التحليلات التنبؤية باستخدام الذكاء الاصطناعي: التنبؤ بالطلب والتنبؤ بالطلب والإيرادات

التحليلات الوصفية تخبرك بما حدث. التحليلات التشخيصية تخبرك بالسبب. تخبرك التحليلات التنبؤية بما سيحدث بعد ذلك --- وهذا التحول من مرآة الرؤية الخلفية إلى الزجاج الأمامي يغير طريقة عمل كل قسم.

يمكن لفريق المبيعات الذي يعرف الصفقات التي من المرجح أن يتم إغلاقها أن يركز طاقته. يمكن لفريق العمليات الذي يعلم أن الطلب على وشك الارتفاع أن يقوم بتحديد موضع المخزون مسبقًا. يمكن لفريق نجاح العملاء الذي يعرف الحسابات المعرضة لخطر التعطل أن يتدخل قبل وصول رسالة الإلغاء الإلكترونية.

لقد انخفض الحاجز أمام التحليلات التنبؤية بشكل كبير. لم تعد بحاجة إلى فريق من علماء البيانات. المكتبات مفتوحة المصدر، والنماذج المعدة مسبقًا، ومنصات الذكاء الاصطناعي مثل OpenClaw تضع التنبؤ والتصنيف والكشف عن الحالات الشاذة في متناول أي شركة متوسطة السوق تتمتع ببيانات نظيفة.

الوجبات الرئيسية

• ثلاثة نماذج تنبؤية تغطي 80 بالمائة من حالات الاستخدام في السوق المتوسطة: التنبؤ بالسلاسل الزمنية (الطلب، الإيرادات)، التصنيف (التغيير، تسجيل العملاء المحتملين)، والانحدار (التسعير، القيمة الدائمة)
• يحقق التنبؤ بالطلب باستخدام Facebook Prophet أو ARIMA دقة بنسبة 85 إلى 95 بالمائة لمعظم فئات المنتجات عند تغذية 24 شهرًا أو أكثر من البيانات التاريخية
• يصل التنبؤ بالتغيير باستخدام الأشجار المعززة بالتدرج عادةً إلى 75 إلى 85 بالمائة من المساحة المخصصة للمساحة المخصصة، مما يمنح فرق نجاح العملاء أسابيع من التحذير المسبق
• ابدأ بحالة استخدام تنبؤية واحدة، وأثبت عائد الاستثمار، ثم قم بالتوسع --- ترى معظم الشركات عائدًا يتراوح بين 3 إلى 8 أضعاف في أول مشروع تحليلات تنبؤية لها

---

نماذج التعلم الآلي للأعمال

لا تحتاج كل مشكلة في العمل إلى التعلم العميق أو نماذج لغوية كبيرة. معظم حالات استخدام التحليلات التنبؤية في شركات السوق المتوسطة يتم خدمتها بشكل جيد من خلال ثلاث فئات من النماذج.

التنبؤ بالسلاسل الزمنية

ما يتنبأ به: القيم المستقبلية للمقياس بناءً على نمطه التاريخي مع مرور الوقت.

تطبيقات الأعمال: التنبؤ بالطلب (الوحدات التي سيتم بيعها الشهر المقبل)، والتنبؤ بالإيرادات (الإيرادات المتكررة الشهرية المتوقعة)، والتنبؤ بالتدفق النقدي (التحصيل والمدفوعات المتوقعة)، والتنبؤ بحركة المرور على موقع الويب.

** النماذج الرئيسية: **

• ARIMA (المتوسط ​​المتحرك المتكامل التلقائي) --- النموذج الإحصائي الكلاسيكي. مناسب لسلاسل زمنية مستقرة وحسنة التصرف مع موسمية واضحة. سريع التدريب ونتائج قابلة للتفسير.
• Prophet (بواسطة Meta) --- يتعامل مع العطلات وتغييرات الاتجاه والبيانات المفقودة والقيم المتطرفة بأمان. ممتاز لسلسلة زمنية للأعمال ذات موسمية قوية. يتطلب الحد الأدنى من الضبط.
• XGBoost مع ميزات التأخر --- يتعامل مع التنبؤ باعتباره مشكلة انحدار مع الميزات الهندسية (التأخيرات، المتوسطات المتحركة، ميزات التقويم). يمكن أن تتضمن متغيرات خارجية (الإنفاق التسويقي، وأسعار المنافسين).

التصنيف

ما تتنبأ به: الفئة التي تنتمي إليها الملاحظة (عادةً ما تكون ثنائية: نعم/لا، تغيير/احتفاظ، تحويل/ارتداد).

تطبيقات الأعمال: التنبؤ بالتوقف عن العمل، وتسجيل العملاء المحتملين، واكتشاف الاحتيال، وتصنيف أولويات تذكرة الدعم، وتقييم مخاطر الائتمان.

** النماذج الرئيسية: **

• الانحدار اللوجستي --- بسيط وسريع وقابل للتفسير. النموذج الأساسي. غالبًا ما تكون قادرة على المنافسة بشكل مدهش مع البدائل الأكثر تعقيدًا.
• الغابة العشوائية --- مجموعة أشجار القرار. يتعامل مع العلاقات غير الخطية، ومقاوم للتركيب الزائد، ويوفر تصنيفات لأهمية الميزات.
• الأشجار المعززة بالتدرج (XGBoost, LightGBM) --- أحدث تقنيات تصنيف البيانات الجدولية. أعلى دقة لمعظم مشاكل العمل. يتطلب ضبطًا أكثر من الغابات العشوائية.

الانحدار

ما يتوقعه: قيمة رقمية مستمرة.

تطبيقات الأعمال: التنبؤ بالقيمة الدائمة للعميل، وتحسين التسعير الديناميكي، ومبالغ توقعات المبيعات، وتسجيل أداء الموظف.

** النماذج الرئيسية: **

• الانحدار الخطي --- خط الأساس. يفترض العلاقات الخطية. سريع وقابل للتفسير.
• الانحدار المعزز بالتدرج --- يتعامل مع العلاقات المعقدة وغير الخطية. أفضل دقة لمعظم مهام انحدار الأعمال.
• الشبكات العصبية --- مبالغة في معظم حالات الاستخدام في السوق المتوسطة ما لم يكن لديك الملايين من السجلات وتفاعلات الميزات المعقدة.

دليل اختيار الموديل

---

التنبؤ بالطلب عمليًا

يعد التنبؤ بالطلب نقطة الدخول الأكثر شيوعًا للتحليلات التنبؤية نظرًا لأن عائد الاستثمار مباشر وقابل للقياس: مخزون أقل من المخزون، وعدد أقل من نفاذ المخزون، وتدفق نقدي أفضل.

متطلبات البيانات

على الأقل، تحتاج إلى بيانات المبيعات التاريخية مع الطوابع الزمنية. كلما زادت التفاصيل، كان ذلك أفضل:

• يجب أن يكون لديك: التاريخ، المنتج (أو الفئة)، الكمية المباعة
• يجب أن يشتمل على: السعر في وقت البيع، والعروض الترويجية النشطة، والقناة (عبر الإنترنت مقابل داخل المتجر)
• من الجميل أن يكون لديك: أسعار المنافسين، وبيانات الطقس، والمؤشرات الاقتصادية، والإنفاق التسويقي

بالنسبة للشركات التي تقوم بتشغيل Odoo وShopify، يستخرج خط أنابيب ETL هذه البيانات من كلا النظامين ويدمجها في مستودع البيانات.

تنفيذ النبي

النبي هو نقطة البداية الموصى بها لمعظم شركات السوق المتوسطة. فهو يتعامل مع تعقيدات السلاسل الزمنية للأعمال --- العطلات، وتغييرات الاتجاه، والموسمية الأسبوعية والسنوية --- بأقل قدر من التكوين.

تنسيق الإدخال: إطار بيانات يحتوي على عمودين: ds (التاريخ) وy (القيمة المراد التنبؤ بها).

** التكوين الرئيسي: **

• الموسمية: يكتشف النبي تلقائيًا الموسمية الأسبوعية والسنوية. أضف مواسم مخصصة لشركتك (على سبيل المثال، أنماط ربع سنوية لـ B2B).
• العطلات: قم بتقديم قائمة بالعطلات والأحداث الترويجية التي تؤثر على الطلب. قم بتضمين أيام العطل الرسمية والمناسبات الخاصة بالشركة (التخفيضات السنوية وإطلاق المنتجات).
• نقاط التغيير: يكتشف النبي تغيرات الاتجاه تلقائيًا. قم بزيادة changepoint_prior_scale إذا كان عملك يعاني من تغيرات متكررة في الاتجاه (الشركات سريعة النمو، الشركات الموسمية).

الإخراج: توقعات النقاط بالإضافة إلى فترات عدم اليقين لكل تاريخ مستقبلي. يخبرك الفاصل الزمني 80 بالمائة بالنطاق الذي سينخفض ​​فيه الطلب الفعلي بنسبة 80 بالمائة من الوقت.

قياس الدقة

• MAPE (متوسط ​​النسبة المئوية للخطأ المطلق): المقياس القياسي للتنبؤ بالطلب. ويعني MAPE الذي يبلغ 10 بالمائة أن التوقعات أقل بنسبة 10 بالمائة في المتوسط. أقل من 10 بالمئة ممتاز، ومن 10 إلى 20 بالمئة جيد، وأكثر من 20 بالمئة يحتاج إلى دراسة.
• التحيز: هل النموذج يبالغ في التنبؤ أم لا في التوقعات باستمرار؟ التحيز أكثر ضررا من التباين لأنه مركب.
• اختبار الإيقاف: اختبر دائمًا البيانات التي لم يرها النموذج. تدرب على 80% من التاريخ، واختبر الـ20% المتبقية.

المزالق الشائعة

• التنبؤ بالمنتجات الجديدة: عدم وجود تاريخ يعني عدم وجود سلسلة زمنية. استخدم توقعات المنتجات المماثلة (المنتجات المماثلة التي تم إطلاقها في الماضي) أو التنبؤات التقديرية.
• التأثيرات الترويجية: إذا لم تضع نموذجًا للعروض الترويجية، فسوف تتنبأ التوقعات بشكل أقل أثناء المبيعات وتبالغ في التنبؤ خلال الفترات العادية.
• بيانات عصر فيروس كورونا: تخلق بيانات 2020-2022 أنماطًا غير عادية. فكر في استبعادها أو تقليل وزنها إذا عاد عملك إلى معايير ما قبل الوباء.

---

توقع التقلب

إن خسارة العميل تكلف من 5 إلى 25 مرة أكثر من الاحتفاظ بعميل واحد. يحدد توقع الاضطراب العملاء المعرضين للخطر في وقت مبكر بما يكفي حتى ينجح التدخل.

تعريف التشويش

قبل بناء نموذج، حدد ما يعنيه "التخضض" لشركتك:

• اشتراك SaaS: لا يوجد اشتراك نشط (تعريف واضح).
• التجارة الإلكترونية: لم يتم الشراء خلال آخر 90/180/365 يومًا (يتطلب قرارًا بحد أدنى).
• خدمات B2B: لم يتم تجديد العقد، أو انخفضت المشاركة إلى ما دون الحد الأدنى.

يؤثر التعريف على كل شيء في اتجاه المصب. يؤدي الحد الأدنى للتوقف لمدة 90 يومًا إلى إنشاء نموذج مختلف عن الحد الأدنى الذي يبلغ 365 يومًا.

هندسة الميزات

تعد الميزات (متغيرات الإدخال) أكثر أهمية من اختيار الخوارزمية. تتضمن ميزات التنبؤ القوية بالتغيير ما يلي:

ميزات الاستخدام:

• تردد تسجيل الدخول (تناقص فك ارتباط إشارة تسجيل الدخول)
• اعتماد الميزة (يستخدم المستخدمون المتميزون طاقة أقل)
• حجم تذكرة الدعم (قد تشير التذاكر المرتفعة إلى الإحباط)
• الوقت منذ آخر نشاط

ميزات المعاملات:

• اتجاه تردد الشراء (تباطؤ؟)
• متوسط اتجاه قيمة الطلب (الانخفاض؟)
• نتائج RFM (الحداثة، والتكرار، والنقدية)
• الاعتماد على الخصم (الشراء فقط عند الترويج؟)

ميزات المشاركة:

• اتجاه معدل فتح البريد الإلكتروني
• عشرات NPS أو CSAT
• نشاط الإحالة
• المشاركة المجتمعية

الميزات التعاقدية:

• قرب تاريخ انتهاء العقد
• فشل الدفع
• دعم التصعيد
• قيمة العقد بالنسبة للاستخدام

نموذج التدريب والتقييم

الخوارزمية: تتفوق الأشجار المعززة بالتدرج (XGBoost أو LightGBM) باستمرار على الخوارزميات الأخرى للتنبؤ بالتغيير في البيانات الجدولية.

اختلال التوازن في الفئة: عادةً ما يكون الاضطراب حدثًا نادرًا (من 5 إلى 15 بالمائة من العملاء). تعامل مع هذا باستخدام SMOTE oversampling، أو أوزان الفئة، أو أخذ العينات الطبقية.

مقياس التقييم: استخدم AUC-ROC، وليس الدقة. إن النموذج الذي يتوقع "عدم حدوث أي تغيير" للجميع يحقق دقة تصل إلى 90 بالمائة إذا توقف 10 بالمائة فقط من العملاء، ولكنه عديم الفائدة تمامًا. يقيس AUC قدرة النموذج على التمييز بين المخضضين وغير المخضضين بغض النظر عن العتبة.

أهمية الميزة: بعد التدريب، قم باستخراج تصنيفات أهمية الميزة. وهذا يخبر الشركة بالعوامل التي تتنبأ بقوة بالتغيير --- والعوامل القابلة للتنفيذ. إذا كانت "الأيام منذ آخر تسجيل دخول" هي المؤشر الرئيسي، فإن حملات إعادة المشاركة هي التدخل. إذا كان "تصعيد طلبات الدعم" هو أهم مؤشر، فإن إصلاح مشكلات جودة المنتج هو الأولوية.

---

التنبؤ بالإيرادات

يجمع التنبؤ بالإيرادات بين التنبؤ بالطلب والتنبؤ على مستوى الصفقة لإنشاء توقعات مالية شاملة.

التنبؤ بالإيرادات على أساس خطوط الأنابيب

بالنسبة لشركات B2B، يبدأ التنبؤ بالإيرادات مع خط أنابيب المبيعات. ولكل صفقة قيمة ومرحلة وسعر إغلاق تاريخي في تلك المرحلة.

نهج بسيط: اضرب قيمة كل صفقة في معدل الفوز التاريخي لمرحلتها. قم بجمع جميع الصفقات للحصول على قيمة خط الأنابيب المتوقعة.

منهج تعلم الآلة: تدريب نموذج تصنيف على الصفقات التاريخية مع ميزات مثل عمر الصفقة، وعدد اجتماعات أصحاب المصلحة، والحالة التنافسية، وشخصية المشتري. يقوم النموذج بإخراج احتمالية لكل صفقة نشطة، مما ينتج عنه تنبؤات أكثر دقة من المتوسطات القائمة على المرحلة.

التنبؤ بالإيرادات على أساس المجموعة

بالنسبة لشركات التجارة الإلكترونية والاشتراكات، يستخدم التنبؤ بالإيرادات التحليل الجماعي:

1. قم بتجميع العملاء حسب شهر الاستحواذ.
2. احسب متوسط ​​الإيرادات لكل مجموعة نموذجية على مدار الوقت (الشهر الأول، والشهر الثاني، وما إلى ذلك).
3. توقع الإيرادات المستقبلية من المجموعات الحالية باستخدام منحنيات الاحتفاظ التاريخية.
4. قم بإضافة الإيرادات المقدرة من اكتساب العملاء الجدد.

الجمع بين النهج

تجمع توقعات الإيرادات الأكثر دقة بين:

• ** توقعات التدفقات ** لصفقات B2B المعروفة
• توقعات الطلب لمبيعات منتجات التجارة الإلكترونية
• نموذج المجموعة للإيرادات المتكررة/المتكررة
• التعديلات الموسمية من نموذج السلاسل الزمنية
• المؤشرات الرائدة (حركة المرور على موقع الويب، والإنفاق التسويقي، والبيانات الاقتصادية)

---

خطوات التنفيذ

الخطوة الأولى: تحديد حالة الاستخدام (الأسبوع الأول)

اختر مشكلة تنبؤ واحدة ذات قيمة تجارية واضحة وبيانات متاحة. عادةً ما يكون التنبؤ بالطلب على أفضل 20 منتجًا هو أفضل نقطة بداية.

الخطوة الثانية: تحضير البيانات (الأسبوع 2-3)

استخراج البيانات التاريخية من مستودع البيانات. تنظيفها: التعامل مع القيم المفقودة، وإزالة القيم المتطرفة، وإنشاء الميزات. مقسمة إلى مجموعات تدريب (80 بالمائة) واختبار (20 بالمائة).

الخطوة 3: بناء النموذج والتحقق من صحته (الأسبوع 3-4)

ابدأ بخط أساس بسيط (المتوسط ​​المتحرك للتنبؤ، والانحدار اللوجستي للتصنيف). ثم جرب نماذج أكثر تطوراً. قارن على مجموعة الاختبار. حدد النموذج الذي يوازن بين الدقة وقابلية التفسير.

الخطوة 4: النشر والمراقبة (الأسبوع 5-6)

انشر النموذج لإنتاج تنبؤات وفقًا لجدول زمني --- يوميًا لنتائج الاضطراب، وأسبوعيًا لتوقعات الطلب. عرض التوقعات في لوحات المعلومات إلى جانب النتائج الفعلية. راقب الدقة بمرور الوقت وأعد التدريب عندما يتدهور الأداء.

الخطوة 5: إغلاق الحلقة (مستمرة)

التنبؤ بدون عمل لا معنى له. ربط التنبؤات بعمليات الأعمال:

• تنبؤات الاضطراب تؤدي إلى سير عمل إعادة المشاركة
• توقعات الطلب تغذية تخطيط المخزون
• تعطي نتائج العملاء المحتملين الأولوية للتواصل مع المبيعات
• توقعات الإيرادات تحديث التوقعات المالية

---

الأسئلة المتداولة

ما مقدار البيانات التي نحتاجها للبدء بالتحليلات التنبؤية؟

ذلك يعتمد على حالة الاستخدام. يعمل التنبؤ بالسلاسل الزمنية بشكل جيد مع 24 شهرًا أو أكثر من البيانات التاريخية. تحتاج نماذج التصنيف (التحويل، تسجيل العملاء المتوقعين) عادةً إلى ما بين 2000 إلى 5000 مثال مُصنف. يؤدي المزيد من البيانات بشكل عام إلى تحسين الدقة، ولكن يتم تقليل العائدات. إذا كان لديك 12 شهرًا من البيانات النظيفة و1000 عميل، فيمكنك البدء بنماذج بسيطة والتحسين مع تراكم البيانات.

هل نحن بحاجة لتوظيف عالم بيانات؟

ليس بالضرورة. يمكن التعامل مع العديد من تطبيقات التحليلات التنبؤية بواسطة محلل ماهر تقنيًا باستخدام أدوات AutoML أو المكتبات المعدة مسبقًا مثل Prophet أو منصات الذكاء الاصطناعي مثل OpenClaw. قم بتعيين عالم بيانات عندما تحتاج إلى نماذج مخصصة، أو تنبؤات في الوقت الفعلي على نطاق واسع، أو عندما تتطلب المشكلة خبرة عميقة في مجال التعلم الآلي. بالنسبة لمعظم شركات السوق المتوسطة، يتم إنفاق الاستثمار الأولي بشكل أفضل على جودة البيانات بدلاً من إنفاق المواهب في علوم البيانات.

ما مدى دقة التنبؤات لتكون مفيدة؟

إن توقع الطلب بدقة تبلغ 85 بالمائة يعد أفضل بشكل كبير من النهج الحالي الذي تتبعه معظم شركات السوق المتوسطة (الحدس الداخلي أو أرقام العام الماضي بالإضافة إلى 10 بالمائة). ولا تزال التنبؤات التي تشير إلى حدوث خلل بنسبة 75 بالمائة في المساحة تحت المنحنى (AUC) تحدد العملاء المعرضين للخطر قبل أسابيع من المراقبة اليدوية. العتبة ليست الكمال --- إنها "أفضل من الطريقة الحالية". ابدأ باستخدام تنبؤات غير كاملة وكررها نحو دقة أعلى.

ماذا يحدث عندما يصبح النموذج أقل دقة؟

يحدث تدهور النموذج (يسمى "الانجراف") عندما تتغير الأنماط الأساسية --- المنافسون الجدد، والتحولات الاقتصادية، وتغييرات المنتج، وتغييرات سلوك العملاء. مراقبة دقة التنبؤ أسبوعيًا أو شهريًا. عندما تنخفض الدقة إلى ما دون الحد المقبول، أعد تدريب النموذج باستخدام البيانات الحديثة. تحتاج معظم النماذج إلى إعادة التدريب كل ثلاثة إلى ستة أشهر. قم ببناء خط أنابيب إعادة التدريب من اليوم الأول.

---

ما هو التالي

التحليلات التنبؤية هي المرحلة الرابعة من نموذج نضج BI. فهو يعتمد على أساس البيانات النظيفة في مستودع البيانات، والتي يمكن الوصول إليها من خلال لوحات معلومات الخدمة الذاتية، ويتم تحسينها بواسطة تقسيم العملاء.

تنشر ECOSIRE حلول التحليلات التنبؤية من خلال OpenClaw AI، منصة الذكاء الاصطناعي الخاصة بنا والتي تدمج التنبؤ بالطلب، والتنبؤ بالتوقف عن العمل، ونمذجة الإيرادات مباشرة في بيانات Odoo ERP وShopify. يتولى فريق استشارات Odoo إعداد البيانات وتكامل النماذج.

اتصل بنا لاستكشاف كيف يمكن للتحليلات التنبؤية تحسين دقة التنبؤ وتقليل الاختلال.

---

تم النشر بواسطة ECOSIRE --- مساعدة الشركات على التوسع باستخدام الحلول المدعومة بالذكاء الاصطناعي عبر Odoo ERP، وShopify eCommerce، وOpenClaw AI.