الذكاء الاصطناعي

التنبؤ بالمبيعات والمخزون بالذكاء الاصطناعي: كيف تشتري الكمية الصحيحة؟

التنبؤ بالمبيعات والمخزون يعني استخدام سجل المبيعات الفعلي في ERPNext لتقدير ما ستبيعه في الأسابيع والأشهر القادمة، ثم تحويل هذا التقدير إلى حدود إعادة طلب وطلبات مواد مقترحة وتوقع للتدفق النقدي. الذكاء الاصطناعي هنا لا يتخذ قرار الشراء، بل يقترح كميات مبنية على المواسم والاتجاهات، ويوافق عليها المسؤول. نشرح في هذا المقال ما تحتاجه من بيانات، وكيف تتعامل مع مواسم مثل رمضان والعيد وبداية العام الدراسي، مع أمثلة لصيدلية وسوبرماركت ومحل قطع غيار في اليمن.

البيانات التي يحتاجها التنبؤ قبل أي نموذج

جودة التنبؤ لا تتجاوز جودة البيانات. قبل الحديث عن نماذج الذكاء الاصطناعي، تحقق من هذه الشروط في نظامك:

• دليل أصناف نظيف: لا يتكرر الصنف نفسه باسمين، والوحدات موحدة، والأصناف الموقوفة معلّمة بوضوح.
• مبيعات مسجلة فعلاً في النظام: كل بيع يمر عبر فاتورة أو نظام نقاط البيع، لا في دفتر جانبي.
• موسم كامل على الأقل من المبيعات، والأفضل سنة أو أكثر حتى يظهر أثر رمضان والعيد والمدارس.
• تسجيل حالات نفاد المخزون: إذا نفد الصنف أسبوعين فالمبيعات الصفرية لا تعني أن الطلب كان صفراً.
• مدد التوريد: كم يستغرق وصول الطلب من كل مورد، وفي الإصدار 16 يوجد مستند Item Lead Time لتسجيل ذلك.

إذا كانت هذه الشروط ناقصة، فالخطوة الأولى تنظيف البيانات، لا شراء أداة تنبؤ.

المواسم في اليمن: رمضان والعيد وبداية العام الدراسي

المتوسط البسيط للمبيعات يضلل في السوق اليمني لأن الطلب موسمي بوضوح. التمور والمواد الغذائية ترتفع قبل رمضان وفيه، والملابس والحلويات قبل العيد، والقرطاسية والحقائب مع بداية العام الدراسي. وتتحرك مواعيد رمضان والعيد في التقويم الميلادي كل عام، فلا يكفي أن يقارن النموذج الشهر نفسه من العام الماضي.

الطريقة العملية أن نضيف إلى البيانات علامات للمواسم بحسب التقويم الهجري، فيتعلم النموذج أن الأسابيع التي تسبق رمضان تشبه بعضها بين سنة وأخرى. نبدأ عادة بطرق بسيطة مثل المتوسط المتحرك مع معامل موسمي، ولا ننتقل إلى نماذج تعلم آلي أعقد إلا إذا كانت البيانات كافية وأثبتت الطريقة البسيطة حدودها.

من التوقع إلى حدود إعادة الطلب وطلبات المواد

يوفر ERPNext في سجل الصنف جدول إعادة الطلب (Reorder) لكل مستودع: مستوى إعادة الطلب، والكمية المطلوبة، ونوع الطلب. وعند تفعيل الخيار المناسب في إعدادات المخزون يُنشئ النظام طلب مواد Material Request تلقائياً حين تنخفض الكمية المتوقعة عن الحد.

المشكلة أن هذه الحدود تُضبط عادة مرة واحدة وتُنسى. هنا يأتي دور التنبؤ:

1. يحسب النموذج الطلب المتوقع لكل صنف ومستودع في الفترة القادمة.
2. يضيف إليه مدة التوريد ومخزون أمان يتناسب مع تذبذب المبيعات.
3. يقترح مستوى إعادة طلب وكمية جديدة، ويعرضها في تقرير للمراجعة.
4. بعد موافقة المسؤول تُحدَّث الحدود، ويتولى ERPNext إنشاء طلبات المواد كالمعتاد.

بهذا يبقى المنطق التشغيلي في ERPNext نفسه، والتنبؤ مجرد مصدر لتحديث الأرقام.

مستندا Sales Forecast وMaster Production Schedule في الإصدار 16

أضاف ERPNext 16 مستندين يجعلان التنبؤ جزءاً من النظام بدل جدول خارجي: Sales Forecast لتسجيل الكميات المتوقعة من الأصناف لفترات قادمة، وMaster Production Schedule الذي يربط التوقعات والطلبات بخطة إنتاج للجهات التي تصنّع منتجاتها. التفاصيل في مقال ما الجديد في Frappe وERPNext 16.

القيمة العملية أن مخرجات نموذج الذكاء الاصطناعي يمكن أن تُكتب في مستند Sales Forecast كمسودة، فيراجعها مدير المبيعات أو المشتريات ويعدّلها داخل ERPNext، ويرى الجميع رقماً واحداً متفقاً عليه.

ثلاثة أمثلة من السوق اليمني

صيدلية بعدة فروع

تعاني الصيدلية من نفاد أدوية الأمراض المزمنة في فرع وتكدسها في آخر، ومن أصناف تقترب من انتهاء الصلاحية. يتنبأ النظام بالطلب لكل فرع على حدة، ويقترح تحويلات مخزنية بين الفروع قبل طلب كميات جديدة، ويقلل الكميات المقترحة للأصناف قصيرة الصلاحية حتى لا تُشترى أكثر مما سيُباع قبل انتهائها.

سوبرماركت قبل رمضان

بناءً على مبيعات رمضان السابق المسجلة في نقاط البيع، يقترح النظام قبل أسابيع كميات التمور والزيوت والمشروبات، ويقدّم موعد الطلب للأصناف التي يتأخر موردوها. يراجع مدير المشتريات القائمة ويعدّلها ثم تتحول إلى طلبات شراء.

محل قطع غيار سيارات

آلاف الأصناف وأغلبها بطيء الحركة. هنا لا يصلح نموذج واحد للجميع: الأصناف سريعة الحركة كالفلاتر والزيوت تُتنبأ أسبوعياً، والأصناف النادرة يُحدَّد لها حد أدنى بسيط. ويكشف النظام الأصناف الراكدة التي لم تُبع منذ مدة طويلة لتجنب إعادة شرائها.

التنبؤ بالتدفق النقدي

التنبؤ بالمبيعات والمشتريات يقود مباشرة إلى سؤال المالية: هل تكفي السيولة؟ يجمع النموذج المبيعات المتوقعة، ومواعيد تحصيل الفواتير الآجلة بحسب سلوك كل عميل في السداد، وطلبات الشراء المقترحة ومواعيد استحقاقها للموردين، والرواتب والمصروفات الثابتة. الناتج تقدير أسبوعي للنقد المتاح يساعد على تأجيل شراء غير عاجل أو التفاوض على مدة سداد قبل أن تظهر الفجوة، وهو مهم في اليمن حيث تتأخر التحصيلات وتتعدد العملات.

الموافقة البشرية وقياس خطأ التنبؤ

كل رقم يقترحه النموذج يمر على شخص يعرف السوق: مدير المشتريات يعرف أن مورداً سيتوقف، أو أن منافساً افتتح فرعاً قريباً. لذلك تُعرض الاقتراحات كمسودات، ويُسجَّل من وافق ومن عدّل، ويمكن ضبط سير عمل Workflow للموافقة على طلبات الشراء الكبيرة.

ولقياس الجودة لا نحتاج إلى أرقام معقدة في البداية؛ نقارن كل شهر ما توقعناه بما بيع فعلاً، ونسأل: هل قلّ نفاد المخزون؟ هل قلّت الأصناف الراكدة؟ هل يثق المشترون بالاقتراحات أم يتجاهلونها؟ في خدمات الذكاء الاصطناعي لدى يمن فرابي نبدأ بفئة أصناف واحدة ونراجع هذه الأسئلة قبل التوسع، ويمكن الرجوع إلى أمثلة استخدام الذكاء الاصطناعي في ERPNext لاستخدامات أخرى.