أفضلية هندسة الميزات على تعقيد البنية للتنبؤ بالطلب المتقطع

لماذا يهم التنبؤ بالمبيعات النادرة

خلف كل ورشة إصلاح سيارات أو مستودع قطع غيار توجد معضلة هادئة: كم عدد قطع الغيار بطيئة الحركة يجب الاحتفاظ بها على الرف؟ هذه العناصر تُباع نادراً وبشكل غير متوقع، ومع ذلك يجب أن تكون متاحة عند تعطل المركبة. الإفراط في الطلب يربط المال بمخزون مغطى بالغبار؛ أما التقليل في الطلب فيجعل العملاء ينتظرون بينما تُستعجل القطع. يتناول هذا المقال تلك المشكلة اليومية المكلفة بطرح سؤال بسيط: هل من الأفضل استخدام نماذج تنبؤ أشد تعقيداً، أم تغذية النماذج الحالية بإشارات أذكى ومصممة بعناية من البيانات؟

من فترات طويلة من لا شيء إلى تقلبات مفاجئة

في العديد من سلاسل التوريد، لا سيما لقطع غيار السيارات، لا يكون الطلب ثابتاً مثل الحليب أو الخبز. بدلاً من ذلك، هناك فترات طويلة من أشهر دون مبيعات، مقطوعة بطلبيات مفاجئة لعدد قليل من الوحدات. يحلل المؤلفون أكثر من 56,000 تركيبة موزع–قطعة، ممتدة لحوالي 1.4 مليون سجل شهري، ويجدون أن معظم السلاسل شديدة النُدرة: في المتوسط، هناك العديد من الأشهر الصفرية لكل شهر يحدث فيه بيع، وحجم الطلبيات يتقلب بشكل كبير. الأساليب الإحصائية التقليدية مثل منهج كروستون وتطويراته بُنيت لهذا النوع من الطلب "تشغيل–إيقاف" وتوفر تنبؤات مستقرة وقابلة للتفسير، لكنها تعامل كل قطعة بشكل منعزل ولا يمكنها بسهولة استخدام معلومات إضافية مثل الأسعار أو خصائص المنتج. أنظمة التعلم الآلي الحديثة قادرة، من حيث المبدأ، على استخدام كل هذه المعلومات، لكنها تميل إلى المعاناة عندما تكون البيانات في معظمه أصفاراً ونادراً ما تحتوي معلومات مفيدة.

فكرة بسيطة: علّم النموذج ما يهم حقاً

بدلاً من تصميم بنى تعلم آلي أكثر تعقيداً، يركّز المؤلفون على ما يُغذى إلى النموذج. يقدمون إطار عمل يُسمى النسبة الملسّاة للحدوث–الحجم الهجين (SHOS)، وهو إجراء إحصائي خفيف يعمل على كل تاريخ طلب. في كل شهر، ينتج SHOS رقمان: الاحتمال المقدر لحدوث أي طلب في الشهر المقبل، والحجم النموذجي لذلك الطلب إذا حدث. يفعل ذلك من خلال تسوية دقيقة للنكسات السابقة (الأصفار والغير صفرية)، وتكييف سلوكه للسلاسل شديدة النُدرة، والاستجابة بسرعة أكبر عندما يعود الطلب فجأة بعد فترة خمول طويلة. والأهم أن SHOS ليس نموذج التنبؤ النهائي. مخرجاته تصبح ميزات إدخال إضافية لخوارزميات التعلم الآلي القياسية، إلى جانب عناصر بسيطة مثل المبيعات الأخيرة، المتوسطات المتحركة، وتفاصيل المنتج الثابتة.

وضع جودة الميزات قبل تعقيد النموذج

لاختبار ما إذا كان هذا "المعالجة المسبقة" الإحصائية فعلاً مفيداً، يبني الباحثون تجربة مضبوطة. يقارنون مجموعة من النماذج الشائعة—أشجار التعزيز التدرجي (gradient-boosted trees)، الغابات العشوائية، والأساليب الخطية—مع ميزات SHOS وبدونها، جميعها مُدرَّبة على لوحة شهرية مملوءة بالأصفار وتُقيَّم باستخدام مخطط نافذة تدرجية صارم يحاكي النشر الفعلي. كما يختبرون نماذج ثنائية المراحل الأكثر تفصيلاً "hurdle" التي تتنبأ بشكل منفصل ما إذا كان الطلب سيحدث وحجمه. عبر 11 نافذة تحقق، أدت إضافة ميزات SHOS إلى تقليل متوسط خطأ التنبؤ تقريباً إلى النصف للعنصر شديد التقطع وخفضت مقياس أعمال رئيسي، متوسط النسبة المطلقة المرجّح للخطأ (WMAPE)، بأكثر من 40%. ومن المدهش أن البنى ثنائية المراحل، رغم كونها أكثر تعقيداً ومصممة لهذا النوع من البيانات، لم تتفوق على متنبئ واحد بسيط يستهلك إشارات SHOS ببساطة.

رؤية كيف يتخذ النموذج قراراته

يتجاوز الفريق دقة العنوان ويستقصي كيف تستخدم النماذج المعلومات المعطاة لها فعلياً. باستخدام SHAP، وهي أداة قياسية لتفسير تنبؤات التعلم الآلي، يظهرون أن الميزات المبنية على SHOS—"احتمال الطلب" و"الحجم عند حدوثه"—تحتل باستمرار مراتب بين أكثر المدخلات تأثيراً. خلال فترات الطلب الصفري الطويلة، يدفع احتمال SHOS المنخفض التنبؤات نحو الصفر، مما يمنع تراكم مخزون وهمي. عندما تظهر موجة طلب بعد فترة جفاف، يقوم تعديل الحداثة في SHOS بسرعة برفع تقديرات الاحتمال والحجم، مما يسمح للنموذج بالاستجابة دون الإفراط في التفاعل مع ذروة مفردة. تُرى هذه السلوكيات سواء في النموذج البسيط ذو المرحلة الواحدة أو في إصدارات الحواجز الأكثر تعقيداً، مما يؤكد أن المكسب الرئيسي يأتي من جودة الإشارات، لا من الحيل المعمارية.

ماذا يعني هذا لقرارات المخزون اليومية

بالنسبة للممارسين الذين يحاولون الحفاظ على القطع المناسبة على الرف، الرسالة عملية ومطمئنة على حد سواء. تُظهر الدراسة أن الميزات المصممة بعناية والمبنية على أسس إحصائية يمكن أن تحقق تحسينات كبيرة في التنبؤ بالمبيعات النادرة وغير المنتظمة دون اللجوء إلى إعدادات نماذج هشة وصعبة الصيانة. شجرة تعزيز تدرجية معتدلة ومحسنة مُزودة بميزات SHOS تتفوق أو توازي خطوط أنابيب أكثر تفصيلاً بينما تظل أسهل في النشر والمراقبة عبر عشرات الآلاف من العناصر. بعبارة بسيطة، تغذية نظام التنبؤ لديك بملخصات أفضل عن مدى تكرار وكمية ما من المرجح أن يطلبه العملاء يمكن أن تكون لها أهمية أكبر من الترقية إلى أحدث الخوارزميات الأكثر تعقيداً. هذا التركيز على مكوّنات بسيطة وقابلة للتفسير يجعل النهج جذاباً لسلاسل التوريد واسعة النطاق في العالم الحقيقي ويشير إلى أن استراتيجيات مركزية حول الميزات قد تؤتي ثمارها في صناعات أخرى تواجه طلباً متقطعاً.

الاستشهاد: Nathan, B.S., Aravinth, P.M., Reddy, B.V.S. et al. Primacy of feature engineering over architectural complexity for intermittent demand forecasting. Sci Rep 16, 4792 (2026). https://doi.org/10.1038/s41598-026-35197-y

الكلمات المفتاحية: الطلب المتقطع, تنبؤ قطع الغيار, هندسة الميزات, تحليلات سلسلة التوريد, التعلم الآلي