پیش ‌بینی تقاضا چیست؟

فعالیت‌های مهم برای پیش‌بینی تقاضا

برای پیش بینی تقاضا، اقداماتی مثل انتخاب محصولات و خدمات مورد نظر، بخش‌بندی بازار و انتخاب بخش‌های مورد نظر، انتخاب بازه زمانی، انتخاب روش مناسب و جمع‌آوری اطلاعات ضروری هستند.

۱- انتخاب محصول، خدمت یا ویژگی

برای پیش‌بینی تقاضا باید بدانیم که تقاضا را برای کدام محصولات، خدمات و ویژگی‌ها و در چه سطحی برآورد می‌کنیم. چند مثال از سطح پیش‌بینی عبارتند از:

سطح محصول کلی: در این سطح، موضوع پیش‌بینی عنوان کلی محصول است. برای مثال، اگر تولید کننده لپ‌تاپ باشیم، موضوع پیش‌بینی را صرفنظر از مدل‌ها، برندها، قیمت‌ها و ویژگی‌های مختلف، لپتاپ انتخاب می‌کنیم. یعنی بررسی می‌کنیم که در یک شهر، پاساژ، فروشگاه آنلاین یا مغازه تقاضا برای لپتاپ با چه تغییراتی روبه‌رو خواهد شد.

سطح مدل: در این سطح، موضوع پیش‌بینی یک مدل خاص از محصول است. مثلاً می‌توانیم تغییرات تقاضا برای یکی از لپتاپ‌های اپل را پیش‌بینی کنیم.

سطح برند: در این سطح، موضوع پیش‌بینی یک برند خاص از محصول است، مثلاً می‌توانیم میزان تقاضا برای لپتاپ‌هایی که با برند دل، سونی، مک‌بوک یا اچ‌پی عرضه می‌شود را پیش‌بینی کنیم.

سطح قیمت: در این سطح، موضوع پیش‌بینی یک بازه قیمتی خاص از محصول است. مثلاً می‌توانیم تقاضا برای لپتاپ‌هایی با قیمت ده تا چهل میلیون تومان را پیش‌بینی کنیم.

سطح ویژگی:  در این سطح، موضوع پیش‌بینی یک ویژگی خاص از عنوان کلی محصول است، مثلاً می‌توانیم تقاضا برای لپتاپ‌هایی که کارت گرافیک بالای ۱۶ گیگابایت دارند را پیش‌بینی کنیم.

سطح ویژگی:  در این سطح، موضوع پیش‌بینی یک ویژگی خاص از عنوان کلی محصول است، مثلاً می‌توانیم تقاضا برای لپتاپ‌هایی که کارت گرافیک بالای ۱۶ گیگابایت دارند را پیش‌بینی کنیم.

همچنین گاهی مناسب است که مقدار تقاضا را برای مجموعه‌ای از محصولات یا ویژگی‌ها پیش‌بینی کنیم، مثل این که میزان تقاضا برای «لپتاپ دارای سیستم عامل ویندوز» را پیش‌بینی کنیم که ترکیبی از دو محصول «لپتاپ» و «ویندوز» است، یا تغییرات تقاضا برای «لپتاپ با گارانتی شش ماهه» را پیش‌بینی کنیم که ترکیبی از محصول و خدمت است. در این موارد که چند محصول، خدمت یا ویژگی در یک بسته ارائه می‌شوند، لازم است میزان تقاضا برای آن بسته را جداگانه لحاظ کنیم.

۲- بخش‌بندی بازار و تعیین بخش‌های مناسب

بخش‌بندی بازار به معنی تقسیم کردن بازار یک محصول یا خدمت به گروه‌های کوچک و متمایز است. این اقدام ضروری است، چون نه می‌توانیم و نه منطقی است که همه‌ی بازارها را مطالعه کنیم. مثلاً برای محصولی که فقط در بعضی فروشگاه‌های آنلاین ایرانی عرضه می‌شود، بعید است پیش‌بینی تقاضا در بازار دست‌فروشان شهر دهلی مفید باشد. بدین جهت برای پیش بینی تقاضا، باید بخش‌های محدودتری از بازار را در نظر بگیریم.

معیارهای زیادی برای بخش‌بندی وجود دارد. مثلاً می‌توانیم بازار را بر اساس درآمد، وضعیت شغل، سن، تحصیلات، موقعیت جغرافیایی، الگوی مصرف، سبک زندگی، آداب اجتماعی و رفتار خرید مشتریان بخش‌بندی کنیم. برای انتخاب معیارهای مناسب، باید عوامل مؤثر بر تقاضا را در نظر داشته باشیم. بهتر است بخش‌ها را طوری تعریف کنیم که در آن‌ها، تغییرات تقاضا تأثیرپذیری مشابهی از عوامل خارجی داشته باشد. با این کار دقیق‌تر می‌توانیم تغییرات تقاضا را پیش‌بینی کنیم.

برای پیش‌بینی، تقاضا را در بازارهایی بررسی می‌کنیم که متناسب با هدف‌مان هستند. مثلاً برای تعیین مقدار سفارش مواد در هفته آینده، فقط بخش‌هایی را انتخاب می‌کنیم که محصول در آن‌ها عرضه می‌شود. در این بازه زمانی، ورود به بازارهای جدید مقدور نیست و پیش‌بینی تقاضا در بازارهای دیگر بی‌فایده است. اما برای انتخاب تجهیزات تولید، بازارهایی که احتمال عرضه محصول در آن‌ها وجود دارد را هم لحاظ می‌کنیم. چرا که این تجهیزات باید بتوانند به نیازهای آینده پاسخ دهند.

۳- انتخاب بازه زمانی مناسب

بازه زمانی پیش‌بینی به مدت زمانی اشاره دارد که می‌خواهیم تقاضا را برای آن پیش‌بینی کنیم. برای مثال، ممکن است بخواهیم تقاضا را برای یک روز، یک هفته، یک ماه، یک سال یا بیشتر پیش‌بینی کنیم.

بازه زمانی را می‌توانیم به سه دسته کوتاه مدت، میان مدت و بلند مدت تقسیم کنیم.

بازه کوتاه مدت معمولاً کمتر از سه ماه است، اما می‌تواند تا یک سال هم طول بکشد. معمولاًً پیش‌بینی‌های مربوط به برنامه‌ریزی‌های عملیاتی و تصمیم‌گیری‌های روزانه مثل تعیین مقدار سفارش مواد اولیه و تعیین زمان‌بندی ایستگاه‌های کاری در بازه کوتاه‌مدت انجام می‌شوند. بازه زمانی میان مدت معمولاً بین سه ماه تا یک سال است، اما می‌تواند تا سه سال هم طول بکشد. این بازه معمولاً برای تصمیم‌‌های مثل تعیین مقدار سود مناسب، بودجه‌بندی و برنامه‌ریزی تبلیغات مناسب است. بازه زمانی بلند مدت برای بیش از سه سال است. این بازه‌ زمانی برای فعالیت‌هایی همچون توسعه محصول جدید، تغییر تکنولوژی، تهیه‌ تجهیزات جدید و تغییر لی‌اوت و امثالهم مناسب است.

برای تعیین بازه زمانی مناسب، لازم است به موارد زیر توجه کنیم:

هدف پیش‌بینی: هدف پیش‌بینی به دلیل و کاربرد پیش‌بینی اشاره دارد. هدف پیش‌بینی می‌تواند برای برنامه‌ریزی عملیاتی، استراتژیک یا راهبردی باشد. به طور کلی، هر چه برنامه‌ریزی برای افق دورتری باشد، باید بازه زمانی پیش‌بینی را بلندتر انتخاب کنیم.

نوع محصول: معمولاً هر چه محصول نوآورانه‌ و رقابتی‌تر باشد و‌تقاضای کم‌تری برای آن وجود داشته باشد، مناسب است بازه زمانی را کوتاه‌تر انتخاب کنیم.

نوع بازار: نوع بازار بر اساس عواملی مانند پایداری، قابل پیش‌بینی بودن، رشد، تغییرات، تقاضا و عرضه تعیین می‌شود. هر چه بازار پایدارتر یا میزان تقاضا و عرضه در آن بیشتر باشد، مناسب است بازه زمانی را بلندتر در نظر بگیریم.

نوع روش پیش‌بینی: هر چه به روش‌های دقیق‌تری برای پیش‌بینی دسترسی داشته باشیم، می‌توانیم بازه زمانی را بلندتر انتخاب کنیم.

زمان تأخیر تصمیم‌گیری:  از لحظه‌ای که پیش‌بینی انجام می‌شود تا وقتی که بر اساس آن عمل می‌کنیم، وقفه‌ای وجود دارد که زمان تاخیر تصمیم‌گیری نامیده می‌شود. مثلاً شاید پیش‌بینی کرده باشیم که در سال آینده، تقاضا دو برابر می‌شود؛ اما برای افزایش ظرفیت به شش ماه زمان نیاز داشته باشیم. این شش ماه، زمان تأخیر است. معمولاً وقتی زمان تاخیر تصمیم‌گیری زیاد است، مساله‌ای داریم که حل آن به برنامه‌ریزی بلند مدت نیاز دارد. در این موارد باید بازه زمانی پیش‌بینی را بلندتر انتخاب کنیم تا پاسخگوی برنامه‌ریزی بلند مدت باشد.

زمان بازنگری:فاصله‌ی زمانی بین دو پیش‌بینی متوالی برای یک بازار و یک محصول است که می‌تواند در انتخاب بازه زمانی پیش‌بینی موثر باشد. مثلاً اگر برای توسعه محصول جدید تصمیم بگیریم که هر سه ماه، وضعیت تقاضا را پیش‌بینی کنیم، آشکار است که بازه زمانی پیش‌بینی نباید کوتاه‌تر از سه ماه باشد.

۴- انتخاب روش مناسب برای پیش‌بینی

روش‌های متنوعی برای پیش بینی وجود دارد که باید بهترین آن‌ها را متناسب با اطلاعات اولیه، موضوع پیش‌بینی، بازه زمانی و بخش‌بندی انتخاب کنیم. روش‌های پیش بینی را می‌توانیم به دو دسته کمی و کیفی تقسیم کنیم.

روش‌های کیفی از داده‌های غیرعددی یا غیرکمی، مانند نظرات، احساسات، تجربیات و دانش کارشناسان، مشتریان، فروشندگان و سایر افراد مرتبط با تقاضا استفاده می‌کنند. روش‌های کمی از داده‌های عددی گذشته یا حال استفاده می‌کنند تا الگوها و روندهای تقاضا را شناسایی و پیش‌بینی کنند. روش‌های کمی را می‌توانیم به دو دسته زمانی و علت و معلولی تقسیم کنیم.

روش‌های زمانی از داده‌های مبتنی بر زمان استفاده می‌کنند، مثلاً داده‌های فروش روزهای اخیر را به آن‌ها می‌دهیم تا بر اساس الگوهای موجود، تغییرات فروش در روزهای آینده را پیش‌بینی کنند. روش‌های علت و معلولی بر اساس داده‌های کمی مربوط به تقاضا در ارتباط با داده‌های کمی مربوط به عوامل دیگر هستند. این روش‌ها بر اساس داده‌های موجود، رابطه‌ی میان تقاضا و عوامل دیگر را شناسایی می‌کنند. مثلاً می‌توانیم مقدار فروش روزانه محصول را به همراه قیمت روزانه محصول با این روش‌ها بررسی کنیم و رابطه‌ی میان فروش و قیمت را بیابیم. سپس با رابطه‌ای که به دست آمده ببینیم که تغییر در قیمت چه تأثیری بر مقدار تقاضا دارد. در شرایط ناپایدار، این روش‌های کارآمدتر از روش‌های زمانی هستند.

هر کدام از عناوین «روش‌های کیفی پیش‌بینی» و «روش‌های کمی پیش‌بینی» شامل ده‌‌ها تکنیک مختلف هستند که کارایی‌شان فرق می‌کند، اما به‌صورت کلّی روش‌های کیمّی برای پیش‌بینی کوتاه‌مدت و میان‌مدت، اما روش‌های کیفی برای پیش‌بینی کوتاه‌مدت، میان‌مدت و بلند مدت مناسبند‌. در روش‌های کمی همه چیز مبتنی بر روابط ریاضی است، بنابراین اگر اطلاعات کافی در دسترس نباشد، امکان استفاده از آن‌ها وجود ندارد. ضمن این که اگر اطلاعات اشتباه باشند، نتایج اشتباه به دست می‌آید. اما در روش‌های کیفی، افراد می‌توانند با تجزیه و تحلیل اطلاعات موجود، نقص‌ها و اشتباهات احتمالی را جبران کنند.

هر چه تغییرات محیط بیشتر باشد، روش‌های کیفی اولویت بیشتری خواهند داشت، چون تعداد عوامل تاثیرگذار افزایش می‌یابد و معادلات ریاضی امکان تشخیص و بررسی آن‌ها را ندارند. حال آن که ذهن انسان از حدسیات و تحربیاتش استفاده می‌کند، پارامترها را به هم ربط می‌دهد، نکات مختلف را لحاظ می‌کند و وضعیت آینده را می‌سنجد. اما در محیط و شرایط پابدار، روش‌های ریاضی می‌توانند گزینه‌ی مناسبی برای شناسایی ارتباط میان عوامل باشند‌. ذهن انسان نمی‌تواند هزاران داده را به سرعت مقایسه و بررسی کند اما مدل‌های ریاضی به لطف تکنولوژی‌های دیجیتال این کار را در زمان بسیار کوتاهی انجام می‌دهند و به جواب می‌رسند.

به این مثال توجه کنید: بازار برنج در کشورمان ثبات خوبی دارد چون اصلی‌ترین وعده‌ی غذایی مردم است. از طرفی اطلاعات نسبتاً کاملی از فروش آن در بخش‌های مختلف بازار وجود دارد. پس برای بازه‌ی زمانی کوتاه‌مدت، می‌توانیم به روش‌های کمی اعتماد کنیم. ضمن این که می‌توانیم نتایج حاصل از تکنیک‌های کمی را با کارشناسان به اشتراک بگذاریم تا نظرات‌شان را اعمال کنند و از مزایای روش‌های کیفی هم برخوردار شویم. اما برای بازه‌ی طولانی، مثلاً چهار سال دیگر، پارامترهای متعددی روی تقاضا اثر می‌گذارند و روش‌های کمی به جواب دقیق نمی‌رسند. مثلاً شاید سلیقه‌ی مردم تغییر کند، واردات برنج تسهیل شود یا هر اتفاقی که عملاً در معادلات ریاضی نمی‌گنجد.

۵- جمع‌آوری اطلاعات اولیه

برای پیش‌بینی تقاضا به اطلاعات نیاز داریم. منابع اطلاعاتی را می‌توانیم به دو گروه داخلی و خارجی تقسیم کنیم. منابع داخل سازمان مواردی مثل اطلاعات فروش، موجودی‌ها، نظرات ثبت شده در واحد ارتباط با مشتریان، گزارش‌های ارائه شده توسط واحد بازاریابی و گزارش‌های مالی هستند. منابع خارجی مواردی مثل گزارش‌های دولتی، پژوهش‌های بازار و نظرسنجی‌ها هستند. بدیهی است اطلاعات اولیه می‌توانند کمی یا کیفی باشند. اطلاعات کمی مثل گزارش فروش، تغییرات قیمت و درآمد مشتریان به صورت عددی و قابل اندازه‌گیری هستند. اطلاعات کیفی مثل تغییرات فرهنگی، نظرات مشتریان و بازخورد فروشندگان غیرعددی هستند و نیاز به تفسیر دارند. معمولاً برای پیش‌ بینی تقاضا، هر دو اطلاعات کمی و کیفی استفاده می‌شوند. اطلاعات کمی می‌توانند به شناسایی الگوها و روابط ریاضی کمک کنند. اطلاعات کیفی می‌توانند به درک عوامل مؤثر بر پیش‌بینی یا جبران کمبود اطلاعات کمی کمک کنند.

نوع و کیفیت اطلاعات مورد نیاز به محصولات و خدمات، بخش‌های بازار، بازه زمانی و روش‌های پیش‌بینی بستگی دارند. مثلاً باید بدانیم در بازه زمانی مورد نظر، تقاضا برای محصول از چه عواملی تأثیر می‌گیرد. برای محصولی مثل برنج، این عوامل می‌توانند مواردی مثل: مقدار تولید برنج، قیمت برنج، قیمت محصولات جایگزین، عادت غذایی مشتریان و حمایت‌های دولت باشند. هر چه اطلاعات بیشتر و دقیق‌تری از این عوامل داشته باشیم، عملکرد بهتری در پیش‌بینی تقاضا خواهیم داشت.

برای استفاده از روش‌های کیفی باید اطلاعات مورد نیاز برای پیش‌بینی دقیق‌تر را تهیه کنیم. مثلاً برای پیش‌بینی تقاضا در یک فروشگاه آنلاین، اطلاعاتی مثل: تغییرات بازدید وبسایت، فهرست سفارشات در ماه‌های اخیر، نظرات ثبت شده توسط مشتریان، مشخصات مشتریان و عملکرد وبسایت‌های مشابه ممکن است مفید باشد. برای استفاده از روش‌های زمانی، باید به اطلاعات تاریخی مثل میزان ثبت سفارش محصول مورد نظر در بازارهای هدف دسترسی داشته باشیم. همچنین برای استفاده از روش‌های علت و معلولی، باید اطلاعاتی جمع‌آوری کنیم که بیانگر ارتباط میان تقاضا با عوامل دیگر مثل قیمت، نرخ تورم و قیمت محصولات جایگزین باشند.

ناگفته نماند که در مجموعه پیش‌بینی تقاضا، خیلی از مثال‌ها در مورد پیش‌بینی مقدار فروش آینده هستند، اما مقدار فروش لزوما به معنی تقاضای واقعی نیست. گاهی اوقات تقاضا وجود دارد، اما محصول به اندازه‌ی کافی عرضه نمی‌شود یا بخشی از متقاضیان از وجود محصول اطلاع ندارند. بنابراین شاید مقدار فروش از مقدار تقاضا در بازارهای هدف کم‌تر باشد. با این حال، بسیاری از مثال‌های ما در مورد مقدار فروش هستند، زیرا اکثرا درک خوبی از این پارامتر داریم.