تنبؤ بالطلب يثق به المشترون

بدأ فريقنا بتحليل جميع الحالات التي تجاوز فيها المشترون توصيات النظام، باعتبار أن كل قرار من هذه القرارات يحمل مؤشراً إلى معلومة لم يستوعبها النموذج. ولتحقيق ذلك، حللنا بيانات عامين كاملين من عمليات التجاوز، ثم قارناها بالنتائج الفعلية، بهدف التمييز بين الحالات التي أضافت فيها خبرة المشتري قيمة حقيقية، والحالات التي استند فيها القرار إلى الخبرة أو إلى بيانات تاريخية من دون أثر ملموس.وكشفت النتائج عن نمط واضح شكّل نقطة التحول في المشروع. ففي نحو نصف حالات التجاوز، كانت ملاحظات المشترين صحيحة، لأن النموذج لم يكن يأخذ في الحسبان عوامل مؤثرة مثل العروض الترويجية، والتغيرات الموسمية المرتبطة بالطقس، وإطلاق المنتجات الجديدة. أما في بقية الحالات، فلم تضف قرارات التجاوز قيمة فعلية مقارنة بما قدمه النموذج.وبذلك أصبح من الواضح أن المشكلة لم تكن في قدرة النموذج على التنبؤ، بل في وجود مجموعة محددة من العوامل التي لم تكن ممثلة في بياناته، ويمكن معالجتها بصورة منهجية.

استناداً إلى نتائج التحليل، أعاد فريقنا بناء نموذج التنبؤ ليأخذ في الحسبان العوامل التي كان المشترون يعتمدون عليها في قراراتهم، لكنها لم تكن ممثلة في بيانات النظام. فأضفنا روزنامات العروض الترويجية، وبيانات الطقس، وخصائص مهيكلة للمنتجات الجديدة التي لا تمتلك سجلاً تاريخياً للمبيعات، مما مكّن النموذج من استيعاب مصادر مهمة للتغير في الطلب.كما جعلنا كل توقع قابلاً للتفسير، بحيث يعرض النظام العوامل التي أثرت في النتيجة، بدلاً من الاكتفاء بعرض رقم مجرد، الأمر الذي منح المشترين فهماً أوضح لأساس كل توصية.وفي الوقت نفسه، أعدنا تصميم مسار تجاوز التوصيات، بحيث يُسجل سبب كل قرار يتخذه المشتري، لتتحول هذه القرارات من استثناءات تشغيلية إلى بيانات تدريب تُستخدم في تحسين النموذج بصورة مستمرة.ولضمان قياس الأداء بدقة، وضعنا أهدافاً مستقلة للدقة على مستوى كل فئة من المنتجات، كما وفرنا لكل مشترٍ لوحة معلومات تتيح له متابعة أثر قرارات التجاوز التي اتخذها مع مرور الوقت، بما يدعم التعلم المستمر واتخاذ القرار على أساس البيانات.

لم يتوقف العمل عند تحسين النموذج وإطلاقه، بل أصبح تطويره جزءاً من دورة تشغيل مستمرة. فبالتعاون مع فرق التخطيط، نجري مراجعة ربع سنوية لأداء النموذج، ونحلل أنماط تجاوز التوصيات لتحديد المجالات التي ما زال يحتاج إلى تحسينها، واكتشاف العوامل الجديدة التي تؤثر في دقة التنبؤ.كما نعيد تدريب النموذج بصورة دورية باستخدام أسباب التجاوز المتراكمة، ونوسع نطاق تغطيته كلما أُضيفت فئات جديدة من المنتجات، بما يضمن استمرار قدرته على التكيف مع تغير طبيعة الأعمال.وفي الوقت نفسه، نواصل العمل مع المشترين لتحديد الحالات التي يُعتمد فيها على توصيات النموذج، والحالات التي ينبغي أن تتقدم فيها الخبرة البشرية على التنبؤ الآلي. وقد أثبت هذا التكامل بين الذكاء الاصطناعي والخبرة العملية أثراً أكبر في تحسين جودة القرارات من أي زيادة في الدقة الإحصائية وحدها.