# دقّة التنبؤ بالطلب (Demand Forecast Accuracy)

> مدى قرب الطلب المتوقّع من الطلب الفعلي، محسوبًا كواحد ناقص متوسط الخطأ المطلق منسوبًا إلى الفعلي.

- **المجال:** سلاسل الإمداد (Supply Chain)
- **الوحدة:** %
- **تكرار القياس:** شهري
- **الاتجاه المرغوب:** أعلى أفضل
- **النوع:** قائد (Leading)
- **الرابط:** https://kpihub.co/k/supply-forecast-accuracy

## الهدف

قياس جودة التنبؤ نفسه، فكل مخزون زائد وكل نفاد يبدأ من رقم توقّع خاطئ لا من خطأ تنفيذ.

## لماذا هو مهم

- التنبؤ هو المدخل الأول لسلسلة الإمداد كلها، وخطؤه يتضخّم في كل مرحلة بعده
- خطأ التنبؤ يُدفع مرتين: مخزونًا راكدًا حين يزيد، ونفادًا حين ينقص
- التحيّز في اتجاه واحد قابل للتصحيح بمعامل، وهو أرخص تحسين متاح

## المعادلة

```
Forecast Accuracy % = (1 − Σ|Actual − Forecast| ÷ Σ Actual) × 100
```

قِسها على المستوى الذي يُتخذ عنده القرار: الصنف والموقع. الدقّة على مستوى الشركة تبدو ممتازة دائمًا لأن أخطاء الأصناف تلغي بعضها في التجميع.

## مثال محسوب

طلب فعلي 214,000 وحدة وخطأ مطلق مجمَّع 47,080 على مستوى الصنف والموقع. الحساب: (1 − 47,080 ÷ 214,000) × 100 = 78%، بينما الدقّة الكلّية للشركة 94%.

## النطاق الاسترشادي

من 70% إلى 85% على مستوى الصنف والموقع وضع جيد، وأعلى في الأصناف المستقرّة وأقلّ بكثير في الجديدة والموسمية. والدقّة الكلّية للشركة ليست مقياسًا.

## تحليل الاتجاه

- تحيّز مستمر نحو التفاؤل هو الأشيع، خصوصًا حين يشارك المبيعات في التنبؤ
- تدهورها في الأصناف الجديدة متوقّع، والعلاج احتياطي أكبر معلن لا لومًا
- تحسّنها بعد إشراك المبيعات والتشغيل معًا نمط معروف يستحقّ التثبيت

## أسئلة تشخيصية

- هل الخطأ متحيّز في اتجاه؟ التحيّز يُصلَح بمعامل في دقائق
- على أي مستوى نقيس؟ الدقّة الكلّية للشركة رقم مطمئن وبلا فائدة
- أي فئة أصناف أسوأ تنبؤًا؟ الاحتياطي يجب أن يتبع الفئة

## نصائح عملية

- صحّح التحيّز أولًا، فهو أسرع مكسب دقّة بلا تغيير في المنهج
- قِسها على مستوى القرار لا على مستوى الشركة
- اربطها بمخزون الأمان: التذبذب هو ما يحدّد المخزون لا المتوسط

## العرض المناسب

- توزيع الخطأ لكشف التحيّز
- مبعثر: المتوقّع أفقيًّا والفعلي رأسيًّا مع خط التطابق
- أعمدة بفئة الصنف للدقّة والتحيّز معًا

## تحذيرات وفخاخ

- القياس على مستوى الشركة يعطي رقمًا ممتازًا بينما كل صنف مخطئ
- استعمال الخطأ الصافي بدل المطلق يجعل الأخطاء المتعاكسة تلغي بعضها
- تعديل التنبؤ بأثر رجعي يلغي المؤشر كليًّا

## أثر التغيير

- رفعها من 78% إلى 86% على مستوى الصنف يخفض مخزون الأمان ويقلّل النفاد في آن
- تصحيح التحيّز وحده يعالج غالبًا نصف الخطأ بلا أي أداة جديدة
- الدقّة الأعلى تنتقل أثرًا إلى الشراء والمستودع والنقد العامل

## احسبه في أداتك

### Excel

```excel
=1 - SUMPRODUCT(ABS(D[Actual]-D[Forecast])) / SUM(D[Actual])
```

### Power BI (DAX)

```dax
Forecast Accuracy % =
1 - DIVIDE (
    SUMX ( 'Demand', ABS ( 'Demand'[Actual] - 'Demand'[Forecast] ) ),
    SUM ( 'Demand'[Actual] )
)
```

### Tableau

```
1 - ( SUM(ABS([Actual] - [Forecast])) / SUM([Actual]) )
```

### SQL

```sql
SELECT item_class,
       1 - SUM(ABS(actual_qty - forecast_qty)) / NULLIF(SUM(actual_qty), 0) AS accuracy,
       AVG(actual_qty - forecast_qty) AS bias_units
FROM   demand_forecast
WHERE  period BETWEEN :from_period AND :to_period
GROUP  BY item_class
ORDER  BY accuracy;
```

---

المصدر: [KPIHub](https://kpihub.co/k/supply-forecast-accuracy) · مرجع عربي مجاني لمؤشرات الأداء.