نکات کلیدی:

• متدهای سنتی پیش‌بینی (Moving Average، Exponential Smoothing، ARIMA) تنها از تاریخچه فروش استفاده می‌کنند و سیگنال‌های پیشرو (Leading Indicators) مثل سفارشات ماشین‌آلات، شاخص‌های ساخت‌وساز، نرخ ارز، و قیمت‌های جهانی فولاد را نادیده می‌گیرند.
• مدل‌های هوش مصنوعی (Gradient Boosting، LSTM، Temporal Fusion Transformers) قادرند centaineها متغیر — از تاریخچه فروش و تقویم تولید تا قیمت CRC جهانی، تعرفه‌ها، و نرخ بهره — را همزمان پردازش کرده، پیش‌بینی ۱۲ تا ۲۴ ماهه با خطای MAPE < ۸٪ تولید کنند.
• کاهش ۲۰ تا ۳۰٪ موجودی انبار (م particulier موجودی‌های کند‌چرخ/Dead Stock)، آزادسازی ۱۵ تا ۲۵٪ سرمایه در گردش، و ارتقای سطح خدمات (Service Level) از ۹۰٪ به ۹۸٪+، بازگشت سرمایه را در ۴ تا ۶ ماه ممکن می‌سازد.
• مدل پیش‌بینی باید با محدودیت‌های واقعی یکپارچه شود: ظرفیت فرآیند (Melting، Rolling)، تقویم نگهداری،リードتایم تأمین‌کننده، و محدودیت‌های مالی/انبارداری.
• موفقیت در ایران نیازمند: یکپارچگی با ERP (موجودی واقعی، سفارشات باز، تقویم تولید)، داده‌های خارجی قابل اعتماد (قیمت‌های LME/CRC، شاخص PMI، آمار صنعت)، و مالکیت پروژه در دستان مدیر زنجیره تأمین/مالی.

مدیر انبار یک کارخانه فولاد در اصفهان، اهواز، یا سمنان، هر هفته با دو کابوس روبرو است: یک سو، انبارها پر از رول‌های هاردوکر، بیلت‌های کندچرخ، و پروفیل‌های سفارشی مشتریانی که سفارششان لغو شده — سرمایهзованده ۳۰ تا ۴۰ درصد سرمایه در حال کار. سو دیگر، قطع ناگهانی بیلت در خط رولینگ داغ، یا عدم llegada شیت گالوانیزه برای خط اتوموترو، که خط تولید را به مدت روزها متوقف می‌کند. پیش‌بینی سنتی بر پایه «میانگین متحرک ۳ ماهه» یا «گمانه‌زنی مدیر فروش»، نه سیگنال‌های بازار جهانی را می‌بیند، نه محدودیت‌های تولید داخلی. نتیجه: هم موجودی بیش از حد، هم قطع مواد اولیه — دو طرفه‌ی یک سکه‌ی خسارت.

بر اساس تحقیقات LNS Research و گزارش‌های Automation World، شرکت‌هایی که از پیش‌بینی تقاضا مبتنی بر یادگیری ماشین (ML-based Demand Forecasting) استفاده کرده‌اند، موجودی را ۲۰ تا ۳۰٪ کاهش داده، سطح خدمات را به بالای ۹۸٪ رسانده، و دقت پیش‌بینی (MAPE) را از ۲۰–۳۰٪ (متدهای سنتی) به زیر ۸–۱۰٪ رسانده‌اند. در ایران، با نوسان شدید قیمت فولاد (تأثیر قیمت CRC چین، ترکیه، و Україنه، نوسان ارز، و سیاست‌های تعرفه)، و عدم قطعیت در تقاضای داخلی (پروژه‌های إنفrastruktur، صنعت خودرو، و صادرات)، ارزش پیش‌بینی هوشمند چند برابر است — چون قیمت خطا (موجودی بی‌دردوخوش یا قطع تولید) در ایران بسیار بالاست.

معماری پیش‌بینی تقاضا مبتنی بر هوش مصنوعی

یک سیستم پیش‌بینی تقاضا هوشمند برای زنجیره تأمین فولاد شامل چهار ماژول اصلی است:

• ماژول ingestion داده (Data Ingestion Layer): جمع‌آوری خودکار از منابع داخلی (ERP: تاریخچه سفارشات، موجودی واقعی، سفارشات باز، تقویم تولید، مبدل BOM) و منابع خارجی (قیمت LME/CRC/HR/HDG روزانه، شاخص PMI ساخت‌وساز ایران/چین/ترکیه، نرخ ارز 공식ی/نیما، تعرفه گمرکی، آمار صادرات/واردات، تقویم تعطیلات، و داده‌های آب و هوایی برای پیش‌بینی تقاضای فصلی). اتصال از طریق API، SFTP، یا ETL روزانه.
• ماژول مهندسی ویژگی (Feature Engineering Layer): ساخت متغیرهای پیشرفته: لاغ (Lag)‌های فروش ۱ تا ۱۲ ماهه، میانگین متحرک وزنی، روند (Trend)، فصلیه (Seasonality)، اختلاف قیمت (Price Spread) داخلی/خارجی، شاخص‌های اقتصادی (PMI، GDP، نرخ بهره)، تقویم (نوروز، تعطیلات، ماه رمضان)، و ویژگی‌های تولید (برنامه ریخته، ظرفیت آزاد، نگهداری برنامه‌ریزی).
• ماژول مدل‌سازی (Modeling Layer): انسمبل مدل‌ها: XGBoost/LightGBM برای دقت و سرعت، LSTM/GRU برای الگوهای سری‌زمانی پیچیده، Temporal Fusion Transformer (TFT) برای تفسیرپذیری و مدیریت ناامنی. آموزش روی ۳ تا ۵ سال داده، اعتبارسنجی Walk-Forward (Rolling Origin). معیار: MAPE، WMAPE، Bias (برای جلوگیری از پیش‌بینی سیستماتیک بالا/پایین).
• ماژول بهینه‌سازی انبار (Inventory Optimization Layer): تبدیل پیش‌بینی تقاضا به سیاست انبار: Safety Stock بهینه (با در نظر گرفتن انحراف معیار پیش‌بینی، Lead Time variability، و سطح خدمات هدف)، Reorder Point بهینه، و 정책 (s, S) یا (R, Q) برای هر SKU. یکپارچگی با ERP برای ایجاد خودکار سفارش خرید (PR/PO) و برنامه‌ریزی تولید (MPS/MRP).

مثال عملی: کارخانه پروفیل‌سازی فولاد در تهرانپارس

یک کارخانه تولید پروفیل‌های فولادی ساختمانی و صنعتی (تولید ۵۰ هزار تن در سال، ۲۰۰ SKU فعال) با چالش‌های زیر مواجه بود: موجودی انبار ۸ ماهه (ارزش ۱۲۰ میلیارد تومان)، ۳۵٪ موجودی مربوط به ۱۵٪ SKUهای کندچرخ (Dead Stock > ۱۲ ماه)، و ۷ مورد قطع مواد اولیه در سال اخیر باعث توقف خط اکسترژن/رولینگ به مدت کل ۲۸ روز.

پیاده‌سازی در ۵ ماه:

1. ماه ۱: داده و KPI. استخراج ۳ سال تاریخچه سفارشات، موجودی، و تولید از ERP (SAP/هydent). اتصال API به قیمت‌های روزانه CRC/HR (SteelOrbis، SteelMint)، شاخص PMI ایران/چین، نرخ ارز نیما، و تقویم تعطیلات. KPI: MAPE پیش‌بینی، موجودی متوسط، سطح خدمات، تعداد Stockout.
2. ماه ۲: مهندسی ویژگی و مدل‌سازی. ساخت ۸۰ ویژگی: لاغ‌های فروش، روند قیمت CRC، انتشار قیمتorium، PMI ایران/چین، نرخ ارز، تقویم (نوروز، محرم، تابستان)، ظرفیت آزاد خط رولینگ، تقویم نگهداری. آموزش مدل XGBoost (برای دقت/سرعت) و LSTM (برای الگوهای طولانی‌مدت). انسمبل با وزن بهینه.
3. ماه ۳: اعتبارسنجی وShadow Mode. Walk-Forward Validation روی ۲۴ ماه اخیر: MAPE ۶.۸٪ (برابر ۲۲٪ مدل ARIMA سنتی). Bias نزدیک صفر. اجرای حالت سایه ۴ هفته: پیش‌بینی روزانه تولید شده، با پیش‌بینی سنتی و واقعیت مقایسه شد. پیش‌بینی AI در ۸۵٪ موارد دقیق‌تر بود.
4. ماه ۴: بهینه‌سازی انبار و یکپارچگی ERP. محاسبه Safety Stock بهینه برای هر SKU بر اساس انحراف پیش‌بینی و Lead Time متغیر. سیاست (s, S) در ERP (MS Dynamics/هydent) پیاده‌سازی شد. ایجاد خودکار PR برای مواد أولیه (بیلت، اسکرپ، آلیاژ) و سفارش تولید (Planned Order) برای SKUهای تمام‌شده. داشبورد مدیر انبار: پیش‌بینی ۱۲ ماهه، điểm سفارش پیشنهادی، هشدار موجودی کم/زیاد.
5. ماه ۵: نتایج و گسترش. موجودی متوسط از ۸ ماه به ۵.۵ ماه کاهش یافت (۳۱٪ کاهش، آزادسازی ۳۷ میلیارد تومان سرمایه). Dead Stock (بدون حرکات ۱۲ ماه) از ۳۵٪ به ۱۲٪ کاهش یافت. سطح خدمات از ۹۱٪ به ۹۸.۵٪ ارتقا یافت. Stockout‌ها از ۷ مورد در سال به صفر رسید. ROI در ماه ۴.

مثال عملی: کارخانه قطعه‌سازی اتوموترو در هریس

یک کارخانه استمپینگ و جوش بدنه (Tier 1، تأمین‌کننده ایران‌خودرو و سایپا) با ۳۰۰ SKU مواد اولیه (شیت‌های CR، HR، گالوانیزه، ألومینیوم) و تقاضا وابسته به برنامه تولید OEM (برنامه هفتگی با انحراف ۲۰٪) مواجه بود. پیش‌بینی بر اساس «برنامه OEM» همیشه بی‌سروته بود چون OEM برنامه را در لحظه آخر تغییر می‌داد. مدل AI با ویژگی‌های: تاریخچه واقعی تحویل OEM، نرخ انحراف برنامه، موجودی OEM (از طریق EDI)، و سیگنال‌های کلیدی (تعداد Vorkهای فعال خط مونتاژ OEM) پیش‌بینی کرد. نتیجه: کاهش موجودی شیت از ۶ هفته به ۳.۵ هفته، حذف ۱۰۰٪ قطع مواد اولیه، و تطبیق ۹۹٪ با تحویل واقعی OEM.

چالش‌های ایران و راهکارها

نقشه راه عملی: از صفر تا پیش‌بینی هوشمند در ۱۲۰ روز

فاز ۱: ماه ۱ — ارزیابی، داده، و KPI

• شناسایی SKUهای پرارزش (ABC Analysis: A=۸۰٪ ارزش، B=۱۵٪، C=۵٪). تمرکز اول روی A و B.
• بررسی موجودیت داده: تاریخچه سفارشات (حداقل ۲۴ ماه)، موجودی روزانه، Lead Time واقعی تأمین‌کنندگان، تقویم تولید.
• تعیین KPI: MAPE پیش‌بینی، موجودی متوسط (ماه)، سطح خدمات (OTIF)، سرمایه آزادشده، تعداد Stockout.
• انتخاب ابزار: Python (scikit-learn، LightGBM، Prophet، PyTorch Forecasting) یا پلتفرم‌های Low-Code (DataRobot، Dataiku، Azure AutoML، راهکارهای بومی).

فاز ۲: ماه ۲ — اتصال داده، مهندسی ویژگی، مدل‌سازی

• استخراج داده‌های ERP (سفارشات، موجودی، تقویم تولید، BOM). اتصال API منابع خارجی (قیمت فولاد، ارز، PMI، تقویم).
• مهندسی ویژگی: لاغ‌ها، روند، فصلیه، قیمت‌ها، شاخص‌های اقتصادی، تقویم، ویژگی‌های تولید.
• آموزش مدل‌ها: LightGBM (Baseline)، LSTM (سری‌زمانی)، TFT (تفسیرپذیر). مقایسه MAPE، Bias، و ثبات در Walk-Forward.
• انسمبل مدل‌ها با بهینه‌سازی وزن (Optuna برای هايپرپارامترها).

فاز ۳: ماه ۳ — اعتبارسنجی، Shadow Mode، یکپارچگی

• Walk-Forward Validation روی ۲۴ ماه اخیر. هدف: MAPE < ۱۰٪ برای SKUهای A، < ۱۵٪ برای B.
• اجرای حالت سایه ۴ هفته: پیش‌بینی روزانه AI در داشبورد، مقایسه با پیش‌بینی سنتی و واقعیت.
• محاسبه Safety Stock بهینه، Reorder Point، و سیاست (s, S) برای هر SKU.
• یکپارچگی با ERP: ایجاد خودکار PR/PO، Planned Order، و داشبورد مدیر انبار.

فاز ۴: ماه ۴ — فعال‌سازی، پایش، و گسترش

• فعال‌سازی کامل: ایجاد خودکار سفارش خرید/تولید بر اساس پیش‌بینی AI.
• پایش هفتگی: MAPE 롤ینگ ۴ هفته، Bias، سطح خدمات، موجودی، Stockout.
• بازآموزی ماهانه مدل با داده‌های جدید (Auto-retraining).
• گسترش به SKUهای C، مواد اولیه (بیلت، اسکرپ، آلیاژ)، و یکپارچگی با برنامه‌ریزی تولید (MPS/MRP).

جمع‌بندی: تصمیم این هفته

پیش‌بینی تقاضا با هوش مصنوعی دیگر لزوم‌لغو نیست؛ برای هر کارخانه‌ای که سرمایه قابل‌توجهی در انبار می‌بندد یا ریسک قطع مواد اولیه دارد، الزامی است. در ایران، با نوسان قیمت فولاد، نوسان ارز، و عدم قطعیت تقاضا، پیش‌بینی سنتی معیوب است و گران می‌پردازد. مدل‌های یادگیری ماشین، با ترکیب سیگنال‌های داخلی و خارجی، پیش‌بینی قابل‌اعتمادی می‌دهند که مستقیماً به کاهش موجودی، افزایش سطح خدمات، و آزادسازی نقدینگی منجر می‌شود.

این هفته، با مدیر انبار و مدیر زنجیره تأمین بنشینید و بپرسید:

1. «چه درصد موجودی‌مان مربوط به SKUهایی است که ۱۲ ماه حرکتی ندارند؟»
2. «چند بار در سال گذشته مواد اولیه قطع شده و خط متوقف شده؟»
3. «اگر پیش‌بینی تقاضا ۱۰٪ دقیق‌تر شود، چقدر سرمایه آزاد می‌شود؟»

اگر جواب‌ها هزینه‌زا است، پروژه پیش‌بینی AI را این هفته آغاز کنید: داده‌های ERP را استخراج کنید، قیمت‌های CRC/LME را به عنوان سیگنال خارجی اضافه کنید، و یک پایلوت با ۵۰ SKU پرارزش را در ۶۰ روز پیاده‌سازی کنید. سرمایه آزادشده در ماه ۴، هزینه پروژه را چند برابر پوشش می‌دهد.