توقع صح
Cherly Fleitas
التنبؤ عبارة عن تنبؤ قائم على دراسة البيانات القديمة والأنماط السابقة. فتستخدم الأعمال التجارية أدوات وأنظمة برمجية لتحليل كميات كبيرة من بيانات جُمعت على مدار فترة طويلة. وبعدها يتنبأ البرنامج بالطلب والاتجاهات التي ستظهر في المستقبل لمساعدة الشركات في اتخاذ قرارات مالية وتسويقية وتنفيذية أكثر دقة.
يُعد التوقع أداة تخطيط تساعد المؤسسات في الاستعداد لحالات عدم اليقين التي قد تقع في المستقبل. وهو يساعد المديرين في الاستجابة بثقة للتغييرات والتحكم في سير الأعمال واتخاذ قرارات إستراتيجية تدفع عجلة النمو في المستقبل. على سبيل المثال تستغل الشركات التوقع لتنفيذ الإجراءات التالية:
يعتمد التوقع النوعي على خبراء التسويق في وضع تنبؤات قصيرة المدى. ويمكنك استخدام الأساليب النوعية في حالة عدم وجود بيانات قديمة كافية. فعلى سبيل المثال إليك حالتان من حالات الاستخدام:
تستخدم نماذج التوقع الكمي إحصائيات مفيدة وبيانات قديمة للتنبؤ بالاتجاهات التي ستظهر في المستقبل على المدى الطويل. ولذلك نطرح لك بعض الأمثلة على الأساليب الكمية القياسية أدناه:
تراقب البيانات المقطعية الأفراد والشركات في الفترة الزمنية نفسها. أما بيانات السلاسل الزمنية فهي أي مجموعة بيانات تجمع المعلومات على فترات زمنية مختلفة. وهذه البيانات مميزة لأنها تطلب نقاط البيانات حسب الوقت. نتيجة لذلك هناك احتمال وجود ارتباط بين الملاحظات في فترات زمنية متقاربة.
يمكن تسجيل بيانات السلاسل الزمنية على رسم بياني تتخلله فترات زمنية تدريجية (أو خطوط زمنية) على محور السينات وقيم بيانات العينة المرصودة على محور الصادات. وتُعد رسوم السلاسل الزمنية البيانية أدوات مهمة في تصور البيانات. وهذه الرسوم البيانية يستخدمها علماء البيانات لتحديد خصائص بيانات التوقع. ولذلك نطرح بعض الأمثلة على خصائص بيانات السلاسل الزمنية أدناه:
في البيانات الموجهة تزداد قيم ص أو تنقص بمرور الوقت ما يجعل الرسم البياني يسير في خط مستقيم. على سبيل المثال قد تزيد البيانات السكانية أو تنقص خطيًا بمرور الوقت.
تحدث الأنماط الموسمية عندما تُظهر بيانات السلاسل الزمنية أنماطًا منتظمة ومتوقعة على فترات زمنية تقل عن عام. وقد يظهر نمط البيانات على شكل زيادة مفاجئة أو انحرافات أخرى على الرسم البياني الخطي. على سبيل المثال قد تزيد مبيعات التجزئة التي يحققها متجر ما في فترات العطلات ما بين ديسمبر وأبريل.
في بعض الأحيان تغير بيانات السلاسل الزمنية نمطها فجأة في وقت معين. قد ينتقل رسم السلاسل الزمنية البياني فجأة لأعلى أو لأسفل ما ينتج عنه حدوث كسر هيكلي أو طابع لا خطي. على سبيل المثال تغيرت العديد من المؤشرات الاقتصادية تغيرًا جذريًا في عام 2008 بعد بداية الأزمة المالية العالمية.
يُعرف توقع السلاسل الزمنية بأنه أسلوب من أساليب علم البيانات يستغل التعلم الآلي وتقنيات الحاسوب الأخرى لدراسة الملاحظات الماضية والتنبؤ بالقيم المستقبلية لبيانات السلاسل الزمنية. فلنلقِ نظرة على بعض الأمثلة على توقع السلاسل الزمنية:
يستكشف تحليل السلاسل الزمنية الأسباب الرئيسة في أي بيانات سلاسل زمنية. ويسعى مجال الدراسة هذا إلى فهم \"السبب\" وراء مجموعة بيانات السلاسل الزمنية. يتعين في كثير من الأحيان على المحللين وضع افتراضات وتجزئة البيانات أو تقسيمها لاستخلاص إحصائيات مفيدة وغيرها من الخصائص.
في حين يتمحور تحليل السلاسل الزمنية حول فهم مجموعة البيانات يتمحور التوقع حول كل ما يرتبط بالتنبؤ بهذه البيانات. وإليك توضيح لخطوات تصميم النماذج التنبئية الثلاث:
يستخدم علماء البيانات نماذج توقع السلاسل الزمنية لوضع تنبؤات أكثر دقة. فهم يجرون نوعًا من تحليل البيانات الاستكشافي في البداية لاختيار أفضل لوغاريتمات التوقع ثم يستخدمون نماذج التعلم الآلي لوضع تنبؤات. دعنا نلقٍ نظرة على أشهر نماذج التوقع أدناه:
تسوية البيانات عبارة عن أسلوب إحصائي يتضمن إزالة القيم المتطرفة للبيانات أو نقاط البيانات التي تختلف اختلافًا كبيرًا عن بقية مجموعة البيانات. وهذا النوع من نماذج التنبؤ يزيد وضوح فئة النمط الأساسي بالتخلص من التغيرات العشوائية في البيانات.
الانحدار التلقائي عبارة عن نموذج توقع يستخدم ملاحظات مستقاة من خطوات زمنية سابقة لتحديد علاقة رياضية بين نقطتي بيانات. ثم يستخدم العلاقة الرياضية لتقدير قيمة مستقبلية غير معروفة. وحسب نموذج الانحدار المستخدم تأخذ المعادلة الرياضية في الاعتبار أخطاء التنبؤ السابقة والقيم الموسمية السابقة ما يحسن التنبؤ بمرور الوقت.
يقدم التوقع للأعمال التجارية معلومات مناسبة وموثوقة عن كل من الحاضر والمستقبل. ونوضح أدناه بعض الأمثلة على حالات استخدام تقنية التوقع:
More Retail Ltd. (MRL) تُعد واحدة من أكبر أربعة متاجر لبيع البقالة بالتجزئة في الهند حيث حققت أرباحًا تُقدر بعدة مليارات دولارات. وهي تملك شبكة كبيرة من المتاجر وسلسلة إمداد معقدة تضم عدة موزعين. واعتمدت الشركة على الحكم البشري الذي يطلقه مديرو المتاجر لوضع تقديرات للمخزون وطلبه لكن هذا الأمر أثر في تجربة العملاء لا سيما في فئة المنتجات الطازجة. لقد استخدمت MRL خدمات التوقع التي تقدمها AWS لإنشاء نظام طلب آلي يقلل من هدر الطعام الطازج بنسبة 30.
تُعد مجموعة Hon Hai Technology Group (Foxconn) أكبر شركة لتصنيع الإلكترونيات ومزود الحلول في العالم. وخلال جائحة وباء كوفيد-19 تعرضت مجموعة Foxconn لتقلبات غير مسبوقة في معدل طلب العملاء والإمدادات والقدرة الإنتاجية. وبعد ذلك تعاونت الشركة مع Amazon Machine Learning Solutions Lab للتنبؤ بتوقعات دقيقة للطلب الصافي لمصنعها في المكسيك. أدت هذه التوقعات إلى توفير ما يزيد عن 500000 USD سنويًا.
يُعد موقع Affordable Tours.com أحد أكبر موردي الجولات بقيادة مرشدين والرحلات البحرية والرحلات النهرية وعطلات الاستجمام والأنشطة في الولايات المتحدة. وكان القائمون على الموقع يسعون جاهدين لتخصيص الموارد عند التعامل مع حجم مكالمات العملاء. ففي بعض الأيام كانوا يستقبلون عددًا كبيرًا للغاية من الوكلاء وفي أيام أخرى كانوا يستقبلون عددًا قليلاً للغاية من الوكلاء ما أدى إلى ظهور تجارب عملاء متناقضة وزيادة معدلات المكالمات التي لم يرد عليها. ثم استعانوا بخدمة Amazon Forecast لوضع تنبؤات أفضل عن حجم مكالمات العملاء وتحسين معدل المكالمات التي لم يُرد عليها بنسبة 20.
\n
\n