أهم النقاط
- الحل: تطوير نموذج تعلم آلي لتوقع الطلب.
- البيانات المستخدمة: سنتان من تاريخ المبيعات + بيانات الطقس (API عامة) + التقويم المحلي (أعياد/احتفالات).
- الهدر: -25% (وفورات مباشرة بمئات الآلاف من الدراهم).
- التوافر: زيادة في المبيعات بنسبة 15% بفضل تقليل نفاد المخزون (-80% على المنتجات الرئيسية).
التحدي: توقع الطلب بشكل أفضل
عانت شركة 'Délices du Souss' من مشكلة رئيسية: عدم القدرة على توقع احتياجاتها من المنتجات الطازجة، مما أدى إلى خلل في المخزون يتراوح بين فائض الإنتاج (الهدر) ونفاد المخزون.
لم يتم استخدام الذكاء الاصطناعي كإنجاز تكنولوجي مجرد، بل لحل هذه المشكلة اللوجستية الحرجة.
- الحل: تطوير نموذج تعلم آلي لتوقع الطلب.
- البيانات المستخدمة: سنتان من تاريخ المبيعات + بيانات الطقس (API عامة) + التقويم المحلي (أعياد/احتفالات).
النتائج والدروس المستفادة
بعد ستة أشهر من العمل، غير هذا النهج إدارة الشركة جذرياً.
- الهدر: -25% (وفورات مباشرة بمئات الآلاف من الدراهم).
- التوافر: زيادة في المبيعات بنسبة 15% بفضل تقليل نفاد المخزون (-80% على المنتجات الرئيسية).
- الأثر الإداري: تخفيف الضغط عن فريق التزويد.
دروس ميدانية
- بيانات نظيفة: النجاح مشروط بجودة ونظافة التاريخ السنتين الماضيتين.
- نهج مقتصد: لا حاجة لشبكات عصبية معقدة، كان نموذج بسيط (Gradient Boosting) كافياً.
- البعد الإنساني: الذكاء الاصطناعي يقترح التوصية، المدير هو من يقرر (يظل النموذج تحت السيطرة).
AH
الكاتب
AI HUB Editorial
Research Desk
