الأرقام القياسية اختيار الأسلوب الملائم للتنبؤ

الأرقام القياسية" ":
وهي طريقة مستخدمة على نطاق واسع من قبل متخذي القرار في المنظمات، وتسمح هذه الأرقام بالقيام بمقارنات الاتجاهات خلال مدة من الزمن، ويعرف الرقم القياسي على أنه تغير مئوي في قيمة شيء ما (مثل التغير في سعر النفط) خلال مدة من الزمن.  ويتم احتساب الرقم القياسي البسيط بالمعادلة التالية:

حيث VR الرقم القياسي للقيمة .
     Vn: القيمة في سنة المقارنة.
     Vo: القيمة في سنة الأساس

اختيار الأسلوب الملائم للتنبؤ" ":  
إن دراسة أساليب التنبؤ تشير إلى أن التطور  يتجه نحو الأساليب الإحصائية والرياضية الأكثر تعقيداً، وهذه الأساليب بقدر ما تتطلب جهداً وكلفة عالية فإنها تتطلب خبرة أكبر من المديرين لتحقيق الاستفادة الأفضل منها.
ولعل في مقدمة المشكلات الناجمة عن تطور وتعدد أساليب التنبؤ هي مشكلة اختيار الأسلوب الملائم للتنبؤ، ويمكن أن نحدد العوامل التي تساعد على وصف وتمييز أساليب التنبؤ المتاحة من أجل اختيار الأسلوب الملائم بالآتي:
 أولاً: الأفق الزمني:
إن الأساليب النوعية تستخدم للتنبؤ طويل الأمد بينما الأساليب الكمية تستخدم للتنبؤات قصيرة الأمد. والجدول التالي يوضح أن نسبة متوسط الانحرافات المطلقة تتزايد مع طول الأفق الزمني للتنبؤ، وضمن الأفق الزمني الواحد فإن التنبؤ بمجموعة المنتجات يكون أكثر دقة من المنتج الواحد، لهذا فإن المستوى التنظيمي الأعلى (التنبؤ التجميعي ) يكون أكثر دقة من المستوى التنظيمي الأدنى (التنبؤ تفصيلي).
 
ثانياً: الكلفة:
هناك ثلاثة عناصر مباشرة للكلفة يتم تحملها عند استخدام أسلوب التنبؤ هي: الاختبار والتطوير لأسلوب التنبؤ، إعداد وتوفير البيانات، والعملية الفعلية للتنبؤ، يضاف إلى ذلك أيضاً كلفة الفرصة البديلة لاستخدام أساليب أخرى لم يتم استخدامها، وقد كشفت الدراسات العديدة عن تأثير الكلفة في اختيار واستخدام هذه الأساليب.
ثالثاً: البساطة وسهولة التطبيق:
إن المبدأ العام في مجال التنبؤ وتطبيق أساليبه هو أن الأساليب المستخدمة يجب أن تكون مفهومة من قبل صانع القرار، فلأن المدير هن المسؤول عن قراراته لهذا فإن التنبؤات التي لا تكون مفهومة من قبله وثقته بها محدودة لا يمكن أن يعول عليها الكثير.
رابعاً: الدقة:
إن مما يرتبط بشكل وثيق بالتفاصيل المطلوبة في التنبؤ هو مستوى الدقة المطلوب، ففي بعض الحالات فإن خطأ التنبؤ (10%) قد يكون مقبولاً بينما في حالات أخرى فإن الخطأ (0.5%) قد يكون كارثة.

مقارنة بين أساليب التنبؤ" ":

يظهر الجدول التالي مقارنة لأهم أساليب التنبؤ المستخدمة في قطاع الأعمال من حيث الدقة التطبيق النموذجي لكل أسلوب والبيانات اللازمة لتطبيقه ومدى حاجته لتوف جهاز حاسوب والوقت اللازم للقيام به.

أسلوب التنبؤ   المتوسط المتحرك      التسوية الآسية الاتجاه العام    طريقة دلفي    الانحدار
الوصف        كل نقطة للمتوسط المتحرك لسلسلة زمنية هي المتوسط  الحسابي والمرجع لعدد من النقاط المتتابعة في السلسلة، حيث يكون عدد نقاط البيانات مختاراً بحيث يزول التأثير لموسمي أو الغير منتظم أو كلاهما     مشابهة للمتوسط المتحرك باستثناء أن البيانات الأحدث تعطى وزناً أكثر. وهناك تباينات كثيرة في التسوية الآسية، فبعضها أكثر تقلباً من الأنواع الأخرى وبعضها أكثر صعوبة من الناحية الحسابية، وبعضها يحتاج إلى وقت حساب أكبر          وتقوم بصياغة معادلة رياضية معينة ومن ثم التنبؤ بالمستقبل بواسطة هذه المعادلة         هيئة من الخبراء يتم استجوابهم بسلسلة من الاستبيانات التي تستعمل فيها إجابات الاستبيان الأول لعمل الاستبيان الثاني، تأتي مجموعة من المعلومات المتوفرة لبعض الخبراء وغير متوفرة لغيرهم تمرر للآخرين، حيث تمكن جميع الخبراء من الوصول إلى جميع المعلومات اللازمة للتنبؤ ، تزيل هذه الطريقة تأثير القيد إلى رأي الأغلبية    يتم صياغة معادلة باستعمال أقل المربعات، ويجري تحليل العلاقات بشكل رئيسي إحصائياً بالرغم من إمكانية اختبار أي علاقة للاختبار من ناحية عقلانية.
الدقة مدى تحصيل( أقل من 3أشهر
مدى متوسط (3-2 سنة)
مدى طويل (أكثر من 2 سنة)          ضعيفة جيدة

ضعيفة

ضعيفة جداً    مقبولة – جيدة جداً

ضعيفة – جيدة

ضعيفة جداً    جيدة جداً

جيدة

جيدة    مقبولة – جيدة جداً

مقبولة – جيدة جداً
مقبولة – جيدة جداً     جيدة إلى جيدة جداً

جيدة إلى جيدة جداً

ضعيفة
التطبيق النموذجي      الرقابة على المخزون للمورد قليلة الحجم     تخطيط ورقابة المخزون التنبؤ الحدي         التنبؤ للمنتجات الجديدة ( وخاصة في المدى المتوسط والبعيد)     التنبؤ بمبيعات المنتجات الجديدة في المدى البعيد والتنبؤ الحدي التنبؤ بالمبيعات والتنبؤ الحدي
البيانات اللازمة        سنتين على الأقل مع الفصول وكلما زادت الفترة التاريخية كان أفضل      كما في المتوسط المتحرك        خمس سنوات على الأقل       يقوم طاقم الموظفين بإعداد سلسلة من الاستبيانات ثم يدققون وينظمون الإجابات        تحتاج لبيانات لعدة سنوات للحصول على علاقات ذات معنى وجيدة
هل من الضروري وجود حاسوب    لا       لا       لا       لا       لا
الوقت اللازم للقيام بالتطبيق والتنبؤ   يوم واحد       يوم واحد       يوم واجد       شهرين فأكثر يعتمد على القدرة على تحديد العلاقات

    
الدقة والكلفة في التنبؤ" ":
لأن التنبؤ وسيلة تساعد الشركة على التخطيط الجيد والاستعداد المسبق لمواجهة الأحداث المستقبلية، لذا فإن التنبؤ ليس مهما بذاته وإنما أهميته تكمن في مدى التلاؤم مع المجال أو الحالة التي يستخدم فيها، وعادة ما يقاس ذلك بدقة التنبؤ. وبسبب تعدد أساليب وطرق التنبؤ فإن القاعدة المهمة هي أن كل أسلوب للتنبؤ يمكن أن يكون ملائم لحالات معينة ولا يكون كذلك في حالات أخرى، وبالتالي ليس هناك أسلوب ملائم للتنبؤ لكل الحالات وأن القائم بالتنبؤ يجب أن يقوم بتحديد الأسلوب الملائم للتنبؤ حسب الحالة المطلوب التنبؤ فيها.
ففي الإنتاج مثلاً يعد التنبؤ مسألة ضرورية لتحديد حجم المصنع (كقرار استراتيجي) أو في تخطيط وجدولة الإنتاج، ومقابل ذلك فإن عدم الدقة أو الخطأ في التنبؤ يمكن أن يؤدي إلى واحدة من الحالتين الآتيتين:
الحالة الأولى: إذا كان التنبؤ أكبر من الطلب الفعلي، فهذا يعني أن الشركة ستمتلك سعة أكبر، مما يؤدي أما إلى سعة عاطلة غير مستغلة أو وجود مخزون أكبر أي وجود إنتاج زائد (Overproduction) مما سيؤدي إلى تحمل كلفة إضافية في السعة العاطلة أو في الاحتفاظ بمخزون أكبر، ويمكن التعبير عن هذه الحالة:
التنبؤ – الطلب الفعلي= الإنتاج الزائد ( خطأ التنبؤ).
الحالة الثانية:  إذا كان التنبؤ أقل من الطلب الفعلي وهذا يعني سعة أقل ونفاذ المخزون(Stock out) وبالتالي تراكم الطلبيات والأعمال غير المنجزة (Backlog) وهذا بدوره يحمل الشركة كلفة ناجمة عن السمعة المتضررة وعن الفرصة البديلة الضائعة (Lost Opportunity)، وهذه الحالة تؤدي إلى الإنتاج الناقص(Underproduction) ويمكن التعبير عنها بالآتي:
التنبؤ- الطلب الفعلي = الإنتاج الناقص ( خطأ التنبؤ).
إن تحقيق الدقة العالية في التنبؤ يتطلب استخدام أساليب وطرق تنبؤ أكثر تطوراً وتعقيداً، فمن المعروف أن أساليب التنبؤ تتدرج من حيث السهولة والتعقيد وبالتالي من حيث الكلفة، وأن هناك علاقة الدقة/ الكلفة(Accuracy/Cost Tradeoff) في اختيار أسلوب التنبؤ، فالأساليب الأكثر تعقيداً تميل لأن تكون لها كلف عالية نسبياً، ولكنها بالمقابل وفي أكثر الأحيان تقدم تنبؤات أكثر دقة مع كلف تشغيلية أقل.

أخطاء التنبؤ" ":
أن خطأ التنبؤ (Forecast Error) يتحدد كفرق عددي بين الحصيلة المتوقعة ( التنبؤ) والحصيلة الفعلية (الطلب) أي أن :
خطأ التنبؤ = التنبؤ – الطلب الفعلي.
إن التنبؤ الأفضل هو الذي يكون الخطأ فيه مساوياً للصفر أو قريباً من ذلك والعكس صحيح. ويمثل قياس فاعلية التنبؤ خطوة مهمة في تقييم أسلوب التنبؤ، وهناك مقاييس عديدة يمكن استخدامها لهذا الغرض وإن كان لكل مآخذه ومزاياه في الحالات المختلفة.
أولاً: متوسط الخطأ ( Mean Error) 
وهو مقياس التحيّز ( Bias) ويعتبر أحد مقاييس الدقة في التنبؤات، ويتم احتساب هذا المقياس وفق الصيغة الآتية:
ME = ∑(Y-F) / n


حيث
 F = التنبؤ
Y = الطلب الفعلي
n = عدد الفترات
وكلما اقترب متوسط الخطأ من الصفر كان التنبؤ أكثر دقة لأن هذا يعني أن التنبؤ كان متطابقاً مع الطلب الفعلي أو قريباً من ذلك، إلا أن ثمة مشاكل تواجه هذا المقياس وتقلل من أهميته في الاستخدام ومنها أن أخطاء التنبؤ الموجبة تلغي أخطاء التنبؤ السالبة في المجموع مما يخفي أخطاء التنبؤ، والمثال التالي يوضح ذلك: 
مثال:
أدناه التنبؤ بالطلب في ستة أشهر مع الطلب الفعلي فيها. المطلوب: احتساب متوسط الخطأ وتفسير النتيجة:
الأشهر          1       2       3       4       5       6
التنبؤ(وحدة)   190   170   140   110   160   130
الطلب الفعلي (وحدة) 160   140   160   150   170   120
الحل:
مجموع أخطاء التنبؤ = (190-160)+(170-140)+(140-160)+(110-150)
                       +(160-170)+(130-120)
                    = صفر
إذن متوسط التنبؤ = صفر
التفسير: يلاحظ أن هناك ثلاثة من أخطاء التنبؤ موجبة وثلاثة سالبة وبفعل تساوي مجموع الأخطاء الموجبة مع مجموع الأخطاء السالبة فقد أزال أحدهما الآخر وبالتالي أخفت النتيجة أخطاء التنبؤ في الأشهر الستة.
ثانياً: متوسط مربع الخطأ( Mean Squared Error)
وهذا المقياس يتجاوز أثر الإزالة في المقياس السابق لهذا فإنه يستخدم على نطاق واسع ويحسب كالآتي:
MSE = ∑(Y-F)2 / n


ثالثاً: متوسط الانحرافات المطلقة Mean Absolute Deviation))
وهو من المقاييس الواسعة الانتشار، فبدلاً من استخدام تربيع الخطأ أو الانحراف ( التنبؤ- الطلب) لتتجاوز إزالة القيم الموجبة للقيم السابقة في أخطاء التنبؤ، يتم استخدام القيمة المطلقة للخطأ ويرمز له|الخطأ| أو |التنبؤ- الطلب| وبهذه الطريقة تحول القيمة السالبة للخطأ إلى قيمة موجبة، ويحسب هذا المقياس:
MAD = ∑|Y-F| / n

التنبؤ ونظرية الفوضى:

 يعود اكتشاف هذه النظرية إلى العام ١٩٠٣م على يد العالم الرياضي بوينكير Poincare" " إلا أن تسليط الضوء عليها وإحياء البحث فيها من جديد يعود إلى عالم الأرصاد إدوارد لورنز Edward Lorenz الذي أعاد اكتشافها في العام ١٩٦١ م حينما كان يعمل على صياغة نموذج رياضي للتنبؤ بحالة الطقس.

حاول لورنز باستخدام حاسبه البدائي أن يتنبأ بحركة الريح في الأيام المقبلة وذلك بواسطة نموذج يحتوي على عدد من المعادلات الرياضية - جريًا على ما يحدث عادة في السلاسل الزمنية - بافتراض وجود علاقة بين حركة الريح اليوم وحركتها في اليوم التالي . وبعد صياغة هذه العلاقة رياضياً، فإنه يمكن تغذية الحاسب بالبيانات المتوفرة حول حركة الريح اليوم ، لنحصل على تنبؤ بالحركة في اليوم التالي . وباستخدام النتيجة المتنبأ بها لحركة الريح في الغد يمكن التنبؤ بالحركة ليوم بعد غد ، وهكذا فإنه بتغذية الحاسب ببيانات اليوم
يمكن التنبؤ بحركة الريح على مدى شهر أو أكثر, كانت الأمور تسير على ما يرام - في تصور لورنز على
أقل تقدير - إلى أن أراد ذات يوم أن يدرس جزءاً معيًّناً من السلسلة الزمنية التي لديه بشيء أكثر من التفصيل، وحيث إنه قد أنتج هذه السلسلة من قبل كما أسلفنا، فإنه قرر أن يأخذ رقما من منتصف السلسلة
ويغذي به الحاسب الآلي مفترضا أن التنبؤات التي سيحصل عليها ستكون موافقة تماما لما حصل عليه من
قبل لأن هذه العملية هي التي كان يفعلها الحاسب الآلي تلقائيا ليحصل على قيم التنبؤات السابقة ، الفرق الآن
فقط هو أنه قام بإدخال المعلومات يدويا بدًلا من أن تكون تغذيتها تلقائياً . توقع لورنز أن يحصل على نفس
النتائج السابقة والمتعلقة بالفترة التي يدرسها.. غير أن الذي حدث شيء آخر تماما ! لاحظ لورنز أن النموذج
بدأ يعطي نتائج مختلفة قليلا - في أول الأمر - عن النتائج السابقة .. وأن هذا الاختلاف يزداد شيئا فشيئا
حتى لا يكاد يلمس أي تشابه بين النتائج الحالية والنتائج السابقة ، وبعد البحث والتحري اكتشف لورنز أن
الفرق الوحيد الذي يمكن أن يعزى إليه هذا الاختلاف الكبير في النتائج يكمن في البيانات الأولية التي غذيت
بهما التجربتان . لقد كانت البيانات المدخلة في التجربة الأولى تؤخذ تلقائيا من الحاسب الآلي وهذا يعني أنها
صحيحة لستة أرقام عشرية، بينما كانت البيانات المدخلة في التجربة الثانية ، لأن الطابعة المتصلة بالحاسب
كانت لا تطبع أكثر من ٣ أرقام عشرية، لقد كان التقريب طفيفا جداً . لم يكن يتصور أن هذا التقريب سيكون
له أي أثر يذكر في إحداث فرق بين نتائج التجربتين ، فضلا عن أن يكون سببا في تباين النتائج بشكل هائل
وغير متوقع في المراحل المتقدمة من السلسلة الزمنية.
لقد كشفت هذه التجربة عن وجود نوع من النظم الحتمية من حيث إنها تقوم على عدد من المعادلات
الرياضية المحددة تتأثر كثيراً بالظروف الأولية التي تغذى بها، بحيث يصبح تتبعها والتنبؤ بنتائجها على
المدى البعيد ضربا من المستحيل . ويمثل عادة لهذه النظم - بما يعرف بأثر الفراشة Butterfly Effect
وهو كيف أن خفق فراشة لجناحيها في طوكيو يترتب عليه حدوث إعصار في نيويورك !!.. فبالرغم
من أن تأثير الهواء الذي تدفعه الفراشة بجناحها ضئيل جداً، إلا أن تراكماته وتداعياته تتضاعف كلما مر
الزمن لتكون أو لتساهم في تكوين حدث ضخم كالإعصار على المدى البعيد !! هذه النظم الحتمية في إطارها
العام والشديدة الحساسية في تأثرها حالتها الأولية سميت بالنظم "الفوضوية".

وتعرّف نظرية الفوضى بأنها" " دراسة نوعية للسلوكيات غير المنتظمة وغير المستقرة في أنظمة لاخطية حتمية وديناميكية.

وقد طبقت مبادئ نظرية الفوضى بنجاح لوصف ظواهر طبيعية وصناعية مختلفة والتنبؤ بها, مثل:
        التنبؤ بنوبات الصرع
        حالة الطقس
وبما أن بيئة الأعمال تتصف بالاضطراب والتعقيد وصعوبة التنبؤ, يمكن لنظرية الفوضى أن تكون قيمة جداً لتطبيقها في هذا المجال, وخاصة في:
        التنبؤ بالأسواق المالية
        نمذجة نظم التصنيع
        وضع إستراتيجية الشركة
        اتخاذ القرارات المعقدة
        السلوك التنظيمي والتغير التنظيمي

ورغم فاعلية هذه النظرية, إلا أن استخداماتها ما زالت محدودة في مجال الأعمال نظراً لتعيدها وصعوبة تطبيقها, الأمر الذي يفتح الباب أمام الباحثين ليطروا من هذه النظرية ما يمكن استخدامه وتطبيقه بكفاءة في التنبؤ في قطاع الأعمال.