تطبيق فعال لتوقع الطلب معزز بالذكاء الاصطناعي لصناعة قطع غيار السيارات: حالة واقعية من تركيا

لماذا يهم تقدير طلبات قطع الغيار

عندما يتعطل مركبة، يتوقع السائقون أن تكون القطعة المناسبة متوفرة على الرف. بالنسبة للمصنعين وورش الخدمة، يعد الحفاظ على كمية كافية من القطع دون ملء المستودعات أكثر من اللازم تحدياً مستمراً. تبحث هذه الدراسة في كيفية استخدام الذكاء الاصطناعي بذكاء لمساعدة الشركات في صناعة قطع غيار السيارات على توقع الطلبات غير المنتظمة بدقة أكبر، مما يوفر المال مع الحفاظ على حركة السيارات على الطريق.

تحدي الطلب المتقطع والمتقلب

لا تُباع قطع الغيار بتدفّقٍ ثابت ومنتظم. تبقى العديد من الأصناف شهوراً بلا طلبات، ثم تشهد اندفاعات مفاجئة من الطلب. يسمي المؤلفون هذه الأنماط بالطلب المتقطع والمكَعَّب. في كثير من الفترات يكون الطلب صفراً؛ وعندما تظهر الطلبات يمكن أن تتقلب الكميات بشدة. أدوات التنبؤ الكلاسيكية التي تعمل جيداً للسلع اليومية تعاني في هذا السياق، وغالباً ما تؤدي إما إلى رفوف فارغة أو إلى تراكم مكلف من المخزون غير المستخدم. ونظراً لأن قطع الغيار ضرورية للحفاظ على تشغيل المعدات، يمكن أن تضر التوقعات الضعيفة بجودة الخدمة وتزيد التكاليف.

من القواعد القديمة إلى التعلم من البيانات

لمعالجة هذه المشكلة، راجع الباحثون كل من الأساليب الإحصائية التقليدية والنهج الحديثة القائمة على البيانات. تم تصميم تقنيات تقليدية معروفة بأساليب كروستون خصيصاً للسلاسل التي تحتوي على الكثير من الأصفار، لكنها لها حدود عندما يصبح الطلب متقلباً للغاية. يمكن لأساليب التعلم الآلي الحديثة مثل آلات المتجهات الدعم، والغابات العشوائية، والانحدار الخطي، والأساليب العميقة مثل المتعرّفات متعددة الطبقات، والشبكات العصبية المتكررة، وشبكات الذاكرة الطويلة قصيرة الأمد، أن تتعلم تلقائياً أنماطاً معقدة من البيانات. ومع ذلك، لكل طريقة مزاياها وعيوبها، ولا يوجد نموذج واحد هو الأفضل في كل حالة.

بيانات حقيقية من مصنع قطع غيار

عمل الفريق مع مصنع تركي ينتج مكوّنات نظم الدفع الكهربائي للمركبات. ركزوا على قطعتين غاليتَي القيمة يصعب التخطيط لهما خصوصاً: إحداهما ذات طلب متقطع والأخرى ذات طلب مكعّب بقوة. باستخدام 51 شهراً من بيانات المبيعات الشهرية الحقيقية، قاموا بتنظيف وتطبيع السجلات، ثم صنفوا أنماط الطلب باستخدام مقاييس قياسية لمدى تكرار حدوث الطلب ومدى تذبذبه. قُسمت البيانات إلى مجموعات تدريب واختبار حتى تُقيّم النماذج على فترات غير مرئية، مقلدةً سيناريوهات التنبؤ في العالم الحقيقي.

ترك العديد من النماذج يصوت معاً

بدلاً من الاعتماد على أداة توقع واحدة، بنى المؤلفون نموذج تجميع مكدس، الذي يمكن تشبيهه بفريق من النماذج تُدمَج مخرجاته بواسطة نموذج بسيط من المستوى الثاني. أولاً، أنتجت عدة نماذج تعلم آلي وعميق توقعات بشكل مستقل. ثم أُدخلت تنبؤاتهم إلى نموذج انحدار خطي تعلم مقدار الثقة الواجب منحه لكل واحد منها. قورن هذا النموذج المكدس بأساليب كروستون وكل طريقة تعلم فردية، مستخدمين مقاييس خطأ تلتقط الأخطاء النموذجية ومدى حجمها بالنسبة إلى متوسط الطلب. كما استخدم الباحثون ملخصات رسومية واختبارات إحصائية للتحقق مما إذا كانت فروق الأداء ذات دلالة بدلاً من أن تكون نتيجة للمصادفة.

ماذا تعني التوقعات الأذكى للأعمال

أنتج النموذج المكدس باستمرار أدق التوقعات وأكثرها استقراراً لكل من الطلب المتقطع والمكعّب. تفوقت طرق التعلم العميق بمفردها عموماً على الأساليب التقليدية، لكن جمع عدة طرق أعطى الأفضلية في الأداء. بالنسبة للشركة الشريكة، يعني ذلك انخفاض مخزونات الأمان، وقلة العناصر المتقادمة المتبقية على الرفوف، وتقليل خطر عدم تلبية طلبات العملاء في الوقت المناسب. ببساطة، تظهر الدراسة أن استخدام مزيج مصمم بعناية من نماذج الذكاء الاصطناعي يمكن أن يحول طلبات قطع الغيار المتقطعة والمتقلبة إلى توقعات كافية لدعم مخزونات أكثر رشاقة وخدمة أكثر موثوقية.

الاستشهاد: Albayrak Ünal, Ö., Erkayman, B. & Usanmaz, B. An effective AI infused demand forecasting application for automotive spare parts industry: a real case from Turkey. Sci Rep 16, 15661 (2026). https://doi.org/10.1038/s41598-026-44461-0

الكلمات المفتاحية: طلب قطع الغيار, الطلب المتقطع, تعلّم التجميع, سلسلة توريد السيارات, توقع الطلب