DOI: https://doi.org/10.3390/forecast6030028
تاريخ النشر: 2024-07-05
المؤلف: Hamid Ahaggach وآخرون
الموضوع الرئيسي: تقنيات التنبؤ وتطبيقاتها
نظرة عامة
تقدم هذه الورقة البحثية مراجعة شاملة لأساليب توقع المبيعات من 2013 إلى 2023، مع التركيز على التطور والاعتماد المتزايد على التقنيات المتقدمة، وخاصة التعلم الآلي والتعلم العميق. من خلال تحليل 516 مقالة، تصنف الدراسة طرق التوقع إلى أساليب نوعية تقليدية، طرق إحصائية تقليدية، نماذج التعلم الآلي، تقنيات التعلم العميق، وطرق هجينة. تشير النتائج إلى تحول كبير نحو الأساليب التحليلية المتطورة، حيث ارتفع عدد المقالات حول التعلم الآلي والتعلم العميق من 10 في 2013 إلى أكثر من 110 في 2023، مما يعكس فعاليتها في إدارة بيانات السلاسل الزمنية المعقدة.
تسلط المراجعة الضوء على التحديات الرئيسية في توقع المبيعات، بما في ذلك جودة البيانات، التعقيد، والطبيعة الديناميكية لبيئات السوق. وتؤكد على أهمية دمج تحليلات البيانات الكبيرة لتعزيز دقة التوقعات وتوفير رؤى أعمق حول ديناميات السوق وسلوك المستهلك. تقترح الورقة اتجاهات البحث المستقبلية، خاصة في صناعة السيارات، مع التركيز على دمج البيانات متعددة الأنماط، وطرق النمذجة الهجينة، ودمج العوامل السياقية لتحسين دقة التوقعات. بالإضافة إلى ذلك، تؤكد على الحاجة إلى القابلية للتفسير والشرح في نماذج التوقع لتعزيز الثقة وتسهيل اتخاذ القرارات المستنيرة.
مقدمة
تؤكد مقدمة هذه الورقة البحثية على الدور الحاسم لتوقع المبيعات في التخطيط الاستراتيجي داخل الصناعات الحديثة، مع تسليط الضوء على تطورها من أساليب بدائية تعتمد على الحدس إلى أساليب متطورة تعتمد على البيانات. في البداية، كان توقع المبيعات يعتمد بشكل كبير على الحكم الشخصي والتوقعات البسيطة للأداء السابق، وهو ما أثبت عدم كفايته مع تعقد الأسواق. كانت الانتقال إلى الأساليب الحدسية والنماذج الإحصائية الأساسية علامة على بداية نهج أكثر تنظيماً، ومع ذلك، فإن الحاجة إلى دقة محسنة دفعت إلى التحول نحو المنهجيات المتقدمة، بما في ذلك تقنيات التعلم الآلي.
تهدف هذه الدراسة إلى مراجعة الأدبيات الموجودة حول توقع المبيعات بشكل منهجي وتجميعها، مع معالجة الفجوات الكبيرة في الفهم والتطبيق عبر ظروف السوق المختلفة. من خلال تحليل 1,007 ورقة منشورة من يناير 2013 إلى مارس 2024، تسعى البحث إلى بناء تصنيف شامل للتقنيات المستخدمة في توقع المبيعات، وتحديد الاتجاهات، واقتراح اتجاهات البحث المستقبلية. باستخدام طريقة دراسة الخرائط المنهجية (SMS)، تهدف الورقة إلى سد الفجوة بين البحث النظري والتطبيق العملي، وتوفير رؤى قابلة للتنفيذ لكل من الأكاديميين والممارسين. ستفصل الأقسام التالية منهجية البحث، وتقدم النتائج حول أساليب التوقع الحالية، وتحدد السبل المستقبلية للاستكشاف في هذا المجال.
طرق
تحدد قسم الطرق في توقع المبيعات مجموعة متنوعة من الأساليب والتقنيات المصممة لمعالجة تعقيدات توقع المبيعات المستقبلية. يعتبر توقع المبيعات في الأساس مشكلة سلاسل زمنية، حيث يتم توقع المبيعات المستقبلية، الممثلة بـ \( y_{t+1} \)، بناءً على بيانات المبيعات التاريخية على مدى نافذة زمنية محددة \([t_{\text{window}}, t]\). يتم استخدام نماذج إحصائية متنوعة وتقنيات التعلم الآلي لتحديد الأنماط والاتجاهات ضمن البيانات التاريخية، والتي تعتبر حاسمة لتوليد توقعات دقيقة. نظرًا للضوضاء الفطرية وعدم الاستقرار في بيانات المبيعات، يجب أن تتكيف نماذج التوقع الفعالة مع الاتجاهات والدورات المتطورة. لقد سهل ظهور البيانات الكبيرة والقدرات الحاسوبية المتقدمة تطوير نماذج متطورة، بما في ذلك التعلم العميق والطرق الهجينة التي تدمج بين منهجيات متعددة لتعزيز دقة التوقعات.
بالإضافة إلى ذلك، تلعب الأساليب النوعية دورًا كبيرًا في توقع المبيعات، خاصة في السياقات التي تكون فيها البيانات التاريخية نادرة أو غير ذات صلة، مثل إطلاق المنتجات الجديدة أو اضطرابات السوق. تعتمد هذه الأساليب على حكم الخبراء وذكاء السوق بدلاً من البيانات الكمية. تسلط الدراسات المقارنة، مثل تلك التي أجراها بيان وآخرون (2022) وشيمان (2023)، الضوء على فعالية الأساليب النوعية جنبًا إلى جنب مع تقنيات التعلم الآلي. يعتمد اختيار أساليب التوقع على خصائص بيانات المبيعات، والدقة المطلوبة، والموارد الحاسوبية المتاحة، مع ميل نحو الأساليب الهجينة أو التجميعية للاستفادة من نقاط القوة في الأساليب المختلفة.
نتائج
تنظم نتائج دراسة الخرائط المنهجية (SMS) حول توقع المبيعات وفقًا لأسئلة البحث المحددة (RQs) المطروحة في الدراسة. يتم تناول كل سؤال بحثي مع النتائج المقابلة التي تسلط الضوء على الرؤى الرئيسية والاتجاهات التي تم تحديدها من خلال التحليل. تشمل المناقشة منهجيات وأدوات وأطر عمل متنوعة مستخدمة في توقع المبيعات، مما يوفر نظرة شاملة على الحالة الحالية للبحث في هذا المجال.
بالإضافة إلى ذلك، تكشف النتائج عن أنماط وفجوات كبيرة في الأدبيات، مما يشير إلى مجالات للاستكشاف المستقبلي والتحسينات المحتملة في ممارسات توقع المبيعات. تؤكد النتائج على أهمية دمج التقنيات التحليلية المتقدمة والأساليب المعتمدة على البيانات لتعزيز دقة وفعالية التوقعات.
مناقشة
تهدف مراجعة الخرائط المنهجية التي أجريت على أدبيات توقع المبيعات إلى تقديم نظرة شاملة على تطور هذا المجال ومنهجياته. باستخدام نهج دراسة الخرائط المنهجية (SMS)، شمل البحث عملية متعددة الخطوات تضمنت فحص الأوراق ذات الصلة، وتحديد الكلمات الرئيسية في الملخصات، واستخراج البيانات ذات الصلة لتحديد الاتجاهات والفجوات في البحث الحالي. حددت الدراسة عشرة أسئلة بحثية (RQs) لتوجيه التحقيق، مع التركيز على جوانب مثل العدد السنوي للدراسات، أماكن النشر، المصطلحات، مجموعات البيانات، مقاييس الأداء، القيود، الأساليب، والاختلافات الخاصة بالصناعة في نماذج توقع المبيعات. في النهاية، حددت المراجعة 516 مقالة ذات صلة نشرت من 2013 إلى 2023، مما يكشف عن زيادة كبيرة في النشاط البحثي، خاصة بعد عام 2016.
تشير النتائج إلى أن أبحاث توقع المبيعات تُوزع عبر مجموعة متنوعة من الأماكن متعددة التخصصات، مع كون المجلة الدولية للتوقعات هي منفذ بارز. يبرز تحليل الكلمات الرئيسية من عناوين المنشورات والملخصات تركيزًا قويًا على النمذجة التنبؤية، التعلم الآلي، وتحليل السلاسل الزمنية، مما يعكس تعقيد هذا المجال وتطبيقاته العملية عبر الصناعات. بالإضافة إلى ذلك، قامت المراجعة بتصنيف مجموعات البيانات المستخدمة في توقع المبيعات إلى أنواع عامة، خاصة، وهجينة، مما يبرز تنوع مصادر البيانات وأهمية بيانات السلاسل الزمنية. تم تحديد مقاييس الأداء مثل متوسط الخطأ المطلق (MAE) وجذر متوسط مربع الخطأ (RMSE) كأكثر شيوعًا في تقييم نماذج التوقع، مما يبرز الحاجة إلى أساليب تقييم قوية مصممة لمهام التوقع المحددة. بشكل عام، توفر هذه المراجعة المنهجية أساسًا لمبادرات البحث المستقبلية في توقع المبيعات من خلال توضيح الاتجاهات الرئيسية، والمنهجيات، والمجالات لمزيد من الاستكشاف.
القيود
تحدد قسم القيود في توقع المبيعات عدة تحديات حاسمة تؤثر على تطوير وتنفيذ نماذج التوقع. أولاً، تعتبر قيود البيانات مصدر قلق كبير، حيث تعتمد العديد من الدراسات على مجموعات بيانات قد تكون محدودة في النطاق، الجودة، أو التوافر. يمكن أن تعيق هذه الاعتماد على مناطق أو صناعات أو منصات معينة عمومية النتائج في سياقات أوسع، كما هو موضح في الدراسات المشار إليها في النص.
بالإضافة إلى ذلك، تؤكد القيود على ضرورة وجود بيانات متنوعة وعالية الجودة لتعزيز قوة نماذج التوقع. دون معالجة هذه التحديات المتعلقة بالبيانات، قد تتعرض فعالية وقابلية تطبيق حلول توقع المبيعات للخطر بشكل كبير، مما يؤثر على فائدتها في السيناريوهات الواقعية.
DOI: https://doi.org/10.3390/forecast6030028
Publication Date: 2024-07-05
Author(s): Hamid Ahaggach et al.
Primary Topic: Forecasting Techniques and Applications
Overview
This research paper provides a comprehensive review of sales forecasting methodologies from 2013 to 2023, emphasizing the evolution and increasing adoption of advanced techniques, particularly machine learning and deep learning. Analyzing 516 articles, the study categorizes forecasting methods into classical qualitative approaches, traditional statistical methods, machine learning models, deep learning techniques, and hybrid approaches. The findings indicate a significant shift towards sophisticated analytical methods, with the number of articles on machine learning and deep learning rising from 10 in 2013 to over 110 in 2023, reflecting their effectiveness in managing complex time series data.
The review highlights critical challenges in sales forecasting, including data quality, complexity, and the dynamic nature of market environments. It underscores the importance of integrating big data analytics to enhance predictive accuracy and provide deeper insights into market dynamics and consumer behavior. The paper suggests future research directions, particularly within the automotive industry, focusing on multimodal data integration, hybrid modeling approaches, and the incorporation of contextual factors to improve forecasting accuracy. Additionally, it emphasizes the need for interpretability and explainability in forecasting models to foster trust and facilitate informed decision-making.
Introduction
The introduction of this research paper emphasizes the critical role of sales forecasting in strategic planning within modern industries, highlighting its evolution from rudimentary, intuition-based methods to sophisticated, data-driven approaches. Initially, sales forecasting relied heavily on personal judgment and simple extrapolations of past performance, which proved inadequate as markets became more complex. The transition to heuristic methods and basic statistical models marked the beginning of a more structured approach, yet the need for enhanced accuracy has driven a shift towards advanced methodologies, including machine learning techniques.
This study aims to systematically review and synthesize existing literature on sales forecasting, addressing significant gaps in understanding and application across various market conditions. By analyzing 1,007 papers published from January 2013 to March 2024, the research seeks to construct a comprehensive taxonomy of technologies used in sales forecasting, identify trends, and propose future research directions. Utilizing a systematic mapping study (SMS) method, the paper intends to bridge the gap between theoretical research and practical application, providing actionable insights for both academics and practitioners. The subsequent sections will detail the research methodology, present findings on existing forecasting approaches, and outline future avenues for exploration in the field.
Methods
The section on methods in sales forecasting outlines a diverse range of approaches and technologies designed to address the complexities of predicting future sales. Sales forecasting is fundamentally a time series problem, where future sales, denoted as \( y_{t+1} \), are predicted based on historical sales data over a defined time window \([t_{\text{window}}, t]\). Various statistical models and machine learning techniques are employed to identify patterns and trends within historical data, which are crucial for generating accurate forecasts. Given the inherent noise and non-stationarity of sales data, effective forecasting models must adapt to evolving trends and cycles. The rise of big data and advanced computational capabilities has facilitated the development of sophisticated models, including deep learning and hybrid approaches that integrate multiple methodologies to enhance forecasting accuracy.
Additionally, qualitative methods play a significant role in sales forecasting, particularly in contexts where historical data is scarce or irrelevant, such as new product launches or market disruptions. These methods rely on expert judgment and market intelligence rather than quantitative data. Comparative studies, such as those by Bian et al. (2022) and Shiman (2023), highlight the effectiveness of qualitative approaches alongside machine learning techniques. The choice of forecasting methods is contingent upon the characteristics of the sales data, the desired accuracy, and available computational resources, with a tendency towards hybrid or ensemble methods to leverage the strengths of various approaches.
Results
The results of the systematic mapping study (SMS) on sales forecasting are organized according to the specific research questions (RQs) posed in the study. Each RQ is addressed with corresponding findings that highlight key insights and trends identified through the analysis. The discussion encompasses various methodologies, tools, and frameworks utilized in sales forecasting, providing a comprehensive overview of the current state of research in this domain.
Additionally, the findings reveal significant patterns and gaps in the literature, suggesting areas for future exploration and potential improvements in sales forecasting practices. The results underscore the importance of integrating advanced analytical techniques and data-driven approaches to enhance forecasting accuracy and effectiveness.
Discussion
The systematic mapping review conducted on sales forecasting literature aims to provide a comprehensive overview of the field’s evolution and methodologies. Utilizing a systematic mapping study (SMS) approach, the research involved a multi-step process that included screening relevant papers, keywording abstracts, and extracting pertinent data to identify trends and gaps in existing research. The study defined ten research questions (RQs) to guide the investigation, focusing on aspects such as the annual number of studies, publication venues, terminology, datasets, performance metrics, limitations, methods, and industry-specific differences in sales forecasting models. The review ultimately identified 516 relevant articles published from 2013 to 2023, revealing a significant increase in research activity, particularly post-2016.
The findings indicate that sales forecasting research is disseminated across various interdisciplinary venues, with the International Journal of Forecasting being a prominent outlet. The analysis of keywords from publication titles and abstracts highlights a strong emphasis on predictive modeling, machine learning, and time series analysis, reflecting the field’s complexity and practical applications across industries. Additionally, the review categorized datasets used in sales forecasting into public, private, and hybrid types, emphasizing the diversity of data sources and the importance of time series data. Performance metrics such as Mean Absolute Error (MAE) and Root Mean Squared Error (RMSE) were identified as prevalent in evaluating forecasting models, underscoring the need for robust assessment methods tailored to specific forecasting tasks. Overall, this systematic mapping review lays a foundation for future research initiatives in sales forecasting by elucidating key trends, methodologies, and areas for further exploration.
Limitations
The section on limitations in sales forecasting identifies several critical challenges that affect the development and implementation of forecasting models. Firstly, data limitations are a significant concern, as many studies rely on datasets that may be restricted in scope, quality, or availability. This reliance on specific regions, industries, or platforms can hinder the generalizability of the findings to broader contexts, as illustrated by studies referenced in the text.
Additionally, the limitations underscore the necessity for diverse and high-quality data to enhance the robustness of forecasting models. Without addressing these data-related challenges, the effectiveness and applicability of sales forecasting solutions may be significantly compromised, thereby impacting their utility in real-world scenarios.