شما در حال خواندن درس مقدمه‌ی روش‌های کمی پیش‌بینی از دوره‌ی پیش‌بینی تقاضا هستید.

بنر روش‌های کمی پیش‌بینی تقاضا

روش‌های کمی متنوعی برای پیش‌بینی وجود دارد که کاربردهایشان فرق می‌کند و هر کدام برای شرایط خاصی استفاده می‌شوند، اما چگونه بهترین روش را تشخیص دهیم؟ این درس برای پاسخ به این سؤال نوشته شده است تا مسیر روشن‌تری داشته باشیم و در درس‌های بعدی برای انتخاب روش مناسب سردرگم نمانیم.

طبقه‌بندی روش‌های پیش‌بینی در دوره‌ی ویکی‌تولید

روش‌هایی که در این دوره بررسی می‌کنیم به دو گروه اصلی تقسیم می‌شوند:


1. روش‌های پیش‌بینی مبتنی بر سری‌های زمانی

2. روش‌های پیش‌بینی روابط علت و معلول

در ادامه با این گروه‌ها آشنا می‌شوید.

۱٫ روش‌های پیش‌بینی برای سری‌های زمانی

بعضی داده‌ها به ترتیب زمان فهرست می‌شوند، مثل جدول فروش سالیانه یک شرکت در بیست سال گذشته (واحد زمانی: سال) یا جدول تعداد بازدیدکنندگان ویکی‌تولید در روزهای مختلف امسال (واحد زمانی: روز) و به آن‌ها سری زمانی گفته می‌شود.

جدول زیر نمونه‌ای از سری زمانی است:

مثال برای سری زمانی

روش‌های پیش‌بینی سری‌ زمانی، تغییرات این داده‌ها را در طول زمان در نظر می‌گیرند تا تغییرات آینده را حدس بزنند، مثلاً فروش سال‌های ۲۰۱۳ و ۲۰۱۴ را پیش‌بینی می‌کنند.

در ویکی‌تولید برای پیش‌بینی سری‌های زمانی با روش‌های زیر آشنا می‌شوید:


نایو، هموارسازی نمایی ساده، میانگین‌ساده و میانگین متحرک که بیشتر برای الگوهای افقی یا فصلی پایدار (با تغییرات تصادفی کم و بدون روندهای افزایشی و کاهشی) به کار گرفته می‌شوند.


روش هموارسازی نمایی دوبل که معمولاً برای داده‌های مبتنی بر روند و الگوهای فصلی کاهشی یا افزایشی استفاده می‌شود.


روش‌های مبتنی بر شاخص فصلی و تکنیک‌ غیرفصلی کردن داده‌ها

الگوها در سری‌های زمانی

هیچ‌وقت آمار فروش و تقاضا و جمعیت و … بی‌جهت تغییر نمی‌کند، هر زیاد و کم شدنی بر مبنای دلایلی است که بعضی از آن‌ها را تشخیص می‌دهیم و بعضی را نمی‌توانیم تشخیص دهیم اما علی‌القاعده همیشه الگویی هست که اگر کشف شود به افزایش دقت پیش‌بینی کمک می‌کند.

الگوهای بی‌شماری را می‌توانیم برای سری‌های زمانی تعریف کنیم، مثلاً الگوی U شکل را تعریف کنیم به این معنا که داده‌ها روند کاهشی به خود می‌گیرند و دوباره زیاد می‌شوند و هر چیز دیگری که حاکی از یک نظم مشخص در داده‌ها باشد اما چهار الگوی افقی (Horizontal)، روند (Trend)، فصلی (Seasonable) و چرخشی (Cyclic) در بیشتر منابع معرفی شده‌اند و آشنایی با آن‌ها برای انتخاب روش پیش بینی ضرورت دارد.

توجه کنید که داده‌ها ممکن است مطابق چند الگوی مختلف باشند، مثلاً از الگوهای روند و فصلی پیروی کنند، یا شاید فقط از یک الگو پیروی کنند، مثلاً چرخشی باشند یا از هیچ الگوی مشخص و واضحی تبعیت نکنند که در این‌صورت سری تصادفی نامیده می‌شوند.

الگوی روند (Trend)

اگر داده‌ها مطابق این الگو باشند یعنی به‌صورت کلّی در حال افزایش (روند افزایشی) یا کاهش (روند کاهشی) هستند اما دقت کنید که قرار نیست همیشه داده‌ها در حال افزایش یا کاهش باشند و در بعضی دوره‌ها این روند رعایت نمی‌شود اما به‌صورت کلّی باید صعودی یا نزولی بودن آن‌ها مشهود باشد.

در حالت ایده‌آل شکل داده‌ها در الگوی روند به صورت زیر است:

الگوی روند در پیش‌بینی تقاضا

و موارد زیر نمونه‌های واقعی‌تری از الگوی روند هستند:

الگوی ترند یا روند در سری های زمانی

الگوی فصلی (Seasonal)

کلاه پشمی در پاییز و زمستان پرفروش است اما در بهار و تابستان افرادی کمی آن را خریداری می‌کنند، لذا اگر بخواهیم از آمار فروش زمستان برای پیش‌بینی بهار استفاده کنیم دچار اشتباه می‌شویم و باید زمستان امسال را بر اساس زمستان پارسال بسنجیم و به چنین الگویی فصلی می‌گویند، یعنی آمار طبق نظم خاصی در حال تناوب هستند.

توجه داشته باشید که این تناوب لزوماً برای بازه‌های فصل‌های سال نیست بلکه شاید در بازه‌های روزانه، ماهیانه و … تکرار شود، مثلاً بازدیدکنندگان ویکی‌تولید در روزهای یکشنبه و دوشنبه و سه‌شنبه به حدأکثر و در روزهای پنجشنبه و جمعه به حدأقل تعداد می‌رسند و اگر آمار بازدیدکنندگان را فهرست کنیم با یک الگوی فصلی روبه‌رو می‌شویم.

الگوی فصلی در سریهای زمانی

اگر دقت کنید در این نمودار علاوه بر الگوی فصلی شاهد روند افزایش هم هستیم.

الگوی افقی (Horizontal)

در این الگو داده‌ها روند افزایش یا کاهش ندارند و صرفاً حول یک مقدار میانگین نوسان می‌کنند، مثلاً بیماری نادری را در نظر بگیرید که حدود صدهزار نفر به آن مبتلا هستند و قاعدتاً تقاضای این دارو همیشه در حدود مقدار ثابتی میماند یا تعداد محدودی خودروی مازراتی وارد کشور شده است و تقاضا برای سرویس‌های دوره‌ای آن از الگوی افقی پیروی می‌کند.

الگوی افقی در سری‌های زمانی و پیش‌بینی تقاضا

الگوی چرخه‌ای یا سیکلی (Cyclical)

در الگوی چرخه‌ای با تغییراتی شبیه الگوی فصلی روبه‌رو هستیم اما دو تفاوت وجود دارد:


در الگوهای فصلی مشخص است که تغییرات در چه بازه‌های زمانی هستند، مثلاً در بهار با افزایش و در تابستان با کاهش روبه‌رو هستیم یا در روزهای دوشنبه فروش بیشتری داریم اما در تغییرات چرخه‌ای معمولاً این بازه‌ها منظم نیستند.


در الگوهای چرخه‌ای فاصله‌ی تناوب‌ها زیاد است، مثلاً شاید رشد اقتصادی باعث تغییر چرخه‌ای داده‌های فروش شود که تأثیر آن به حدأقل دو سال زمان نیاز دارد یا خشکسالی باعث افزایش قیمت و کاهش تقاضا شود که تأثیر آن در کوتاه مدت نشان داده نمی‌شود.

اگر در یک بازه‌ی زمانی کوتاه، تناوب‌های غیرمنظم داشته باشیم چه معنایی دارد؟ چنین تناوبی ممکن است هیچ دلیل مشهودی نداشته باشد و نتوانیم آن را به الگوی خاصی نسبت دهیم، با این حال روش‌هایی مثل رگرسیون کمک می‌کنند که رابطه‌ی پارامترهای مختلف را بفهمیم، مثلاً شاید احساس کنیم که واردات بیسکوییت‌های خارجی شدیداً روی میزان تقاضا برای محصولاتمان تأثیر می‌گذارد و با کمک رگرسیون رابطه‌ی میزان واردات بیسکوییت (یک برند خاص) و تغییرات تقاضای محصول خودمان را پیدا کنیم و بر این مبنا می‌توانیم بعضی تغییرات در داده‌ها را بفهمیم. در زیر مثالی از الگوی چرخه‌ای را مشاهده می‌کنید:

سری های زمانی چرخه ای در پیش بینی

سری‌ زمانی تصادفی (Random)

در اینجا نمی‌توانیم از کلمه‌ی الگو برای داده‌ها استفاده کنیم چون نظم خاصی را در آن‌ها شناسایی نکردیم، لذا به آن‌ها سری زمانی (داده‌های بر اساس زمان) تصادفی می‌گوییم.

البته هیچ تغییری تصادفی نیست، افزایش یا کاهش فروش حتماً دلیلی دارد اما خیلی وقت‌ها نمی‌توانیم آن‌ها را پیدا کنیم.

سری زمانی تصادفی

۲٫ روش‌های پیش‌بینی برای روابط علت و معلول

احتمالاً در بخش قبلی این سوال به ذهنتان رسیده است که مگر می‌شود پیش‌بینی بر مبنای زمان نباشد؟ جواب مثبت است.

با وجود این‌که پیش بینی کاملاً وابسته به زمان است اما گاهی این‌کار را با کشف روابط بین پارامترها انجام می‌دهیم، مثلاً به جدول زیر دقت کنید:

به نظرتان اگر قیمت محصول را ۴۲۰۰۰ تومان قرار دهیم چقدر فروخته می‌شود؟

پاسخ این سوال نوعی پیش‌بینی است که ارتباطی با زمان ندارد، بلکه با کشف رابطه‌ی قیمت و فروش انجام می‌شود.

البته دقت کنید که کشف روابط علت و معلول می‌تواند از داده‌های مبتنی بر سری‌های زمانی باشد، جدول زیر را ببینید:

جدول بالا بر اساس ماه‌های مختلف تنظیم شده است و نوعی سری زمانی به حساب میاید.

حال برای این‌که تعداد فروش را بر مبنای ماه‌ها پیش‌بینی کنیم، مثلاً برای دی‌ماه، به روش‌های مبتنی بر سری‌های زمانی نیاز داریم اما برای پیش‌بینی فروش بر اساس قیمت محصول یا هزینه‌ی تبلیغات یا هر دو، باید از روش‌های علت و معلولی استفاده کنیم.

در این دوره‌ برای کشف روابط علت و معلولی با روش‌های زیر آشنا می‌شوید:


رگرسیون خطی یک متغیره (کمترین مجذورات)


رگرسیون خطی چند متغیره

شماره و نام درسی که هم‌اکنون خواندید:

درس چهارم. مقدمه‌ی روش‌های کمی از دوره‌ی پیش‌بینی تقاضا

درس اولپیش بینی تقاضا چیست و چه کاربردی دارد؟
درس دومتفاوت روش‌های کمی و کیفی پیش بینی
درس سومروش‌های کیفی پیش‌بینی
درس چهارممقدمه‌ی روش‌های کمی
درس پنجم شناسایی رابطه‌ی ریاضی میان علت و معلول
درس ششمپیش بینی با روش‌های مبتنی بر میانگین
درس هفتمپیش‌بینی با روش هموارسازی نمایی (نمو هموار)
درس هشتمپیش‌بینی داده‌های فصلی
درس نهممعیارهایی برای سنجش دقت پیش‌بینی
درس دهممثال کاربردی از پیش‌بینی با اکسل