و وزش باد" بود اما آنچه اتفاق افتاد طوفان کم سابقه با سرعت 118 کیلومتر در ساعت بود.
بر اساس تحقیقی که در مجله هندی استاندارد کسب و کار منتشر شده است گرچه در دهه هشتاد میلادی کامپیوتر وجود داشته و محاسبات می توانسته از طریق دستگاه های الکترونیکی انجام شود اما در این دوره اغلب شرکت ها از دانش متخصصان جهت پیش بینی تقاضا استفاده می کرده اند تا آنکه در دهه نود میلادی استفاده از کامپیوتر در انجام اینگونه محاسبات رواج پیدا کرد اما جالب است که دقت این محاسبات بیش از گذشته نبود. سوالی که مطرح می شود این است که آیا از روش درستی برای پیش بینی تقاضا انجام می شده است؟ چه افق های کوتاه مدت و دراز مدتی برای پیش بینی در نظر گرفته می شده و چگونه محاسبات آماری را با نظر متخصصان یکپارچه می کرده اند؟
نکته جالبی که در مطالعات موسسه گریت لیک منتشر شده این است که هنوز هم در قرن بیست و یکم در اغلب شرکت ها از روش های کیفی نظیر نظرسنجی از بازاریاب ها برای پیش بینی تقاضا استفاده می شود. حتی در شرایطی که داده ها و روش پیش بینی تقاضا متناسب دردسترس است، همچنان روش نظرسنجی بر محاسبات عددی برتری داده می شود. یکی از دلایل عمده ای که موجب عدم تطابق پیش بینی تقاضا و واقعیت می شود این است که تقاضا در بازه های زمانی مختلف از الگوهای مختلفی تبعیت می کند. به عبارت دیگر اگر داده های تقاضا را به فواصل مشخصی تقسیم کنیم آنگاه الگوهای داده ها دیده می شوند و می شود رفتار آینده تقاضا را در آن فواصل پیش بینی کرد (اصل 1 و 19 تریز را ببینید). این همان چیزی است که به تقاضای فصلی معروف است. در محصولاتی مانند لوازم التحریر مدرسه، آجیل شب عید و کولر وجود تقاضای فصلی بدیهی است اما در بعضی محصولات (بخصوص خدماتی ها) مثل تعداد تماس ها به 118، تعداد وام های درخواستی از بانک ها و حجم ترافیک اینترنت به سادگی قابل تشخیص نیست.
داده کاوی دقیق و پیدا کردن الگوی رفتار تقاضا به پیش بینی دقیق آن کمک می کند. ناگفته پیداست که برای داده کاوی باید داده کافی با کیفیت مناسب وجود داشته باشد. یعنی هم حجم داده ها به اندازه ای باشد که بشود بر اساس آنها نتیجه گیری کرد (مشت نمونه خروار باشد) دیگر آنکه داده ها صحیح باشند. مثلا وقتی از خدمات مشتریان فلان شرکت لوازم خانگی تماس می گیرند و سوالات را به گونه ای می پرسند که شما بگویید راضی هستید و اگر گاهی اعلام نارضایتی کنید توجیه می کنند و در نهایت سعی می کنند از مشتری نمره ی بالا بگیرند (در حالی که خدماتشان در آن حد نبوده) این باعث می شود که کیفیت داده های جمع شده پایین بیاید. در سطوح مختلف زنجیره تامین (تامین، تولید، توزیع، عمده فروشی و خرده فروشی) پیش بینی های متفاوتی انجام می شود که نیازمند داده های کافی و با کیفیت است. برای این منظور می بایست بازیگران مختلف (شرکت های مختلف) داده های خود را در اختیار سایرین بگذارند. آنچه معمولا اتفاق می افتد این است که بسیاری از شرکت از به اشتراک گذاری داده های خود هراس دارند، حتی داده هایی که با جستجو در اینترنت می توان به آنها دست یافت. نکته دیگر در مورد این داده ها آن است که بسیاری از داده هایی که شرکت ها در اختیار دارن و به اشتراک می گذارند در ارتباط با فعالیت های داخلی آنهاست در حالی که عوامل تاثیرگذار بر تقاضا ریشه در متغییرهای داخلی و خارجی (عمدتا متغییرهای بازاریابی) دارند. بسیاری از شرکت ها آنقدر سرگرم کار خود هستند که از مطالعه بازار و شناخت نیاز مشتری غافل می شوند.
کلید موفقیت شفافیت در داده های تقاضا بین اعضای مختلف زنجیره تامین از بالادست (سمت تامین کالا و خدمات) تا پایین دست (سمت پخش و توزیع کالا و خدمات) است. به عبارت دیگر، تامین کننده های مواد اولیه می بایست به تحلیل بازار که توسط واحدهای فروش و بازاریابی انجام می شود دسترسی داشته باشند و بالعکس.
نوشته ای که خواندید ترجمه ی نسبتا آزادی بود از بخش هایی از مقاله با عنوان Demand forecasting in a supply chain. اصل مقاله به زبان انگلیسی را در این آدرس بخوانید.