Clear Sky Science
הסברים מבוססי ראיות, עם מעט ז'רגון

Clear Sky Science · he

יישום חיזוי ביקוש אפקטיבי המאוּמן בבינה מלאכותית לתעשיית חלפי רכב: מקרה אמיתי מטורקיה

· חזרה לאינדקס

מדוע ניחוש הביקוש לחלפים חשוב

כאשר רכב מתקלקל, הנהגים מצפים שהחלף הנכון יהיה על המדף. עבור היצרנים וסדנאות השירות, שמירה על מספיק חלקים מבלי להציף מחסנים היא משחק איזון תמידי. המחקר הזה בוחן כיצד שימוש חכם בבינה מלאכותית יכול לעזור לחברות בתעשיית חלפי הרכב לחזות ביקוש שאינו סדיר בדיוק רב יותר, לחסוך הוצאות ולשמור על לקוחות בדרך.

Figure 1. כיצד בינה מלאכותית הופכת ביקוש מבולגן של חלפים לתכנון מלאי חלק יותר עבור רכיבים לרכב.
Figure 1. כיצד בינה מלאכותית הופכת ביקוש מבולגן של חלפים לתכנון מלאי חלק יותר עבור רכיבים לרכב.

האתגר של ביקוש שעוצר ומתחיל

חלפים לא נמכרים בזרם חלק וקבוע. פריטים רבים עומדים חודשים ללא הזמנות ואז חווים פרצי ביקוש פתאומיים. המחברים מכנים דפוסים אלה ביקוש מזדמזם וקמורי. ברבים מהזמנים הביקוש הוא אפס; כאשר מופיעות הזמנות, הכמויות יכולות להשתנות רבות. כלי חיזוי קלאסיים שעובדים היטב עבור סחורה יומיומית מתקשים בסיטואציה הזו, ולעיתים מובילים או למדפים ריקים או לערימות יקרות של מלאי בלתי מנוצל. מאחר שחלפים קריטיים לשמירת תפקוד הציוד, חיזויים לקויים עלולים לפגוע באיכות השירות ולהעלות עלויות.

מכללים ישנים ללמידה מהנתונים

כדי להתמודד עם הבעיה, החוקרים סקרו הן שיטות סטטיסטיות ותיקות והן גישות מודרניות מונחות-נתונים. טכניקות מסורתיות הידועות כגישות מבוססות Croston נועדו במיוחד לסדרות עם הרבה אפסים, אך להן יש מגבלות כאשר הביקוש נעשה בלתי צפוי במיוחד. שיטות למידת מכונה חדישות כגון מכונות וקטור תמיכה, יערות אקראיים ורגסיות לינאריות, וכן שיטות למידה עמוקה כמו רב-שכבתיות, רשתות חוזרות ורשתות LSTM, יכולות ללמוד באופן אוטומטי דפוסים מורכבים מהנתונים. עם זאת, לכל שיטה יש את היתרונות והחסרונות שלה, ואף מודל יחיד אינו הטוב ביותר בכל מצב.

נתונים אמיתיים מיצרן חלפים

הצוות עבד עם יצרן טורקי המייצר רכיבים למערכות הנעה חשמלית לרכבים. הם התמקדו בשני חלפים בעלי ערך גבוה שקשה במיוחד לתכנן עבורם: אחד עם ביקוש מזדמזם ואחד עם ביקוש חזק וקמורי. באמצעות 51 חודשי מכירות ממשיים חודשיים, ניקו ונורמלו את הרשומות, ולאחר מכן סיווגו את דפוסי הביקוש באמצעות מדדים סטנדרטיים של תדירות הופעת הביקוש והיקף השונות בו. הנתונים חולקו לקבוצות אימון ובדיקה כך שהמודלים יוערכו על תקופות בלתי נצפות, החוצה לעולם החיזוי בפועל.

Figure 2. כיצד שילוב של מספר מודלים בבינה מלאכותית מניב תחזיות מדויקות יותר עבור דפוסי ביקוש מזדמזמים וקמורים.
Figure 2. כיצד שילוב של מספר מודלים בבינה מלאכותית מניב תחזיות מדויקות יותר עבור דפוסי ביקוש מזדמזמים וקמורים.

עיבוד קולות של מודלים רבים יחד

במקום להסתמך על כלי חיזוי יחיד, המחברים בנו אנסמבל סטאקינג, שניתן לתארו כצוות מודלים שפלטיהם משולבים על ידי מודל פשוט ברמה השנייה. ראשית, מספר מודלי למידת מכונה ולמידה עמוקה הפיקו תחזיות באופן עצמאי. התחזיות שלהם הוזנו לאחר מכן למודל רגרסיה ליניארי שלמד כמה להסתמך על כל אחד מהם. מודל הסטאקינג הושווה לשיטות מבוססות Croston ולכל שיטת למידה בודדת, באמצעות מדדי שגיאה שמנציחים טעויות טיפוסיות וכמה הן גדולות ביחס לביקוש הממוצע. החוקרים השתמשו גם בסיכומים גרפיים ובמבחנים סטטיסטיים כדי לבדוק האם הבדלי הביצועים משמעותיים ולא נובעים במקרה.

מה המשמעויות העסקיות של תחזיות חכמות יותר

מודל הסטאקינג הפיק בעקביות את התחזיות המדויקות והיציבות ביותר הן לביקוש המזדמזם והן לביקוש הקמורי. שיטות למידה עמוקה לבדן בדרך כלל גברו על גישות מסורתיות, אך שילוב מספר שיטות עבד הכי טוב מכל. עבור חברת השותף המשמעות הייתה מלאי בטחון נמוך יותר, פחות פריטים מיושנים על המדף, וסיכון מופחת לאי-אספקה ללקוחות בזמן. בפשטות, המחקר מראה ששימוש בתערובת מתוכננת של מודלים מבוססי בינה מלאכותית יכול להפוך ביקוש מבולגן ועצר-ורוצף של חלפים לתחזיות מספיק טובות כדי לתמוך במלאים רזים יותר ובשירות אמין יותר.

ציטוט: 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

מילות מפתח: ביקוש לחלפי רכב, ביקוש מזדמזם, למידת אנשׂב, שרשרת אספקה לרכב, חיזוי ביקוש