التنبّؤ بالطلب

غالباً ما يدير الموزّعون وتجّار التجزئة ومزوّدو الطاقة مخزونهم وتوريدهم بالحدس أو بمجرّد المتوسّطات. والنتيجة: نفادٌ يُضيّع المبيعات ويُحبِط العملاء، أو تكديسٌ يُجمّد السيولة ويُسبّب تلفاً في السلع القابلة للفساد.

تكمن الصعوبة في البنية الهرمية للطلب — حسب المنتَج، والمتجر، والإقليم — وفي عوامله المتعدّدة: الموسمية، والعروض الترويجية، والعطل الرسمية، والطقس، وانقطاعات التوريد، والأحداث المحلية. يجب أن تبقى التنبّؤات متّسقة عبر المستويات ودقيقة بما يكفي لتوجيه القرارات التشغيلية.

تُرسي Shift تنبّؤاً بالطلب قائماً على السلاسل الزمنية الهرمية: نُنتج تنبّؤات عند كل مستوى (المنتَج، والمتجر، والإقليم، والوطني) ونوفّق بينها لضمان اتساقها، بحيث يطابق مجموع تنبّؤات المتاجر التنبّؤ الإجمالي.

تجمع النماذج بين مقاربات إحصائية مُجرَّبة وأساليب تعلّم آلي — gradient boosting على المتغيّرات التقويمية والخارجية، ونماذج تعلّم عميق للأنماط المعقّدة. ندمج صراحةً العروض الترويجية والعطل والطقس وآثار الالتهام لالتقاط المحرّكات الحقيقية للطلب.

وإلى جانب القيمة المركزية، نُنتج تنبّؤات احتمالية (كمّيات) تُغذّي مباشرةً تحسين المخزون: مستويات الأمان، ونقاط إعادة الطلب، والموازنة بين كلفة النفاد وكلفة الحيازة، مُكيَّفة لكل منتَج حسب هامشه وأهمّيته.