ما التوقع؟

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.

ما أهمية التوقع؟

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:

  • استخدام الموارد بكفاءة أكبر
  • تصور أداء الأعمال
  • تحديد وقت إطلاق المنتجات أو الخدمات الجديدة
  • تقييم التكاليف المتكررة
  • توقع الأحداث المستقبلية مثل حجم المبيعات والأرباح
  • مراجعة قرارات الإدارة

ما أنواع أساليب التوقع؟

تتنوع أساليب التوقع ما بين كمية ونوعية:

الأساليب النوعية

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:

  • تحدد تقنيات أبحاث السوق مثل استطلاعات الرأي والاستبيانات طلبات المستهلكين.
  • تستطلع تقنيات دلفي لتصميم النماذج آراء الخبراء في مجال معين لاستقاء آرائهم والتنبؤ بالاتجاهات في هذا المجال.

الأساليب الكمية

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:

  • تصميم نماذج الاقتصاد الإحصائي تحلل مجموعات من البيانات المالية، مثل بيانات القروض والاستثمار للتنبؤ بالتحولات الاقتصادية الكبيرة وتأثيرها في الشركة.
  • نهج المؤشر يقارن نقاط البيانات لتحديد العلاقات بين البيانات التي تبدو غير مرتبطة. فعلى سبيل المثال، يمكنك استخدام التغييرات في الناتج المحلي الإجمالي (GDP) للتنبؤ بمعدلات البطالة.
  • وفي إطار هذا السيناريو، تسمى بيانات الناتج المحلي الإجمالي (GDP) المؤشر المتقدم، ومعدل البطالة هو المؤشر المتأخر.
  • توقع السلاسل الزمنية يحلل بيانات جُمعت على فترات زمنية مختلفة للتنبؤ بالاتجاهات التي ستظهر في المستقبل. 

ما بيانات السلاسل الزمنية؟

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:

البيانات الموجهة زمنيًا

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.

الموسمية

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.

الكسور الهيكلية

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.

ما توقع السلاسل الزمنية؟

يُعرف توقع السلاسل الزمنية بأنه أسلوب من أساليب علم البيانات يستغل تعلّم الآلة وتقنيات الحاسوب الأخرى لدراسة الملاحظات الماضية والتنبؤ بالقيم المستقبلية لبيانات السلاسل الزمنية. فلنلقِ نظرة على بعض الأمثلة على توقع السلاسل الزمنية:

  • تتكون البيانات الفلكية من حركة الكواكب المتكررة على مدى قرون. ويمكنك استخدام هذه البيانات للتنبؤ بدقة بالأحداث الفلكية مثل الكسوف والمذنبات.
  • تستخدم نشرة الأحوال الجوية أنماط الرياح ودرجات الحرارة للتنبؤ بالتغيرات المناخية.
  • يستطيع العلماء الاستعانة بمعدلات المواليد وبيانات الهجرة للتنبؤ بالنمو السكاني.

تحليل السلاسل الزمنية مقارنة بتوقع 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:

  • طرح سؤال وجمع عينة من مجموعة من بيانات السلاسل الزمنية التي تجيب على هذا السؤال في فترة زمنية سابقة.
  • تدريب برامج الكمبيوتر أو لوغاريتم التنبؤ باستخدام القيم السابقة.
  • استخدام لوغاريتم التنبؤ لتسجيل ملاحظات مستقبلية.

ما آلية عمل توقع السلاسل الزمنية؟

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:

نماذج التجزئة

تعمل نماذج التجزئة على تجزئة أو تقسيم بيانات السلاسل الزمنية إلى ثلاثة مكونات:

  1. مكوّن الاتجاه
  2. المكون الموسمي
  3. مكون المتغيرات العشوائية، وهو مكون لا ينتمي إلى أي من المجموعتين أعلاه

هناك أسلوب ثانٍ لتحليل بيانات السلاسل الزمنية وهي تقسيمها إلى مكونين: مكوني بيانات متوقعة وغير متوقعة.

النماذج القائمة على التسوية

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.

النماذج القائمة على الانحدار

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.

ما حالات استخدام التوقع الرئيسة؟

يقدم التوقع للأعمال التجارية معلومات مناسبة وموثوقة عن كل من الحاضر والمستقبل. ونوضح أدناه بعض الأمثلة على حالات استخدام تقنية التوقع:

العمليات - كيف تستخدم شركة More Retail Limited الأتمتة لتوقع مبيعات المنتجات؟

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٪.

التصنيع - كيف تستغل شركة Foxconn التوقع لإدارة الطلب على التصنيع؟

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.

دعم العملاء - كيف يستغل Affordable Tours توقع المبيعات لتحسين تجربة العملاء؟

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٪.

ما خدمة Amazon Forecast؟

إن خدمة Amazon Forecast عبارة عن خدمة توقع السلاسل الزمنية مدُارة بالكامل تعتمد على تعلّم الآلة ومصممة لتحليل مقاييس الأعمال. وهي لا تتطلب أي خبرة في التعلم الآلي لتبدأ استخدامها. فما عليك إلا تقديم البيانات السابقة، بالإضافة إلى أي بيانات إضافية تعتقد أنها قد تؤثر في توقعاتك. وبمجرد تقديم جميع البيانات، تفحصها Amazon Forecast تلقائيًا، وتحدد ما هو مفيد منها. وبعد ذلك تعد نموذج توقع يمكنه زيادة دقة التنبؤات بنسبة تصل إلى 50٪ أكثر من التنبؤات الصادرة عن نماذج تحلل بيانات السلاسل الزمنية وحدها.

ابدأ بإنشاء حساب Amazon مجاني اليوم بدون أي مقابل باستخدام الطبقة المجانية من AWS. خلال أول شهرين من استخدام خدمة Amazon Forecast، يتلقى عملاء AWS الجدد ما يصل إلى 10000 من أجيال توقع السلاسل الزمنية شهريًا، وما يصل إلى 10 جيجابايت من مخزن البيانات شهريًا، وما يصل إلى 10 ساعات تدريبية شهريًا.

الخطوات التالية في Amazon Forecast