למה מודדים אנשי מכירות כל חודש, אבל אף אחד לא מודד את התחזית?

רוב החברות מתנהלות לפי תחזיות, וכמעט אף אחת לא בודקת אותן מול מה שקרה בפועל. יעדי מכירות נבחנים כל חודש; תחזית המכירות שקבעה את עיתוד המלאי, את הגיוסים ואת תכנון המזומן מוחלפת בשקט בתחזית של החודש הבא, בלי שאיש בדק את השגיאה. להצלחות התחזית שפורסמו בעולם יש מכנה משותף אחד לא זוהר: מישהו מדד את השגיאה, בקצב קבוע, ונתן למספר להיות לא מחמיא עד שהשתפר. הדוגמאות כאן הן ראיות מהתעשייה, עם סימון מקור לכל נתון. הן אינן עבודה שלנו; בחלק האחרון נתאר, בלי אף מספר מומצא, איך הפרקטיקה הזו נראית כשאנחנו מפעילים אותה.

איך נראה שיפור תחזית שנמדד באמת?#

לפי סיפור לקוח של AWS עם הלקוח בשמו המלא, רשת המזון ההודית More Retail חיברה תחזית ביקושים מבוססת ML ישירות להזמנות אוטומטיות לסניפים, ומדדה את התוצאות: דיוק התחזית עלה מ-24% ל-76%, פחת הטריים ירד בכ-30%, הזמינות במדף עלתה מ-80% ל-90%, והרווח הגולמי השתפר בכ-25%.

מעבר לכותרת, שני דברים ראויים לתשומת לב. ראשית, הם ידעו שנקודת הפתיחה שלהם היא 24% דיוק. רוב הארגונים לא יודעים לנקוב במספר שלהם בכלל, ולכן לא יכולים לדעת אם משהו השתפר. שנית, התחזית הזינה החלטה, הזמנה אוטומטית, ולכן כל שגיאה הופיעה כעלות מוחשית ולא כשקף. מדידה ועד לצידה תוצאה עסקית: זה כל המנגנון.

האם מדידה מסודרת מתקנת עודף-תחזית כרוני?#

עודף-תחזית הוא כשל מנומס: המדפים מלאים, אף מכירה לא מתפספסת, והעלות מסתתרת בהון החוזר ובמלאי מת. לפי סיפור הלקוח של Zebra עם Walgreens כלקוח בשמו המלא, על פני יותר מ-20,000 פריטים לסניף, תחזית ביקושים מבוססת AI הפחיתה את שגיאת התחזית ב-15 נקודות אחוז וצמצמה עודף-תחזית מ-15% ל-1%, תוך שמירה על 98% זמינות במדף גם בקפיצות ביקוש.

החלק המאלף הוא בחירת המדד. הם לא מדדו רק ‘דיוק’ אלא את כיוון השגיאות. לעודף-תחזית ולחסר-תחזית עלויות שונות בתכלית, ורק ארגון שמודד את תחזיותיו מגלה באיזה צד הוא מדמם באופן קבוע.

למה תחזית הסתברותית משנה את השיחה?#

העוגן המחקרי כאן הוא DeepAR, שיטת תחזית הסתברותית שפרסמו חוקרי אמזון (מאמר מדעי שהפך למוצר ב-AWS), עם שיפור דיוק של כ-15% לעומת השיטות המובילות שקדמו לה. אבל התרומה העמוקה שלה רעיונית: DeepAR מחזירה התפלגות, לא מספר בודד. התחזית אומרת “הכי סביר 1,000 יחידות, עם 90% סיכוי להיות בין 700 ל-1,400”.

הניסוח הזה הופך מדידה כנה לטבעית. תחזית נקודתית מזמינה את השאלה “צדקה או לא?”, והיא אף פעם לא מדויקת בדיוק, והשיחה מתה. תחזית הסתברותית מזמינה שאלה שאפשר לבדוק: “האם המציאות נפלה בתוך הטווח בתדירות שהובטחה?”. והיא מתחברת ישירות להחלטות אמת: מלאי ביטחון הוא בדיוק הימור על הקצה העליון של ההתפלגות, ואי אפשר לתמחר אותו ממספר בודד.

איך נראית פרקטיקת מדידה, חודש אחרי חודש?#

הנה הפרקטיקה עצמה, מהעבודה שלנו, בלי אף מספר תוצאה מומצא. במשך שלוש שנים ליווינו בשירות מדעי-נתונים יצרן תעשייתי הפועל בשוק האמריקאי. מדי חודש נכנסו תחזיות חדשות לישיבת התכנון של ההנהלה, ולא פחות חשוב: תחזיות המחזור הקודם נבדקו מול נתוני אמת. הציונים נשמרו ביומן שנתי מתמשך שעקב אחרי השגיאה באופק של 3 חודשים ושל 12 חודשים. התחזיות לא רק ניתנו, הן נמדדו.

לא נקשט את זה באחוז, כי הסיכום הכן אינו מספר: היומן התקיים, ההנהלה ראתה אותו כל חודש במשך שלוש שנים, והתחזיות נשארו תשומה לתכנון האסטרטגי לכל אורך התקופה. שירות תחזיות ששורד שלושים ושש מדידות רצופות מול המציאות הוא נדיר. ההישרדות הזו היא התעודה.

מה לוקחים מכל זה?#

• אי אפשר לשפר תחזית שלא נמדדת: המסע של More Retail התחיל מהידיעה שהמספר הוא 24% (סיפור לקוח של ספק, לקוח בשמו המלא).
• מדדו את כיוון השגיאה, לא רק את גודלה: עודף-התחזית של Walgreens ירד מ-15% ל-1% (סיפור לקוח של ספק).
• העדיפו טווחים על נקודות: שיטות הסתברותיות כמו DeepAR (מאמר מדעי) הופכות תחזית להבטחה שניתן לבדוק.
• שימו את המדידה מול מקבלי ההחלטות בקצב קבוע; יומן שאיש אינו רואה לא משנה דבר.
• שפטו ספקי תחזיות לפי נכונותם להציג את היסטוריית השגיאות שלהם. מי שמראה רק הצלחות, לא מודד.

ומה זה אומר לחברה ישראלית בינונית?#

כמעט בטוח שאתם כבר חוזים, באקסל, בפריוריטי או בראש של מישהו, וכמעט בטוח שאינכם מודדים. החדשות הטובות: הצעד הראשון כמעט לא עולה כסף. קחו את התחזיות שנתתם בשנה האחרונה, הניחו אותן מול נתוני האמת, וחשבו את השגיאה לפי חודש ולפי משפחת מוצר. בלי שום מודל. הטבלה האחת הזו מציפה היכן הכסף דולף: טעות רכש כרונית בקווים מסוימים, חוסרים באחרים, ולרוב שניים-שלושה מוצרים שאחראים לרוב הנזק.

רק אז נכנס AI לתמונה, כי עכשיו יש לו בסיס להשוואה ויומן שישפוט אותו. הסדר הזה, קודם מדידה ואחר כך מודלים, הוא ההבדל בין המקרים שלמעלה לבין פרויקטי התחזית הרבים בהרבה שנעלמים בשקט.

אם תרצו עזרה בבניית יומן השגיאות הראשון הזה מהנתונים שלכם, עוד לפני כל התחייבות למידול, זו שיחה שאנחנו באמת נהנים לנהל.