פיתוח מערכת בינה מלאכותית לחיזוי ביקוש

מדוע תחזית ביקוש נשברת על נתונים אמיתיים

תחזית ביקוש לעתים רחוקות נשברת במודל — היא נשברת בנתוני הקלט. הזמנות, מלאי, משלוחים ותוכניות מבצעים חיים במערכות שונות, מיוצאים ידנית לטבלאות תכנון ומאוחדים לחוברת אחת, שבה כל מספר נערך בידיים.

המתכנן מתאים את הערך לשיחה האחרונה עם מחלקת המכירות, ולא להיסטוריה, ולכן שגיאת התחזית בפועל כלל אינה נמדדת: לא ברור עד כמה המספר בטבלה סוטה ממה שהיה.

עונתיות האספקה במבנה כזה נלקחת «בעין»: אגרגציה לפי ממוצע לתקופה מחליקה פסגות ושקיעות, והלאג בין ההזמנה להגעה למחסן פשוט חסר בחישוב.

מבצע שצפוי להכפיל את הביקוש, והשקיעה שאחריו, חיים בקובץ נפרד של השיווק ואינם מגיעים למודל — כתוצאה מכך המערכת רוכשת לפי פרופיל ממוצע שאינו תואם לאף חודש אמיתי.

סיבה נפרדת היא הפער בין המחלקות. מכירות, רכש ומחסן מחשבים גרסאות משלהם לתוכנית עם אופקים וכללי עיגול שונים, וכל גרסה יוצאת לעבודה כיחידה היחידה והנכונה. השגיאה במפגש הזה אינה נמוגה אלא מצטברת: אי-דיוק בקבוצת מוצרים אחת גורר הזמנה בפריטים סמוכים, והפער מתגלה רק עם ההגעה בפועל.

בהמשך שרשרת האספקה השגיאה המצטברת הופכת לשני מצבי מחסן יקרים. בשיא העונה — חוסר במחסן: מכירות אבודות ורכש מזורז ידני. במיתון — הצטברות מלאי: הון קפוא, תוקפי תפוגה ומכירות חיסול. בהמשך נבחן כיצד זה נסגר ברמת הנתונים, המודל ותקנון התכנון.

האפקט מההטמעה: דיוק, מלאי, מכירות אבודות

הטמעת חיזוי ביקוש נמדדת לא ב«חוכמה» של המודל, אלא בארבעה מספרים שנראים בדוח כעבור רבעון-שניים: דיוק התחזית, היקף מלאי הביטחון, מחזוריות המחסן ושיעור המכירות האבודות. את החיתוך הראשון לוקחים לפני ההתחלה — על נתונים היסטוריים, אחרת אין עם מה להשוות את האפקט.

צמצום מלאי ביטחון בלי לפגוע ברמת השירות

דיוק התחזית באופק של 4–12 שבועות עולה בדרך כלל מ-60–70% ל-80–90% לפי שגיאה משוקללת — זה מספיק כדי שמלאי הביטחון בפריטים נמכרים יצטמצם ב-20–35% באותה רמת שירות. המפתח הוא המעבר מתקן אחיד לתחזית עם רווח סמך: היכן שהביקוש יציב, המלאי נחתך, ובפריטים תנודתיים הוא נשאר כשהיה. המחזוריות משתפרת ב-15–25%, והמחיקות בשל תוקף תפוגה יורדות.

כמה עריכות ידניות יוצאות מהתוכנית

שיעור העריכות הידניות הוא אינדיקטור לחוסר אמון בתחזית, ולכן מחשבים אותו לפני ואחרי: בדרך כלל מתקנים 30–40% מהשורות בתוכנית, ולאחר ההטמעה נשארים 5–10%, וגם זה בעיקר במבצעים ובאספקות חד-פעמיות. כל עריכה נרשמת בלוג עם הסיבה, והסיבות האלה נכנסות כמאפיינים למודל — הדיוק עולה בלי כיוונון ידני.

את קו הבסיס והעונתיות אנחנו לוקחים ממימושים פתוחים כמו Prophet, ומעליהם — Gradient Boosting על מחירים ומבצעים. את המדדים מחשבים בחלון נע, כדי שחריגה חד-פעמית לא תעוות את התמונה.

פורמטים של מודלים: סטטיסטיקה, אנסמבלים, רשתות נוירונים

אף פורמט לא מנצח בכל הקטגוריות — את הבחירה קובעים אופק התכנון, אורך היסטוריית המכירות ושיעור הפריטים הנדירים. להלן שלוש גישות שביניהן באמת בוחרים בהתחלה.

בפועל כמעט תמיד מערבבים ביניהן: מודל סטטיסטי מחזיק את הרמה הבסיסית של הביקוש הסדיר, אנסמבל מודלים מדייק את העונתיות והמבצעים, ומודל רשת נוירונים מתחבר במקומות שבהם צריך להתחשב בגורמים חיצוניים.

איך לבחור פורמט לפי אופק וקטגוריה

ככל שהאופק ארוך יותר, כך היציבות חשובה יותר: לחודשים קדימה סטטיסטיקה ואנסמבלים נותנים תמונה חלקה יותר, ורשת נוירונים — לימים ושבועות. בהמשך מקבעים את הפורמט לפי קטגוריות: למוצרים נמכרים אחד, ולאטיים אחר, אחרת הדיוק הממוצע ברמת המחסן מסתיר כשלים בקבוצות מסוימות.

מה עושים עם פריטים נדירים וחדשים

פריטים נדירים אינם מחוזים לפי ההיסטוריה שלהם עצמם, אלא דרך קבוצת מקבילות: מאחדים מוצרים דומים ומעבירים אליהם פרופיל ביקוש משותף. מוצרים חדשים, עד להצטברות נתונים, הולכים לפי תוכנית ההשקה והערכה של מומחים, והמודל מתחבר כשנצברים מספיק תצפיות.

שלבי ההטמעה של מערכת תכנון האספקה

העבודה מתנהלת ברצף: כל שלב נסגר בבדיקה, והמעבר לשלב הבא אפשרי רק לאחר שהקודם אושר על נתונים אמיתיים של הלקוח. כך שגיאות בנתונים ובהגדרת המשימה מתגלות לפני שמשקיעים בהן מאמץ בפיתוח ובכיוונון.

ביקורת נתונים והגדרת המשימה

1. ביקורת נתונים — משווים את היסטוריית המכירות, המלאי והאספקה לפי עומק, שלמות ופערים בין מערכות הרשומות; בפלט מתקבלת רשימת חוסרים ותקופות שמתאימות לאימון.
2. הכנת נתונים — ממירים את הסדרות לגרנולריות אחידה (מחסן, קבוצת מוצרים, יום או שבוע), מטפלים בחסרים ובחריגות, ומתייקים מבצעים והפסקות אספקה כמאפיינים נפרדים.
3. הגדרת המשימה והמדדים — מקבעים את אופק התחזית ואת שגיאת היעד ברמת המחסן וקבוצת המוצרים, ומסכמים על איכות מקובלת.
4. הרכבה וכיוונון המודל — השוואת גישות על מדגם מוחזק, בחירת מאפיינים, וכיוונון נפרד לעונתיות ולקפיצות ביקוש מקומיות.

בדיקה על תקופות היסטוריות והעברה

• ולידציה של המודל — הרצה על מקטעים היסטוריים במצב הקרוב למציאות: המודל רואה רק את הנתונים שהיו זמינים באותו רגע, ואינו מציץ קדימה.
• תקנון עדכון — מקבעים את תדירות האימון מחדש, את האחראי על הזנת נתונים טריים ואת סדר הפעולות כשהאיכות נפגעת.
• מסירה לתפעול — פריסה, ניטור סטיות התחזית מהפועל, הדרכת צוות הלקוח ומסירת תיעוד.

מה אנחנו מוסרים לצוות הלקוח: קונפיגורציות ותקנונים

פרויקט חיזוי ביקוש חי לאורך זמן רק אם אפשר לפתח אותו בלי היוצרים. לכן אנחנו מוסרים לא «מודל עובד», אלא ערכת ארטיפקטים שלפיהם המהנדס שלכם יאמן מחדש את המודל, יחבר מקור נתונים חדש וינתח תקלה בלי התכתבות איתנו.

ערכת תיעוד ותרשימות נתונים

• תרשים נתונים — מקורות המכירות, המלאי, המבצעים והגורמים החיצוניים: גרנולריות, מפתחות, לאגים, כללי טיפול בחסרים ובקפיצות.
• תיאור המאפיינים — מה מוזן למודל, כיצד מחושבים לאגים וחלונות נעים, אילו מאפיינים כבויים ולמה.
• קונפיגורציות אימון מחדש — אופק התחזית, תדירות ההרכבה מחדש, חלוקה למדגם אימון ולמדגם בדיקה, ספי איכות שמתחתם המודל יוצא לאימון נוסף.
• מדיניות גישה — תפקידים לקריאת נתוני גלם, לייצוא תחזיות ולשינוי הגדרות; היכן נשמרים המפתחות ומי מנפיק אותם.
• תקנון ניטור — המדדים של התורן: סטייה של הפועל מהתחזית, שיעור החסרים, סחיפת התפלגויות הקלט; תדירות הבדיקה וסף ההתראה.

הדרכת הצוות והעברת ידע

• ניתוח תקלות — כשלים אופייניים: תזוזה בביקוש, יום חסר בנתונים, שינוי במבנה המבצעים; מה בודקים קודם.
• סדנאות מעשיות על הנתונים שלכם — האנליסטים מריצים בעצמם אימון מחדש ומשחררים גרסה חדשה של התחזית בפיקוח המהנדסים שלנו.
• יומן החלטות — מדוע נבחרו האופקים והספים הנוכחיים ואילו חלופות נדחו, כדי שכעבור חצי שנה אף אחד לא יצטרך לנחש.

מקרה בוחן: כיצד עלה הדיוק לאחר עיבוד מחדש של המודל

המשימה הגיעה מרשת קמעונאית: תחזית לארבעה שבועות עבור כמה אלפי פריטים הייתה נדרשת לא «באופן כללי», אלא לפי כל נקודת מכירה, כדי לתכנן רכש ומדף. במקור התחזית חושבה כממוצע נע על מכירות העבר — המודל לא ראה מבצעים, חגים ושינוי בתמהיל.

מה היה לפני: פערים ועריכות ידניות

בקבוצות מפתח הפער מול הפועל באופק של ארבעה שבועות הגיע עד 32%. מנהלי הקטגוריות תיקנו מדי שבוע ביד כ-40% משורות התחזית — את המספרים «יישרו ביד» למצב שבו האמינו. הזמנות דחופות נוספות בוצעו כמעט כל יום, וחלק מהפריטים נשארו על המדף.

הסיבה במאפיינים: לוח המבצעים והחגים המקומיים לא נכנסו למודל, וקפיצות ביקוש עומתו עם ימים רגילים. פריטים עונתיים סבלו במיוחד: הממוצע על התקופה הקודמת לא תיאר את הביקוש הנוכחי.

מה קרה אחרי: מדדים ומצב ליווי

את התחזית הרכיבו מחדש: במקום מודל אחד — סט לפי מחלקות ביקוש (יציבים, עונתיים, תלויי מבצעים, חדשים), שכבה בסיסית על Prophet עם מאפייני לוח שנה, מבצעים ומחירים. את האיכות בדקו רטרוספקטיבית: אימון על מקטע עבר, השוואה מול הפועל במקטע הבא, בלי להציץ קדימה.

הפער באותו אופק ירד מ-32% ל-9–12% לפי קבוצות, שיעור העריכות הידניות — בערך פי שלושה פחות, וההזמנות הדחופות — בחצי. התחזית מתעדכנת מדי יום, והשגיאה בכל קבוצה מושווית לפיזור ההיסטורי: חריגה מהגבולות מפיקה התראה ואימון מחדש על חלון טרי.

אחת לחודש — דוח דיוק עם ניתוח של הקבוצות שנחלשו, כך שההידרדרות נראית כבר בשבוע הראשון ולא בסוף הרבעון.

במה שונה חיזוי ביקוש מתכנון אספקה?

חיזוי ביקוש עונה על השאלה «כמה נמכור», תכנון אספקה — «מה ומתי לרכוש כדי שזה יספיק». הראשון הוא משימה סטטיסטית: לפי היסטוריית המכירות, עונתיות, מבצעים וגורמים חיצוניים נבנית התפלגות ביקוש לפי ימים ונקודות מכירה.

השני הוא משימת אופטימיזציה תחת אילוצים: זמני אספקה ותדירותם, כמות מינימלית, תוקפי תפוגה, קיבולת המחסן.

הגבול עובר בדיוק בנקודת ההזמנה. המודל נותן את התפלגות הביקוש ואת הפיזור שלה, וכלל המילוי מחליט באיזה מלאי להפעיל רכש ואיזה מלאי ביטחון להחזיק כדי לשמור על רמת השירות.

אסור לערבב בין התחומים: אפילו תחזית מדויקת לא תציל את רמת השירות אם נקודת ההזמנה חושבה בעין, ואת גידול המלאי יזקפו ל«מודל גרוע».

לכן בפרויקט אנחנו מפרידים אחריות באופן מפורש: אצל התחזית — נתונים, מאפיינים ובקרת איכות החיזוי, ואצל התכנון — כללים, אילוצים ורמת שירות מוסכמת עם העסק לפי קבוצות מוצרים. תארו כיצד מתקבלת אצלכם כיום ההחלטה על רכש — ונחזור עם הערכה ותוכנית לכל תחום.

ספקות טכניים: נתונים, עונתיות, תקלות

אף אחד מהשאלות שלהלן אינו עוסק באלגוריתם, אלא בנתונים ובתהליכים סביב המודל. חמישה ספקות שהלקוח מעלה לפני ההתחלה, וכיצד אנחנו סוגרים אותם.

אנומליה או קפיצה אמיתית?

אנומליות אינן נמחקות, אלא מתויגות לפי סטטיסטיקות עמידות — החציון והסטייה ממנו. המודל מקבל תווית ומחליט בעצמו עד כמה להאמין לה: חריגה שנחתכת גורעת מהרגישות לפסגות אמיתיות.

מבצעים והנחות?

מבצע הוא אירוע נשלט, ולא חריגה: לוח המבצעים, עומק ההנחה וקפיצות מדיה נכנסים כמאפיינים נפרדים. ימי מבצע אינם מתערבבים עם ימים רגילים באימון, אחרת אפקט המבצע נמרח על השבועות הסמוכים.

אימון יתר?

בודקים על תקופה עתידית מוחזקת, ולא על מדגם מעורבב: ולידציה צולבת מתגלגלת לפי זמן והשוואה לתחזית נאיבית «כמו בשבוע שעבר». אם אינו מנצח את קו הבסיס — אינו יוצא לעבודה.

בקרת איכות אחרי ההשקה?

מדי יום מחשבים שגיאה משוקללת ממוצעת (WAPE) והטיה לפי מוצר ונקודה, ובחריגה מהסף נשלחת התראה. סחיפת נתוני הקלט מפעילה אימון מחדש לפי לוח זמנים — גישה מתוך חיזוי: עקרונות ופרקטיקה.

נדון במשימה: נגבש הערכה ותוכנית הטמעה

כדי להתחיל אין צורך בגישה לכל האנליטיקה, אלא במינימום קונקרטי: היסטוריית מכירות לפי מוצרים ונקודות לתקופה מספקת, לוח מבצעים ואספקות, מגבלות לפי מחסנים. ככל שהנתונים האלה יגיעו לשולחן מוקדם יותר, כך הגדרת המשימה תהיה מדויקת יותר ומספר חזרות ההרכבה מחדש יהיה קטן יותר.

• הגדרת המשימה: אופק וצעד התחזית, חתכים (מוצר, נקודה, ערוץ), השגיאה המותרת ומי שמאשר את התוצאה.
• ייצוא נתונים: מסכמים את הרכב השדות, התקופה, אופן ההעברה והתדירות — ייצוא חד-פעמי או חילוף קבוע לפי לוח זמנים.
• תרשים נתונים: מראים כיצד מכירות, מבצעים, מלאי וגורמים חיצוניים מתחברים זה לזה, היכן משלימים חסרים וכיצד חותכים חריגות.
• הרכב העבודה: שלבים עם התוצאה של כל אחד — הכנת נתונים, אימון וכיוונון המודל, בדיקה על תקופה מוחזקת, הטמעה במערך שלכם.
• שלבייות ותוכנית הטמעה: סדר ההשקה לפי קבוצות מוצרים או נקודות, כדי שהתשואה הראשונה תגיע לפני כיסוי מלא.
• הערכת לוחות זמנים: טווח שנגזר ממוכנות הנתונים וממהירות התיאומים, ולא מספר ממוצע בשוק.
• נקודות בקרה: הדגמות על נתונים אמיתיים, מדדי איכות לפני ואחרי, סדר האימון הנוסף והחזרה לגרסה הקודמת של המודל.

בתגובה נשלח מסמך עם הרכב העבודה, תרשים הנתונים ותוכנית לפי שלבים. תארו את המשימה — ונחזור עם הערכת לוחות זמנים ושאלות הבהרה בנוגע לנתונים.