כל מנהל מלאי חי עם אותה הדילמה. עודף מלאי מקפיא הון וממלא את המחסן בסחורה שעלולה להתיישן או לפוג; חוסר מלאי מוביל לחוסרים על המדף, מכירות אבודות ולקוחות מאוכזבים. זו בעיית מוכר העיתונים הקלאסית, ובמשך עשורים ארגז הכלים לפתרונה היה סטטיסטי באופיו. בשנתיים האחרונות למידת המכונה חדלה להיות באז וורד בתחום הזה והחלה להוכיח את עצמה על פני המודלים הקלאסיים לחיזוי הביקוש.
המודלים שלמדנו עדיין עובדים, אבל בתנאים מסוימים
אין טעם לזלזל בכלים הוותיקים. ממוצע נע, החלקה מעריכית ומודלים מסוג ARIMA עדיין מספקים חיזוי ביקוש סביר; נוסחת ה-EOQ קובעת את כמות ההזמנה הכלכלית; ומלאי הביטחון מחושב כמכפלה של רמת השירות הרצויה, סטיית התקן של הביקוש ושורש זמן האספקה. המודלים האלה עובדים היטב כשהביקוש יציב יחסית וקבוע. חלק ניכר מהארגונים בישראל מנהלים מלאי בדיוק כך, לרוב בתוך מערכת ה-ERP, ועבור חלק גדול מהפריטים זה לגמרי מספיק.
איפה המודלים הקלאסיים אינם מביאים תוצאות
הבעיה מתחילה כשהמציאות מפסיקה להיות יציבה. מבצעים, מזג אוויר, אירועים מקומיים, מעבר למספר רב של ערוצי מכירה וביקוש לסירוגין של פריטי זנב ארוך, כל אלה שוברים את ההנחות של המודל הליניארי. מעל הכול מרחף אפקט השוט (Bullwhip), שבו תנודה קטנה בביקוש הקצה מתעצמת ככל שעולים במעלה השרשרת. וולמארט עצמה תיארה כיצד השיטות הליניאריות הוותיקות, שנשענות על מגמות היסטוריות, לא הצליחו לעמוד בקצב, ויצרו חוסרים, עודפי מלאי ובזבוז של מוצרים מתכלים. מחקרים עקביים מהשנים האחרונות מראים שמודלים של למידת מכונה עולים על הגישות הסטטיסטיות המסורתיות בדיוק חיזוי הביקוש.
מה למידת מכונה מביאה
היתרון של המודלים החדשים הוא היכולת לעכל בו-זמנית עשרות משתנים חיצוניים: מכירות היסטוריות, מחיר, מבצעים, חגים, מזג אוויר, מגמות חיפוש ואפילו אותות מהרשתות החברתיות. אלגוריתמים כמו Random Forest ו-XGBoost, ורשתות נוירונים מסוג LSTM ו-GRU, לוכדים יחסים לא-ליניאריים ותבניות לאורך זמן שהמודלים הקלאסיים מפספסים. מחקר מ-2025 שחזה מכירות שבועיות בחנויות וולמארט מצא ש-XGBoost הגיע למקדם הסבר (R²) של כ-0.97 עם שגיאה נמוכה, כשהמנבאים החזקים ביותר היו מאפיינים של פיגור וממוצע נע ממכירות העבר. כשמדובר בלכידת תבניות זמן, דווקא LSTM ו-GRU מובילים.
דוגמאות מהשטח
וולמארט היא המקרה הבולט. על פני מיליוני פריטים, אלפי חנויות ופלטפורמת מסחר אלקטרוני, החברה מפעילה חיזוי מבוסס למידה עמוקה שמזין נתוני מזג אוויר, חיפושים ואירועים מקומיים, ולאחרונה אף החלה להשתמש ב-GPT-4 לשיפור הקצאת המלאי וחיזוי הביקוש. תהליך אופטימיזציית שרשרת האספקה שלה אף תועד בכתב העת של INFORMS ב-2024. התוצאה: פחות חוסרים, פחות בזבוז של מוצרים מתכלים וזמינות טובה יותר. אמזון ו-Zara, כפי שתועד בספרות המקצועית ב-2024, פועלות בדומה, ומשלבות חיזוי מבוסס למידת מכונה עם עיבוד שפה טבעית של ביקורות ורשתות חברתיות כדי לקרוא העדפות מתהוות. בכלל, קמעונאים שאימצו בינה מלאכותית ולמידת מכונה רשמו לפי IHL צמיחה שנתית של כ-8% ברווח.
החזית של 2024-2025: מודלי יסוד לסדרות זמן
ההתפתחות המעניינת ביותר לאחרונה היא מודלי היסוד לסדרות זמן, כמו Chronos ו-TimesFM. אלה מודלים שאומנו מראש על כמויות עצומות של נתונים ומסוגלים לחזות סדרה חדשה כמעט ללא אימון ייעודי. בפועל הם מורידים את חסם הכניסה לארגונים שאין להם צוות מדעני נתונים גדול. התחום עדיין צעיר, אבל הוא שווה מעקב צמוד.
ההסתייגויות
למידת מכונה אינה קסם. היא דורשת נתונים נקיים ומספיקים ואת כוח האדם שיודע להריץ אותה, וכ-41% מהקמעונאים מצביעים על מחסור במומחיות כחסם. עבור פריטים חדשים לגמרי או איטיים מאוד, שאין להם היסטוריה ללמוד ממנה, השיטות הסטטיסטיות ושיקול הדעת האנושי עדיין מנצחים. מעבר לכך, יכולת ההסבר של המודל והתהליך העסקי שמסביבו חשובים לא פחות מהאלגוריתם עצמו. הכלל הישן בעינו עומד: גארבג' אין גארבג' האוט.
המודל הוא רק חצי מהסיפור
אלגוריתם לא מתקן מדיניות מלאי לקויה. הרווח האמיתי נובע משילוב של שיטת החיזוי הנכונה עם מדיניות מלאי ממושמעת: סגמנטציה מסוג ABC ו-XYZ, רמות שירות מובחנות לפי חשיבות הפריט, בחינה מחודשת של מלאי הביטחון ותהליך תכנון מכירות ותפעול (S&OP) בריא. זו עבודה של ייעוץ וטכנולוגיה גם יחד, לא כלי שמבריגים על המערכת הקיימת. בחטיבת שרשרת האספקה של משיק אנו משלבים את שתי השכבות, המתודולוגיה והטכנולוגיה, כך שהחיזוי המתוחכם מיתרגם בפועל להקטנת מלאי ולשיפור רמת השירות במקביל.
מקורות עיקריים
INFORMS Journal on Applied Analytics 2024; World Journal of Advanced Research and Reviews 2024; IHL Group; מחקרי חיזוי מכירות מבוססי XGBoost/LSTM 2024-2025; ספרות מודלי יסוד לסדרות זמן (Chronos, TimesFM) 2024-2025.
