اینجا راهنمای دوره‌ی پیش ‌بینی تقاضا است، خوش آمدید.

در این دوره با رایج‌ترین روش‌های کیفی و کمی پیش بینی آشنا می‌شوید.

فهرست درس‌های ‌پیش بینی تقاضا

در ادامه، فهرست درس‌های  دوره‌ی پیش بینی تقاضا را مشاهده می‌کنید.

یادآوری می‌کنیم که این دوره فقط به صورت نوشتاری ارائه می‌شود.

در این درس از مفهوم پیش بینی تقاضا صحبت می‌کنیم تا اهمیت آن را درک کنید، انتظارات درستی داشته باشید و با بعضی مفاهیم پایه مثل خواسته و نیاز و تقاضا آشنا شوید.

پیش بینی تقاضا و گاهی هم پیش بینی فروش ! در این درس به‌صورت کلی با مفهوم پیش‌بینی در مهندسی آشنا می‌شوید

در این درس موارد زیر را بررسی می‌کنیم:

  • تفاوت خواسته و نیاز و تقاضا
  • رابطه‌ی عرضه و تقاضا و قیمت
  • مفهوم پیش‌ بینی تقاضای بازار
  • ابعاد پیش بینی تقاضا
  • عوامل موثر در دقت پیش بینی

روش‌های پیش بینی (پیش بینی تقاضا و هر پارامتر دیگری) به دو دسته‌ی کمی و کیفی تقسیم می‌شوند؛ گاهی روش‌های کیفی دقت بالاتری دارند یا تنها راه‌حل پیش‌بینی هستند، گاهی هم بهتر است از روش‌های کمّی استفاده کنیم. در این درس با تفاوت ماهوی و کارکردی این روش‌ها آشنا می‌شوید.

روش‌های کمی و کیفی پیش بینی تقاضا

در این درس موارد زیر را بررسی می‌کنیم:

  • تفاوت ماهوی روش‌های کمی و کیفی پیش‌بینی
  • کارایی روش‌های کمی و کیفی

روش‌های کیفی از روابط ریاضی استفاده نمی‌کنند، مبتنی بر دانش و تجربه‌ی افراد هستند و ساختار دقیق و مشخصی ندارند.

در این درس با مجموعه‌ای از رایج‌ترین سناریوهای پیش‌ بینی کیفی آشنا می‌شوید که فهرست‌شان را کمی پایین‌تر نوشتیم.

روش‌های کیفی پیش بینی تقاضا

در این درس روش‌های زیر را بررسی می‌کنیم:

  • نظرسنجی از مصرف‌کنندگان
  • نظرسنجی از فروشندگان
  • تحلیل‌های کارشناسی و روش دلفی
  • عرضه‌ی محدود کنترلی و غیرکنترلی (مبتنی بر آزمون محصول)
  • شبیه‌سازی بازار آنلاین (مبتنی بر آزمون محصول)
  • حضور در نمایشگاه‌های تجاری (مبتنی بر آزمون محصول)

اگر طبقه‌بندی و ساختار مشخصی برای روش‌های کمی نداشته باشیم، به زودی در میان روابط ریاضی غرق می‌شویم و دانش‌مان جنبه‌ی کاربردی نخواهد داشت، چون نمی‌دانیم روش‌هایی بر چه مبنایی کار می‌کنند و برای چه شرایطی مناسب هستند. در این درس ابتدا با بعضی مفاهیم پایه مثل سری‌های زمانی و الگوها و روابط علت و معلولی آشنا می‌شوید، سپس یاد می‌گیرید که هر کدام از روش‌های کمی این دوره برای کدام نوع داده‌ها کارایی دارند.

بنر روش‌های کمی پیش‌بینی تقاضا

در این درس موارد زیر را بررسی می‌کنیم:

  • آشنایی با مفهوم سری زمانی
  • آشنایی با مفهوم علت و معلول
  • آشنایی با الگوهای موجود در سری‌های زمانی (افقی، فصلی، چرخه‌ای، روند)
  • طبقه‌بندی روش‌های کمی پیش بینی تقاضا

اگر هزار تراکت پخش کنیم، چند مشتری جدید جذب می‌شود؟

اگر بازدید سایت ۱۰% افزایش داشته باشد، فروش چقدر بیشتر می‌شود؟

اگر قیمت‌ها را ۲۰% کاهش دهیم، سودمان چگونه تغییر می‌کند؟

این سوالات بر اساس روابط علت و معلول طرح شده اند، مثلاً در سوال اول پخش کردن تراکت را علت جذب مشتریان جدید (معلول) و در سوال دوم، افزایش بازدیدکنندگان را علت فروش بیشتر (معلول) سایت در نظر گرفتیم.

در این درس یاد می‌گیرید که چگونه رابطه‌ی ریاضی میان علت‌ها و معلول را پیش‌بینی کنید.

پیش بینی با روش حدقل مجذورات و رگرسیون

در این درس با روش‌های زیر آشنا می‌شوید:

  • رگرسیون یک متغیره یا حدأقل مجذورات (محاسبات دستی و حل با اکسل)
  • رگرسیون دو متغیره (حل دستی)
  • رگرسیون چند متغیره (حل با اکسل)

روش‌های میانگین معمولاً برای پیش بینی سری‌های زمانی با الگوی افقی استفاده می‌شوند؛ در این درس با بخشی از این روش‌ها آشنا می‌شوید و محاسبات دستی و نرم‌افزاری (اکسل) آن‌ها را یاد می‌گیرید.

میانگین ساده، میانگین وزن دار، میانگین متحرک در پیش‌بینی

در این درس با روش‌های زیر آشنا می‌شوید:

  • آخرین تقاضا (نایو)
  • میانگین ساده
  • میانگین متحرک ساده
  • میانگین متحرک وزن‌دار

در این درس با روش دیگری به نام هموارسازی نمایی برای پیش بینی سری‌های زمانی آشنا می‌شوید. ضمناً بعضی سری‌های زمانی از الگوی روند پیروی می‌کنند و یک رشد یا کاهش مشهود و مستمر دارند؛ در بخش دوم این درس یاد می‌گیرید که چگونه روند افزایش یا کاهشی داده‌ها را جبران کنید تا به نتایج دقیق‌تری برسید.

روش هموارسازی نمایی (نمو هموار) در پیش بینی تقاضا

در این درس با روش‌های زیر آشنا می‌شوید:

  • هموارسازی نمایی ساده (نمو هموار) به صورت دستی و با اکسل
  • تعیین مقدار آلفا با آزمون و خطا
  • هموارسازی نمایی دوبل (هموارسازی نمایی با تصحیح روند) به صورت دستی

در اکسل دستور آماده‌ای برای جبران روند با هموارسازی نمایی وجود ندارد، به همین علت استفاده از این روش در اکسل را به درس جداگانه‌ای موکول کردیم.

خیلی اوقات سری‌های زمانی تحت تأثیر الگوی قصلی هستند، مثلاً تقاضای خرید شال‌گردن در پاییز و زمستان بیشتر است و در بهار و تابستان به حدأقل می‌رسد. فصلی بودن داده‌ها می‌تواند نتایج پیش‌بینی را به چالش بکشد، مثلاً فروش خوب ماه‌های دی و بهمن و اسفند باعث می‌شود که بعضی محاسبات، فروش خوبی برای فروردین پیش‌بینی کنند که درست نیست. در این درس با روش‌هایی آشنا می‌شوید که برای مواجه‌ی درست با داده‌های فصلی طراحی شده‌اند و تأثیر آن‌ها را در پیش‌بینی لحاظ می‌کنند.

پیش‌بینی داده‌های فصلی

در این درس با روش‌های زیر آشنا می‌شوید:

  • روش‌های مبتنی بر شاخص فصلی (مثل میانگین درصد)
  • غیرفصلی کردن داده‌ها و استفاده از روش‌های معمول پیش‌بینی (مثل رگرسیون)

پیش‌بینی همواره با خطا همراه است و تحلیل‌گران دائماً تلاش می‌کنند تا مقدارش را به حدأقل برسانند، اما منظور از خطا چیست؟ وقتی فروش مهر ماه را ۱۰۰ واحد تخمین می‌زنیم اما ۱۲۰ واحد می‌فروشیم یعنی به‌اندازه‌ی ۲۰ واحد خطا داشتیم اما اگر ۲۴ ماه مختلف را پیش‌بینی کرده باشیم، مجموع خطای پیش‌بینی چقدر است؟ معیارهای مختلفی برای ارزیابی دقت پیش‌بینی وجود دارد که کارکردشان فرق می‌کند و به نتایج متفاوتی می‌رسند؛ در این درس با بخشی از این معیارها آشنا می‌شوید.

معیارهایی برای ارزیابی دقت پیش‌بینی

در این درس موارد زیر را بررسی می‌کنیم:

  • روش‌های جمع زدن خطا (AVE و CFE)
  • میانگین انحراف مطلق خطاها یا MAD
  • میانگین مجذور خطاها یا MSE
  • میانگین درصد خطای مطلق یا MAPE
  • انحراف معیار

تا این لحظه با بعضی دستورهای آماده‌ی اکسل آشنا شدید اما این دستورها محدود هستند، مثلاً روش نمو هموار با تصحیح روند را نمی‌توانیم با ماژول‌های از قبل تعریف شده‌ی اکسل حل کنیم. در این درس، روش هموارسازی نمایی با تصحیح روند را به‌صورت مرحله‌به‌مرحله در اکسل پیاده‌سازی کردیم تا به دستورهای آماده وابسته نباشید و بتوانید محاسبات دلخواه‌تان را به‌سادگی فرمول‌نویسی کنید.

پیش بینی تقاضا با کمک اکسل

در این درس همزمان با حل مسأله، مهارت‌های زیر را یاد می‌گیرید:

  • محاسبه‌ی مجموع یا میانگین داده‌ها
  • فرمول نویسی مقدماتی (نوشتن فرمول هموارسازی نمایی و تصحیح روند)
  • تعریف ورودی در اکسل (برای مقادیر آلفا و بتا)
  • تسرّی دادن یک فرمول به تعدادی از سلول‌ها
  • گرد کردن داده‌ها