شما در حال خواندن درس آشنایی با روش‌های کمی پیش‌بینی تقاضا از مجموعه پیش‌بینی تقاضا هستید.

بنر روش‌های کمی پیش‌بینی تقاضا

روش‌های متنوعی برای پیش‌بینی تقاضا وجود دارد که به دو گروه کیفی و کمی تقسیم می‌شوند. روش‌های کیفی، تقاضا را بر اساس مشاهدات، تجربیات و نظرات افراد پیش‌بینی می‌کنند. اما روش‌های کمی، تقاضا را بر اساس داده‌های عددی و با کمک مدل‌های ریاضی پیش‌بینی می‌کنند. روش‌های کمی به دو دسته تقسیم می‌شوند: روش‌های زمانی و روش‌های عِلّی (یا علت و معلولی).

روش‌های زمانی با بررسی تغییرات تقاضا در گذشته (سری‌های زمانی)، الگوهایی را می‌یابند که ممکن است در آینده تکرار شوند. سپس بر اساس آن‌ها، تقاضای آینده را پیش‌بینی می‌کنند.

روش‌های عِلی، تقاضا را به عنوان تابعی از عوامل موثر پیش‌بینی می‌کنند. این عوامل ممکن است قیمت محصول، مدت گارانتی، وضعیت اقتصادی مشتریان و غیره باشند. به عبارت ساده‌تر، این روش‌ها یک معادله‌ی ریاضی ایجاد می‌کنند که ارتباط میان تقاضا با عوامل دیگر را نشان می‌دهد. وقتی این رابطه به دست آمد، کافی است مقادیر مربوط به عوامل دیگر را به آن بدهیم تا مقدار تقاضای آینده محاسبه شود.

در درس‌های آینده، بعضی از روش‌های علی و زمانی برای پیش‌بینی تقاضا را بررسی خواهیم کرد. اما استفاده‌ی کاربردی و اصولی از آن‌ها مستلزم آشنایی اولیه با بعضی کلیات است، وگرنه مواجهه با مجموعه‌ای از روابط ریاضی به تنهایی برای پیش‌بینی تقاضا کافی نیست. در این درس، بخشی از اطلاعات ضروری راجع به روش‌های کمی پیش‌بینی تقاضا را ارائه خواهیم کرد. این اطلاعات، پیش‌نیاز یادگیری روش‌هایی هستند که در درس‌های آینده به آن‌ها خواهیم پرداخت.

روش‌های مبتنی بر روابط علت و معلول

روش‌های علی برای شناسایی ارتباط «تقاضا» با هر عامل دیگری مثل قیمت محصول، نرخ تورم، نرخ بیکاری، هزینه‌های تبلیغات، میزان واردات محصولات مشابه و امثالهم هستند.

برای درک بهتر روش‌های علی به جدول زیر نگاه کنید. در این جدول مشخص شده که تقاضا برای محصول به ازای هر قیمت چقدر تغییر کرده است. بر اساس این اطلاعات: اگر قیمت محصول ۴۲۰۰۰ شود، میزان فروش چقدر تغییر خواهد کرد؟ روش‌های زمانی نمی‌توانند به این سوال پاسخ دهند. اما روش‌های علی می‌توانند ارتباط میان تعداد فروش و قیمت محصول را بیابند و بر اساس آن به سوال پاسخ دهند.

گاهی اوقات ترجیح می‌دهیم که ارتباط با چند عامل مختلف -نه فقط یک پارامتر- را در نظر بگیریم. در جدول زیر، اطلاعات چهار پارامتر: زمان، قیمت محصول، تعداد فروش و هزینه‌ تبلیغات ارائه شده است. روش‌های علی می‌توانند بر اساس اطلاعات جدول، رابطه ریاضی میان: فروش، قیمت محصول و هزینه‌های تبلیغات را بیابند.

در ویکی‌تولید، کدام روش‌های علی را مطالعه خواهیم کرد؟

در مجموعه پیش‌بینی تقاضا، روش رگرسیون خطی یک متغیره را برای شناسایی ارتباط خطی تقاضا با یک پارامتر دیگر مطالعه می‌کنیم. این روش زمانی به کار می‌آید که بخواهیم ارتباط میان «تقاضا» با فقط یک پارامتر دیگر را به صورت تابع خطی پیش‌بینی کنیم. همچنین روش گرسیون خطی چند متغیره را برای پیش‌بینی ارتباط خطی میان تقاضا با دو یا چند پارامتر دیگر، معرفی خواهیم کرد. برای مطالعه‌ این روش‌ها می‌توانید به درس رگرسیون خطی برای تشخیص روابط علی مراجعه کنید.

روش‌های زمانی

گفتیم که روش‌های کمی پیش‌بینی را می‌توانیم به دو گروه زمانی و علی تقسیم کنیم. روش‌های زمانی، برای پیش‌بینی تقاضا از داده‌هایی استفاده می‌کنند که بر اساس زمان مرتب شده‌ و وضعیت تقاضا را نسبت به آن نشان می‌دهند. این داده‌ها اصطلاحاً سری زمانی (Time Series) نامیده می‌شوند. برای مثال، داده‌های ارائه شده در زیر، سری زمانی هستند که تغییرات تقاضا در گذر زمان را نشان می‌دهند.

مثال برای سری زمانی

به طور کلی برای استفاده از روش‌های زمانی باید به داده‌های کافی، مرتب و بدون نویز دسترسی داشته باشیم. اگر داده‌ها کافی نباشند، نتایج معتبری به دست نمی‌آید. مثلاً اطلاع از میزان فروش در دو روز گذشته، برای پیش‌بینی فروش فردا کافی نیست. اگر داده‌ها مرتب نباشند، نمی‌توانیم روند تغییرات و الگوها را شناسایی کنیم. البته مرتب کردن داده‌ها، پیچیدگی خاصی ندارد و کافی است که آن‌ها را به ترتیب زمان فهرست کنیم. همچنین روش‌های زمانی حساسیت زیادی به نوسانات شدید نشان می‌دهند، پس اگر نویزهای زیادی در داده‌هایمان وجود داشته باشد، نمی‌توانیم به نتایج‌شان اعتماد کنیم.

روش‌های زمانی با این فرض کار می‌کنند که: «الگوهای گذشته تکرار می‌شوند و در آینده ادامه خواهد یافت». یعنی اگر تقاضا تا امروز با شیب خوبی رشد کرده، از این به بعد هم با شیب خوبی رشد خواهد کرد. همچنین اگر تقاضا همه ساله در فصل زمستان کاهش می‌یابد، سال‌های دیگر نیز در زمستان کاهش خواهد یافت. با این فرض، تأثیر عوامل جدید و تغییر عوامل سابق، مثل تغییرات اقتصادی و تکنولوژیک و اجتماعی، لحاظ نمی‌شود. برای همین، روش‌های زمانی گزینه مناسبی برای پیش‌بینی تقاضا در محیط‌های پیچیده و ناپایدار نیستند.

در سری‌های زمانی، گاه تغییرات منظم و قابل تشخیصی وجود دارد که الگوی زمانی نامیده می‌شوند. شناسایی الگوهای زمانی به درک تغییرات تقاضا در گذشته و پیش‌بینی تغییرات آن در آینده کمک می‌کند. چهار الگوی شناخته شده در سری‌های زمانی عبارتند از: افقی (Horizontal)، روند (Trend)، فصلی (Seasonable) و چرخشی (Cyclic). در ادامه، این الگوها را بررسی خواهیم کرد.

الگوی روند (Trend)

اگر تقاضا در طول زمان به طور مداوم افزایش یا کاهش یابد، شاهد الگوی روند خواهیم بود. این الگو می‌تواند خطی یا غیرخطی و صعودی یا نزولی باشد. در نمودار زیر، نمونه‌ای از روند خطی صعودی را مشاهده می‌کنیم.

الگوی روند در پیش‌بینی تقاضا

ناگفته نماند که وقتی از الگوی روند صحبت می‌کنیم، قرار نیست لزوماً هیچ نوسانی در داده‌ها وجود نداشته باشد. صرفنظر از نوسانات جزئی، اگر به طور کلی شاهد افزایش یا کاهش مداوم داده‌ها باشیم، بیانگر الگوی روند است. در تصاویر زیر، با وجود بعضی نوسانات، الگوی روند مشهود است.

الگوی ترند یا روند در سری های زمانی

الگوی افقی (Horizontal)

در این الگو داده‌ها روند افزایش یا کاهش ندارند، بلکه حول یک میانگین ثابت نوسان می‌کنند.

الگوی افقی در سری‌های زمانی و پیش‌بینی تقاضا

الگوی فصلی (Seasonal)

اگر تقاضا تحت تاثیر بعضی دوره‌های زمانی منظم مثل سال، فصل، ماه و هفته باشد، الگوی فصلی مشاهده می‌شود. مثلاً اگر داده‌های مربوط به تقاضای کاپشن را بررسی کنیم، متوجه می‌شویم که تقاضا در زمستان‌ها بیشتر و در تابستان‌ها کمتر است. همچنین تقاضا برای سینما در روزهای پایانی هفته افزایش می‌یابد. در تصویر زیر می‌توانیم ترکیبی از الگوی روند صعودی با الگوی فصلی را مشاهده کنیم.

الگوی فصلی در سریهای زمانی

الگوی چرخه‌ای یا سیکلی (Cyclical)

در الگوی چرخه‌ای با سیکل‌هایی شبیه الگوی فصلی روبه‌رو هستیم، اما سیکل‌ها منظم نیستند و تغییرات دیرتر اتفاق می‌افتند. مثلاً ممکن است با رسم نمودار تقاضای مسکن متوجه شویم که معمولاً در هر دوره‌ی چهار تا هشت ساله، تقاضا برای آن افزایش یا کاهش می‌یابد.  در زیر مثالی از الگوی چرخه‌ای را مشاهده می‌کنیم.

سری های زمانی چرخه ای در پیش بینی

تغییرات تصادفی (Random)

گاهی اوقات تغییراتی در داده‌ها به چشم می‌خورد که نظم مشخصی ندارند، یا حدأقل ما نمی‌توانیم نظمی برای آن‌ها بیابیم. چنین تغییراتی را نمی‌توانیم الگو بنامیم، زیرا کمکی به پیش‌بینی نمی‌کنند؛ با این وجود گاه به آن‌ها الگوی تصادفی می‌گویند.

سری زمانی تصادفی

در ویکی‌تولید با کدام روش‌های زمانی آشنا خواهید شد؟

در درس‌های آینده مجموعه پیش‌بینی تقاضا، روش‌های زیر را آموزش می‌دهیم که برای پیش‌بینی سری‌های زمانی هستند:

۱- روش‌های مبتنی بر میانگین شامل روش نایو، روش میانگین ساده و روش میانگین متحرک که معمولاً برای پیش‌بینی سری‌های زمانی با الگوی افقی استفاده می‌شوند. این روش‌ها را در این لینک بررسی خواهیم کرد.

۲- روش هموارسازی نمایی یا نمو هموار ساده که معمولاً برای پبش‌بینی سری‌های زمانی با الگوی افقی کاربرد دارد و همچنین روش هموارسازی نمایی دوبل که برای پیش‌بینی سری‌های زمانی با الگوهای روند استفاده می‌شود. این روش‌ها را در درس پیش‌بینی با روش هموارسازی نمایی (نمو هموار) بررسی خواهیم کرد.

۳- روش استفاده از شاخص‌های فصلی برای غیرفصلی کردن داده‌ها را در درس راهکارهایی برای پیش‌بینی داده‌های فصلی بررسی خواهیم کرد. در این درس، توضیح می‌دهیم که چگونه می‌توانیم از روش‌های عادی برای پیش‌بینی داده‌های فصلی استفاده کنیم.

۴- روش رگرسیون به شناسایی ارتباط میان تقاضا با پارامترهای دیگر کمک می‌کند و نوعی روش علی به حساب می‌آید. اما برای پیش‌بینی سری‌های زمانی هم می‌توانیم از رگرسیون استفاده کنیم. برای این کار، باید رابطه ریاضی میان «تقاضا» به عنوان پارامتر وابسته و «واحد زمان» به عنوان پارامتر مستقل را با کمک رگرسیون شناسایی کنیم.

0 پاسخ

دیدگاه خود را ثبت کنید

تمایل دارید در گفتگوها شرکت کنید؟
در گفتگو ها شرکت کنید.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *