اینجا راهنمای مجموعه پیش بینی تقاضا است، خوش آمدید.
قبل از این مجموعه باید چه درس‌هایی را بخوانیم؟
قبل از خواندن درس‌های این مجموعه، مناسب است درس‌های زیر را مطالعه کنید. این درس‌ها مربوط به مجموعه عرضه و تقاضا (علم اقتصاد) هستند:
۱- تقاضا چیست و منحنی آن چگونه رسم می‌شود؟
در مجموعه پیش‌بینی تقاضا، چه موضوعاتی را دنبال می‌کنیم؟
در این مجموعه الزامات پیش‌بینی تقاضا، روش‌های کمی و کیفی پیش‌بینی و شاخص‌های اندازه‌گیری دقت پیش‌بینی را مطالعه خواهیم کرد.
تقاضا (Demand) به معنی داشتن تمایل و توانایی برای خرید کالا یا خدمت است. مقدار تقاضا ثابت نمی‌ماند و به مرور در بازارهای مختلف تغییر می‌کند. پیش‌بینی تقاضا به معنی تخمین زدن مقدار تقاضا در زمان آینده است. در این درس، کاربرد پیش بینی تقاضا در مدیریت تولید و همچنین اقدامات ضروری برای انجام آن مثل: تعیین موضوع پیش‌بینی، بخش‌بندی بازار، تعیین بازه زمانی پیش‌بینی، جمع‌آوری اطلاعات اولیه و انتخاب روش پیش‌بینی را توضیح خواهیم داد.
روش‌های پیش‌بینی تقاضا را می‌توانیم به دو دسته کمی و کیفی تقسیم کنیم. روش‌های کمی با داده‌های عددی و مدل‌های ریاضی کار می‌کنند. روش‌های کیفی به داده‌های عددی وابسته نیستند و بر اساس دیدگاه متخصصان کار می‌کنند. در این درس یا چند روش کیفی برای پیش‌بینی تقاضا آشنا خواهید شد.
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.
در این درس، روش رگرسیون خطی یک‌متغیره و چند متغیره را به عنوان نمونه‌ای از روش‌های علی برای شناسایی ارتباط یک پارامتر وابسته یا به یک یا چند پارامتر مستقل بررسی خواهیم کرد. برای این که رابطه ریاضی میان تقاضا و پارامترهای دیگر را بیابیم، دو حالت قابل تصور است. حالت اول این که فقط در صدد یافتن ارتباط تقاضا با «یک پارامتر دیگر» باشیم. در این درس، روش رگرسیون خطی تک متغیره را برای این حالت معرفی می‌کنیم. حالت دیگر این است که بخواهیم ارتباط تقاضا با «چند پارامتر دیگر» را بیابیم. در این درس روش رگرسیون خطی دو متغیره را برای شناسایی رابطه خطی «تقاضا» با «دو پارامتر دیگر» ارائه خواهیم کرد.
در این درس چند روش کمی برای پیش‌بینی تقاضا، شامل: نایو، میانگین ساده، میانگین متحرک ساده و میانگین متحرک وزن‌دار را معرفی خواهیم کرد. این روش‌ها برای پیش‌بینی سری‌های زمانی هستند و معمولاً وقتی از آن‌ها استفاده می‌کنیم که داده‌ها از الگوی افقی پیروی کنند.
روش هموارسازی نمایی (Exponential Smoothing) یا نمو هموار برای پیش‌بینی سری‌های زمانی است. این روش از داده‌های گذشته برای پیش‌بینی آینده استفاده می‌کند، اما همه داده‌های را با وزن یکسان در نظر نمی‌گیرد؛ بلکه داده‌های اخیر را مهم‌تر از داده‌های قدیمی قلمداد می‌کند. روش هموارسازی نمایی، اشکال مختلفی دارد. در این درس روش هموارسازی نمایی ساده و روش هموارسازی نمایی دوبل را بررسی خواهیم کرد.
پیش‌بینی داده‌های فصلی به راهکارهای ویژه‌ای نیاز دارد. این داده‌ها به طور منظم در بعضی دوره‌ها، تغییرات خاصی نشان می‌دهند. بنابراین لازم است پیش‌بینی خود را با این تغییرات هماهنگ کنیم تا به واقعیت نزدیک‌تر باشند. در این درس برای پیش‌بینی داده‌های فصلی، دو راهکار ارائه خواهیم کرد: راهکار اول، تعریف شاخص‌های فصلی و اعمال‌شان بر نتایج پیش‌بینی است. راهکار دوم، غیرفصلی کردن داده‌ها است. یعنی داده‌های هر فصل را بر شاخص آن فصل تقسیم می‌کنیم تا اصطلاحاً غیرفصلی شوند.
پیش‌بینی آینده از لازمه‌های مدیریت است. با این وجود، آینده نامعلوم است و نتایج پیش‌بینی ممکن است فاصله‌ی زیادی با حقایق آینده داشته باشند. برای همین حتی‌المقدور باید شناسایی کنیم که کدام پیش‌بینی‌ها دقیق‌تر و کدام فاقد دقت کافی هستند. یکی از ساده‌ترین راه‌ها برای سنجش دقت پیش‌بینی، استفاده از شاخص‌ها است. در این درس با چند شاخص مهم شامل: میانگین انحراف مطلق (MAD)، میانگین مجذور خطاها (MSE)، میانگین درصد خطای مطلق (MAPE) و انحراف معیار (SD) آشنا خواهید شد.
اکثراً به اکسل دسترسی داریم و با محیط آن آشناییم. یکی از امکانات این نرم‌افزار، قابلیت فرمول‌نویسی برای محاسبات ریاضی است. در این درس چگونگی پیاده‌سازی روش‌های پیش‌بینی در اکسل را توضیح خواهیم دهیم. بدین منظور، اطلاعات فروش یک محصول را در نظر گرفته و فروش آینده را با روش نمو هموار دوبل پیش‌بینی خواهیم کرد.