کارکردهای داخلی متنوعی مانند ارزیابی ریسک، برنامه ریزی هزینه سرمایه و برنامه ریزی نیروی کار چه وجه مشترکی دارند؟ هر کدام اساساً در مورد درک تقاضا هستند - پیش‌بینی تقاضا را به یک فرآیند تحلیلی اساسی تبدیل می‌کنند. در میان افزایش فشار برای افزایش دقت پیش‌بینی، شرکت‌های بیشتری به الگوریتم‌های هوش مصنوعی تکیه کرده‌اند که به طور فزاینده‌ای در یادگیری، از الگوهای تاریخی پیچیده‌تر شده‌اند.

مدل‌های هوش مصنوعی نسبت به روش‌های تحلیلی سنتی مبتنی بر صفحه‌گسترده مزایای آشکاری دارند. برای مثال، به‌کارگیری پیش‌بینی مبتنی بر هوش مصنوعی در مدیریت زنجیره تأمین، می‌تواند خطاها را بین ۲۰ تا ۵۰ درصد کاهش دهد و به کاهش 65 درصدی فروش از دست رفته و در دسترس نبودن محصول منجر شود. با ادامه دایره فضیلت، هزینه های انبارداری می تواند بین 5 تا 10 درصد و هزینه های اجرایی بین 25 تا 40 درصد کاهش یابد.

شرکت‌های صنایع مخابرات، برق، گاز طبیعی و مراقبت‌های بهداشتی دریافته‌اند که موتورهای پیش‌بینی هوش مصنوعی می‌توانند تا 50 درصد از وظایف مدیریت نیروی کار را خودکار کنند، که منجر به کاهش هزینه‌ها بین 10 تا 15 درصد می‌شود در حالی که به تدریج تصمیم‌گیری در مورد استخدام و انعطاف‌پذیری عملیاتی را بهبود می‌بخشند.

پیش‌بینی خودکار مبتنی بر هوش مصنوعی این مزایا را با مصرف داده‌های هم‌زمان و شناسایی مداوم الگوهای جدید ارتقاء می‌دهد. این ظرفیت، اقدامات سریع و چابک را امکان پذیر می کند، زیرا مدل به جای این که فقط به آنها پاسخ دهد، تغییرات تقاضا را پیش بینی می کند. در مقابل، رویکردهای سنتی برای پیش‌بینی تقاضا نیازمند به‌روزرسانی دستی دائمی داده‌ها و تنظیمات برای خروجی‌های پیش‌بینی است. این مداخلات معمولاً زمان‌بر هستند و امکان پاسخ‌های چابک به تغییرات فوری در الگوهای تقاضا را نمی‌دهند.

با این حال، علیرغم مزایای بی شمار هوش مصنوعی، سازمان ها با چالش هایی مواجه شده اند که پذیرش آن را محدود می کند. از سال 2021، اکثریتی قاطع (56 درصد) از سازمان‌های مورد بررسی گزارش دادند که هوش مصنوعی را حداقل در یک عملکرد به کار گرفته‌اند. این پیشرفت در مقایسه با رقم 47 درصدی گزارش شده در سال 2018 است - اما نرخ رشد نشان می دهد که موانع جدی باقی مانده است، به ویژه در رسیدن به مقیاس فراتر از یک عملکرد واحد. برای بسیاری از سازمان‌ها، دسترسی محدود به داده‌ها - یا کاربرد محدود داده‌های موجود - هنوز یک مشکل است.

اما این نگرانی‌ها به لطف پیشرفت‌های اخیر در فناوری‌های هوش مصنوعی، کمتر از آنچه رهبران فکر می‌کنند، آزار دهنده هستند. در حالی که به طور کلی درست است که داده های بیشتر می تواند نتایج را بهبود بخشد، تجربیات شرکت هایی با سطوح بسیار متفاوت کیفیت داده نشان می دهد که بیشتر سازمان ها داده های کافی برای استخراج ارزش از پیش بینی مبتنی بر هوش مصنوعی دارند. برای به کارگیری این مدل‌ها حتی در محیط‌های کم داده، باید استراتژی‌های خاص و قابل اجرا ایجاد کرد.

چهار استراتژی برای محیط های کم داده

از نقطه نظر فنی، شرکت ها می توانند حداکثر از چهار استراتژی، به صورت جداگانه یا ترکیبی، برای ایجاد خروجی های قابل اعتماد در محیط های کم داده استفاده کنند.

* انتخاب مدل مناسب هوش مصنوعی. اولین قدم، شناسایی مناسب ترین الگوریتم هوش مصنوعی، بر اساس میزان و کیفیت داده های موجود است. در بسیاری از موارد، مدل‌های یادگیری ماشین (machine-learning (ML)) می‌توانند چندین مدل را برای یافتن انتخاب بهینه، با حداقل دخالت انسان، آزمایش و اعتبارسنجی کنند.

* نهایت استفاده از تکنیک های هموارسازی و تقویت داده ها. این تکنیک زمانی کار می کند که یک دوره در یک سری زمانی نماینده بقیه داده ها نباشد. به عنوان مثال، داده های فروش در طول همه گیری COVID-19 معمولاً روندهای غیرعادی و فصلی را نشان می دهد.

* آماده شدن برای عدم قطعیت های پیش بینی. ابزارهای پیچیده برنامه‌ریزی سناریو که به افراد اجازه می‌دهد طیف گسترده‌ای از پارامترها را وارد کنند، می‌توانند زمانی که مدل‌های پیش‌بینی به دقت رضایت‌بخشی دست نمی‌یابند یا زمانی که تنها حداقل داده‌های تاریخی در دسترس هستند، کمک کنند.

* ترکیب APIهای داده خارجی. این گزینه زمانی قابل اعمال است که منابع داده خارجی (به عنوان مثال، مربوط به آب و هوا یا ترافیک پیاده روی) برای اطلاع از مقادیر پیش بینی ضروری باشد.

انتخاب مدل مناسب هوش مصنوعی

اگرچه داشتن داده‌های تاریخی بیشتر به طور کلی باعث پیش‌بینی قوی‌تر می‌شود، یک مثال مرکز تماس نشان می‌دهد که پیش‌بینی می‌تواند حتی زمانی که اطلاعات تاریخی محدود است مؤثر باشد.

پیچیدگی پیش‌بینی در یک مرکز تماس می‌تواند دلهره‌آور باشد، زیرا مراکز تماس با انواع تعاملات با مشتری هایی که تمایل دارند به آنها رسیدگی کنند روبرو است. مرکز تماس یکی از شرکت‌های خدمات شهری 15 نوع تماس را شناسایی کرده است که بر اساس دلیل اصلی طبقه‌بندی شده‌اند - مانند پشتیبانی فنی یا پردازش پرداخت. در هر نوع تماس، مدیران سه معیار را ردیابی کردند: حجم کل تماس‌ها، میانگین زمان رسیدگی (average handle time (AHT)) برای تماس‌های ارسال شده به کارکنان داخلی، و یک معیار AHT «خارجی» جداگانه برای تماس‌هایی که توسط فروشندگان گرفته می‌شوند. این شرکت پیش بینی ها را در سه سطح ماهانه، روزانه و ساعتی جمع آوری کرد. ترکیب انواع تماس، معیارها و سطوح تجمیع نیازمند 135 پیش بینی مستقل بود.

همان طور که انتظار می رود، داده های تاریخی طولانی مدت برای همه انواع تماس ها یا معیارها در دسترس نیست. در چنین شرایطی، یک پیش‌بینی موفق، خروجی‌های معقولی را برای مواردی با حجم نمونه کم فراهم می‌کند، در حالی که دقت خروجی‌ها را برای مواردی با داده‌های تاریخی بلندمدت به حداکثر می‌رساند.

علاوه بر این، سایر عوامل می توانند روند پیش بینی را پیچیده تر کنند. به عنوان مثال، الگوهای فصلی ممکن است بسیار پیچیده باشد و به صورت هفتگی، ماهانه و سالانه متفاوت باشد. این الگوها همچنین ممکن است به تدریج در طول زمان، به دلیل ابتکارات تجاری مختلف، تغییر کنند. به طور مشابه، روندهای مشاهده شده ممکن است در طول زمان ناسازگار باشند و نقاط تغییر متعددی را به کلی نشان دهند. نمودارهای شکل زیر برخی از این پیچیدگی ها را نشان می دهند.

هوش مصنوعی می تواند برخی از الگوهای پیچیده ای را که در فرآیندهای عملیاتی ظاهر می شوند، مدیریت کند.

مرکز تماس مجموعه‌ای از مدل‌های پیش‌بینی با نقاط قوت مختلف را برای همه انواع تماس‌ها و معیارها به روشی خودکار اعمال کرد. الگوریتم، زمانی که داده‌ها تنها حجم نمونه کوچکی به دست می‌آورد مدل‌هایی ساده‌تر، و زمانی که حجم نمونه بزرگ‌تری در دسترس بود، مدل‌های پیچیده‌تر را انتخاب می کرد. مدل‌های ساده‌تر پارامترهای کوچک‌تری برای تنظیم دارند و بنابراین برای آموزش به حجم نمونه کوچک‌تری نیاز دارند. در مقابل، مدل‌های پیچیده معمولاً زمانی بهتر عمل می‌کنند که مقادیر زیادی داده در دسترس باشد، زیرا پارامترهای متعدد در این مدل‌ها برای آموزش نیاز به تکرارهای زیادی دارند.

آزمایش طیف وسیعی از مدل‌ها با سطوح پیچیدگی مختلف برای هر مجموعه داده، دقت پیش‌بینی را تقریباً 10 درصد برای حجم و حدود نیمی از آن برای میانگین زمان نگهداری بهبود می‌بخشد. به طور کلی، این رویکرد پیش‌بینی هزینه‌ها را حدود 10 تا 15 درصد کاهش می‌دهد، در حالی که سطوح خدمات را 5 تا 10 درصد بهبود می‌بخشد - به ویژه با فعال کردن زمان تراکنش سریع‌تر.

حداکثر استفاده از تکنیک های هموارسازی و تقویت داده ها

اغلب، داده‌های سری زمانی تحت تأثیر دوره‌های غیرعادی هستند که الگوهای روند کلی را مختل می‌کنند و یادگیری و پیش‌بینی صحیح هر مدل هوش مصنوعی را بسیار دشوار می‌سازند. صاف کردن، تکنیکی برای کاهش تغییرات قابل توجه بین مراحل زمانی است. نویز را حذف می کند و مجموعه داده های نماینده تری را برای مدل ها ایجاد می کند تا از آنها یاد بگیرند.

تأثیر هموارسازی، زمانی آشکارتر می شود که داده های سری زمانی تحت تأثیر یک رویداد خاص در گذشته قرار می گیرند که انتظار نمی رود در آینده به طور منظم تکرار شود. در مثال نشان داده شده در شکل زیر، هدف شرکت پیش بینی فروش در فروشگاه های خرده فروشی خود بود. اگرچه به نظر می رسید کاهش حجم فروش در ماه های آوریل و می یک رویداد یکباره بوده است، اما به طور قابل توجهی بر فرآیند یادگیری ماشین تأثیر گذاشت. دوره ناهنجار دارای الگوهای فصلی و روند کاملاً متفاوتی نسبت به بقیه سری‌های زمانی است. اما مدل های یادگیری ماشین به طور خودکار این دوره را غیرعادی تلقی نمی کنند. در عوض، آنها سعی خواهند کرد از آن در کنار بقیه سری های زمانی که الگوهای کلی را تعمیم می دهند، یاد بگیرند. در این مثال، دوره غیرعادی مدل را گیج کرد و نتوانست الگوهای فصلی ذاتی را آن طور که انتظار می‌رفت یاد بگیرد.

حل مشکلات موقت به یادگیری هوش مصنوعی کمک می کند.

شکل، خروجی پیش بینی شده را قبل و بعد از هموارسازی دوره هایلایت شده نشان می دهد. هموارسازی به مدل کمک کرد تا فصلی بودن هفتگی را بهتر یاد بگیرد و در نتیجه پیش‌بینی دقیق‌تری داشت.

آماده شدن برای عدم قطعیت های پیش بینی

تکیه بر پیش بینی های آماری به تنهایی ممکن است به بینش تجاری مورد نیاز دست پیدا نکند. این امر به ویژه برای پیش‌بینی بلندمدت صادق است، زیرا رویدادهای غیرمنتظره‌ای که بر روندها و فصلی بودن تأثیر می‌گذارند، یادگیری از الگوهای تاریخی را سخت‌تر می‌کنند. با توجه به عدم قطعیت ذاتی تحلیل پیش بینی در چنین مواردی، استفاده از سناریوهای what-if یا چه می شود-اگرارزشمند است.

سناریوهای چه می‌شود-اگر به‌ویژه زمانی مهم هستند که نمونه‌های داده خیلی کوچک هستند، که پیش‌بینی با اطمینان بالا را تقریبا غیرممکن می‌کنند. آنها همچنین برای رسیدگی به عدم قطعیت بالای پیش بینی در یک دوره زمانی در آینده دور مفید هستند.

یک شرکت از این روش هم برای برنامه ریزی بلندمدت نیروی کار و هم برای تعیین تعداد کار مورد نیاز در سال آینده استفاده کرد. نیروی کار در سراسر یک منطقه پراکنده بود و شامل بیش از 5000 تکنسین بود که در سایت ها کار می کردند. برای تخمین تعداد سران مورد نیاز، این شرکت یک مدل پیش بینی آماری طراحی کرد که از داده های تقاضای ماهانه سه ساله (مجموعاً 36 نقطه داده) برای پیش بینی 12 ماه آینده استفاده می کند.

این مدلِ پیش‌بینی به دنبال ثبت روندهای سال به سال و فصلی است. با این حال، این مدل امکان برنامه ریزی برای رویدادهای غیرمنتظره در آینده را فراهم نمی کند. برای رسیدگی به عدم قطعیت ها، متخصصان یک رابط کاربری را طراحی کردند که کاربران را قادر می سازد پارامترهای خاصی را تغییر داده و سناریوها را ایجاد کنند.

دو عامل در موفقیت این ابزار بسیار مهم است:

* پارامترهای حیاتی را که به طور بالقوه می توانند بر متغیرهای هدف تأثیر بگذارند، تعریف کنید. کسب و کارهایی که از این ابزار استفاده می کنند باید در طراحی پارامترهای حیاتی مشارکت داشته باشند. تعیین محدوده های معقول برای این پارامترها برای جلوگیری از ایجاد خروجی هایی که غیر واقعی هستند یا منجر به تصمیمات تجاری بد می شوند، مهم است. برای مثال، در ابزار برنامه‌ریزی تعداد سران دوربرد شرکت، ورودی حیاتی تقاضا، حجم کار مورد انتظار در سال آینده، همراه با تخمین‌هایی برای مدت زمان کار است. از نقطه نظر عرضه، ورودی های مهم مربوط به کمک هزینه اضافه کاری مورد انتظار است که از سیاست های شرکت و غیبت مورد انتظار ناشی شود. این ابزار کاربران را قادر می‌سازد تا ببینند که چگونه تغییر این پارامترها بر تعداد کل سر مورد نیاز تأثیر می‌گذارد، که بخشی از مبنای تصمیم‌گیری استخدام را تشکیل می‌دهد.

* یک رابط کاربری تعاملی طراحی کنید. اگرچه برخی از سناریوهای پایه را می توان از قبل طراحی کرد، ایجاد یک ابزار تعاملی برای کاربران بسیار مهم است. فعال کردن کاربران برای تعریف سناریوهای جدید روشی قدرتمند برای توضیح هرگونه روند پیش‌بینی نشده در پیش‌بینی است، مانند تأثیر کووید-19 بر الگوهای تقاضا: همپوشانی هوش انسانی و نظرات کارشناسان به رسیدگی به مسائلی کمک می‌کند که ممکن است در داده‌های تاریخی ایجاد نشوند.

ابزارهای سناریوی چه می شود-اگر به‌ویژه زمانی ارزشمند هستند که الگوهای تقاضا و عرضه بی‌ثبات هستند و چندین طرح تجاری جدید پشت سر هم به وجود می‌آیند. در چنین مواردی، مدل‌های پیش‌بینی مبتنی بر هوش مصنوعی که به شدت به داده‌های تاریخی وابسته هستند، کوتاهی می‌کنند. اما ابزارهای سناریو چه می‌شود-اگر نشان داده است که نرخ تحویل پروژه‌های سرمایه‌ای را 10 تا 15 درصد بهبود می‌بخشد، در حالی که اعمال یک فرآیند برنامه‌ریزی سناریویی منسجم و شفاف در میان واحدهای تجاری و تیم‌های مختلف، انعطاف‌پذیری نیروی کار را تا حدود 20 درصد افزایش داده است.

ترکیب APIهای داده خارجی

داده های خارجی می توانند منابع و محتواهای مختلفی را پوشش دهند، از جمله فعالیت های رسانه های اجتماعی، محتوای وب، تراکنش های مالی، پیش بینی آب و هوا، داده های مکان دستگاه تلفن همراه و تصاویر ماهواره ای. ترکیب این مجموعه داده ها می تواند دقت پیش بینی را به طور قابل توجهی بهبود بخشد، به ویژه در محیط های کم داده. این منابع یک گزینه عالی برای ورودی های مورد نیاز برای مدل های مبتنی بر هوش مصنوعی ارائه می کنند و خروجی های معقولی ایجاد می کنند. انتظار می‌رود بازار داده‌های خارجی دارای CAGR یک 58 درصدی باشد که نشان‌دهنده محبوبیت فزاینده این منابع داده و گسترش قابل‌توجه در انواع داده‌های خارجی موجود است.

ارائه دهندگان داده های خارجی اغلب خدمات خود را از طریق API ها ارائه می دهند که دسترسی کاربران به داده ها و ادغام داده ها در فرآیندهای فعلی خود را راحت می کند. در مثال ابزار ما، از آن جایی که داده های آب و هوا تأثیر مهمی بر پیش بینی تقاضا برای تعمیر و نگهداری تجهیزات و زیرساخت دارد، شرکت از یک API آب و هوا برای پیش بینی تقاضا برای کار تعمیر و نگهداری مورد نیاز در مکان های خاص استفاده کرد.

شکل زیر خروجی های پیش بینی شده برای کار تعمیر و نگهداری در یک منطقه را با و بدون داده های آب و هوا نشان می دهد. نمودار نشان می دهد که تعداد بلیط های تعمیر و نگهداری در ماه فوریه افزایش می یابد. با این حال، این در پیش‌بینی اولیه (که شامل داده‌های آب‌وهوا نمی‌شود) منعکس نمی‌شود، زیرا دوره مشابه سال گذشته ناهنجاری مشابهی را تجربه نکرد که مدل بتواند از آن بیاموزد. ارائه مدل با اطلاعات آب و هوا به آن اجازه می دهد تا یاد بگیرد که درجه حرارت و رطوبت خاص با سطوح بالاتر تعمیر و نگهداری مرتبط است. این مدل از این بینش برای پیش‌بینی موفقیت‌آمیز سطح بالاتر تعمیر و نگهداری برای فوریه استفاده می‌کند.

ترکیب داده های آب و هوا به پیش بینی تقاضای تعمیر و نگهداری کمک می کند.

به نظر می رسد نیاز به پیش بینی دقیق در عملیات در این جا باقی بماند. پس از اعمال پیش‌بینی مبتنی بر هوش مصنوعی در بسیاری از صنایع با چشم‌انداز داده‌های مختلف، شرکت‌ها شاهد بهبود عملکرد فوق‌العاده‌ای در مدل‌های خود نسبت به پیش‌بینی سنتی و مبتنی بر صفحه‌گسترده بوده‌اند. با استفاده از تکنیک‌های هوش مصنوعی که برای محیط‌های کم داده مناسب هستند، شرکت‌ها می‌توانند عملیات خود را به میزان قابل توجهی بهبود بخشند.

منبع: خورخه آمار، سهراب رحیمی، زاخاری سوراک، نیکولای فون بیسمارک، mckinsey