ਪ੍ਰਬੰਧਨ ਵਿੱਚ ਭਵਿੱਖਬਾਣੀ ਤਕਨੀਕਾਂ
ਭਵਿੱਖਬਾਣੀ ਪਿਛਲੇ ਡੇਟਾ ਅਤੇ ਮੌਜੂਦਾ ਜਾਣਕਾਰੀ ਦੇ ਆਧਾਰ 'ਤੇ ਭਵਿੱਖ ਦੀਆਂ ਸਥਿਤੀਆਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਹੈ। ਪ੍ਰਬੰਧਨ ਸੰਦਰਭ ਵਿੱਚ, ਭਵਿੱਖਬਾਣੀ ਫੈਸਲੇ ਲੈਣ ਦੀ ਨੀਂਹ ਵਜੋਂ ਕੰਮ ਕਰਦੀ ਹੈ - ਉਤਪਾਦਨ ਯੋਜਨਾਬੰਦੀ ਅਤੇ ਵਸਤੂ ਸੂਚੀ ਨਿਯੰਤਰਣ ਤੋਂ ਲੈ ਕੇ ਵਿਕਰੀ ਟੀਚਾ ਨਿਰਧਾਰਨ ਅਤੇ ਕਾਰਜਬਲ ਸਮਰੱਥਾ ਯੋਜਨਾਬੰਦੀ ਤੱਕ। ਜਦੋਂ ਸੰਗਠਨ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦੇ ਯੋਗ ਹੁੰਦੇ ਹਨ, ਤਾਂ ਅਨਿਸ਼ਚਿਤਤਾ ਦੇ ਜੋਖਮ ਨੂੰ ਘੱਟ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਸਰੋਤਾਂ ਨੂੰ ਵਧੇਰੇ ਕੁਸ਼ਲਤਾ ਨਾਲ ਵੰਡਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਅਤੇ ਬਾਜ਼ਾਰ ਦੇ ਮੌਕਿਆਂ ਨੂੰ ਮੁਕਾਬਲੇਬਾਜ਼ਾਂ ਨਾਲੋਂ ਤੇਜ਼ੀ ਨਾਲ ਹਾਸਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਭਵਿੱਖਬਾਣੀ ਸਿਰਫ਼ "ਅਨੁਮਾਨ ਲਗਾਉਣਾ" ਨਹੀਂ ਹੈ; ਇਸ ਲਈ ਤਰੀਕਿਆਂ, ਢੁਕਵੇਂ ਡੇਟਾ ਅਤੇ ਅਨੁਸ਼ਾਸਿਤ ਸ਼ੁੱਧਤਾ ਮੁਲਾਂਕਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
ਪ੍ਰਬੰਧਨ ਵਿੱਚ ਭਵਿੱਖਬਾਣੀ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ?
ਪ੍ਰਬੰਧਕੀ ਅਭਿਆਸ ਵਿੱਚ, ਅਕਸਰ ਠੋਸ ਨਤੀਜੇ ਦਿਖਾਈ ਦੇਣ ਤੋਂ ਪਹਿਲਾਂ ਫੈਸਲੇ ਲੈਣੇ ਪੈਂਦੇ ਹਨ। ਉਦਾਹਰਣ ਵਜੋਂ, ਇੱਕ ਕੰਪਨੀ ਨੂੰ ਅਸਲ ਖਪਤਕਾਰਾਂ ਦੀ ਮੰਗ ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ ਕੱਚੇ ਮਾਲ ਦਾ ਆਰਡਰ ਦੇਣ ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ, ਜਾਂ ਮਾਰਕੀਟ ਪ੍ਰਤੀਕਿਰਿਆ ਜਾਣਨ ਤੋਂ ਪਹਿਲਾਂ ਇੱਕ ਮਾਰਕੀਟਿੰਗ ਬਜਟ ਨਿਰਧਾਰਤ ਕਰਨ ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ। ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਭਵਿੱਖਬਾਣੀ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਸਾਧਨ ਬਣ ਜਾਂਦੀ ਹੈ। ਭਵਿੱਖਬਾਣੀ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਘਟਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਦੀ ਹੈ, ਲੰਬੇ ਸਮੇਂ ਦੀ ਰਣਨੀਤਕ ਯੋਜਨਾਬੰਦੀ ਦਾ ਸਮਰਥਨ ਕਰਦੀ ਹੈ, ਅਤੇ ਥੋੜ੍ਹੇ ਸਮੇਂ ਦੀ ਕਾਰਜਸ਼ੀਲ ਯੋਜਨਾਬੰਦੀ ਨੂੰ ਮਜ਼ਬੂਤ ਕਰਦੀ ਹੈ।
ਇਸ ਤੋਂ ਇਲਾਵਾ, ਭਵਿੱਖਬਾਣੀ ਵਿਭਾਗਾਂ ਵਿਚਕਾਰ ਤਾਲਮੇਲ ਨੂੰ ਵੀ ਬਿਹਤਰ ਬਣਾਉਂਦੀ ਹੈ। ਵਿਕਰੀ, ਸੰਚਾਲਨ, ਵਿੱਤ, ਅਤੇ ਮਨੁੱਖੀ ਸਰੋਤ ਨੂੰ ਵਿਰੋਧੀ ਫੈਸਲਿਆਂ ਤੋਂ ਬਚਣ ਲਈ ਇੱਕ ਸਾਂਝੇ ਭਵਿੱਖਬਾਣੀ ਢਾਂਚੇ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿੱਚ, ਭਵਿੱਖਬਾਣੀ ਸੰਗਠਨਾਂ ਨੂੰ ਇੱਕ ਇਕਸਾਰ "ਨਕਸ਼ੇ" ਵਿੱਚ ਨੈਵੀਗੇਟ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੀ ਹੈ।
ਭਵਿੱਖਬਾਣੀ ਦੀਆਂ ਕਿਸਮਾਂ
ਆਮ ਤੌਰ 'ਤੇ, ਪ੍ਰਬੰਧਨ ਵਿੱਚ ਭਵਿੱਖਬਾਣੀ ਨੂੰ ਇਸਦੇ ਸਮੇਂ ਦੇ ਦੂਰੀ ਦੇ ਅਨੁਸਾਰ ਵੱਖਰਾ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ:
1. ਥੋੜ੍ਹੇ ਸਮੇਂ ਲਈ (ਰੋਜ਼ਾਨਾ ਤੋਂ ਕਈ ਮਹੀਨਿਆਂ ਤੱਕ): ਆਮ ਤੌਰ 'ਤੇ ਉਤਪਾਦਨ ਸਮਾਂ-ਸਾਰਣੀ, ਖਰੀਦਦਾਰੀ ਅਤੇ ਵੰਡ ਵਰਗੇ ਕਾਰਜਸ਼ੀਲ ਫੈਸਲਿਆਂ ਲਈ।
2. ਦਰਮਿਆਨੀ ਮਿਆਦ (ਕਈ ਮਹੀਨਿਆਂ ਤੋਂ 2 ਸਾਲ): ਅਕਸਰ ਸਮਰੱਥਾ ਯੋਜਨਾਬੰਦੀ, ਬਜਟ ਅਤੇ ਵਸਤੂ ਪ੍ਰਬੰਧਨ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
3. ਲੰਬੇ ਸਮੇਂ ਲਈ (2 ਸਾਲਾਂ ਤੋਂ ਵੱਧ): ਫੈਕਟਰੀ ਵਿਸਥਾਰ, ਨਵੇਂ ਉਤਪਾਦ ਵਿਕਾਸ, ਜਾਂ ਨਵੇਂ ਬਾਜ਼ਾਰਾਂ ਵਿੱਚ ਦਾਖਲੇ ਵਰਗੇ ਰਣਨੀਤਕ ਫੈਸਲਿਆਂ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
ਭਵਿੱਖਬਾਣੀ ਨੂੰ ਇਸਦੇ ਪਹੁੰਚ ਦੁਆਰਾ ਵੀ ਸ਼੍ਰੇਣੀਬੱਧ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ: ਗੁਣਾਤਮਕ ਅਤੇ ਮਾਤਰਾਤਮਕ। ਗੁਣਾਤਮਕ ਪਹੁੰਚ ਮਾਹਰ ਨਿਰਣੇ ਅਤੇ ਗੈਰ-ਸੰਖਿਆਤਮਕ ਜਾਣਕਾਰੀ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ, ਜਦੋਂ ਕਿ ਮਾਤਰਾਤਮਕ ਪਹੁੰਚ ਸੰਖਿਆਤਮਕ ਡੇਟਾ ਅਤੇ ਅੰਕੜਾ ਮਾਡਲਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ।
ਗੁਣਾਤਮਕ ਭਵਿੱਖਬਾਣੀ ਤਕਨੀਕਾਂ
ਗੁਣਾਤਮਕ ਤਕਨੀਕਾਂ ਉਦੋਂ ਲਾਭਦਾਇਕ ਹੁੰਦੀਆਂ ਹਨ ਜਦੋਂ ਇਤਿਹਾਸਕ ਡੇਟਾ ਦੀ ਘਾਟ ਹੁੰਦੀ ਹੈ, ਵਾਤਾਵਰਣ ਤੇਜ਼ੀ ਨਾਲ ਬਦਲ ਰਿਹਾ ਹੁੰਦਾ ਹੈ, ਜਾਂ ਸੰਗਠਨ ਕਿਸੇ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਵੀਂ ਚੀਜ਼ (ਜਿਵੇਂ ਕਿ, ਇੱਕ ਨਵੀਨਤਾਕਾਰੀ ਉਤਪਾਦ) 'ਤੇ ਵਿਚਾਰ ਕਰ ਰਿਹਾ ਹੁੰਦਾ ਹੈ। ਕੁਝ ਆਮ ਤੌਰ 'ਤੇ ਵਰਤੀਆਂ ਜਾਣ ਵਾਲੀਆਂ ਗੁਣਾਤਮਕ ਤਕਨੀਕਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ:
1. ਡੇਲਫੀ ਵਿਧੀ
ਡੇਲਫੀ ਵਿਧੀ ਵਿੱਚ ਮਾਹਿਰਾਂ ਦਾ ਇੱਕ ਸਮੂਹ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ ਜੋ ਕਈ ਦੌਰਾਂ ਵਿੱਚ ਗੁਮਨਾਮ ਤੌਰ 'ਤੇ ਅਨੁਮਾਨ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਹਰੇਕ ਦੌਰ ਤੋਂ ਬਾਅਦ, ਨਤੀਜਿਆਂ ਦਾ ਸਾਰ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਸਹਿਮਤੀ ਬਣਨ ਤੱਕ ਸਮੀਖਿਆ ਲਈ ਮਾਹਿਰਾਂ ਨੂੰ ਵਾਪਸ ਕਰ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ। ਇਸਦਾ ਫਾਇਦਾ ਇਹ ਹੈ ਕਿ ਇਹ ਕੁਝ ਖਾਸ ਪਾਰਟੀਆਂ ਦੇ ਦਬਦਬੇ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ ਅਤੇ ਵਧੇਰੇ ਉਦੇਸ਼ਪੂਰਨ ਮੁਲਾਂਕਣਾਂ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਦਾ ਹੈ।
2. ਮਾਰਕੀਟ ਸਰਵੇਖਣ ਅਤੇ ਖਰੀਦ ਇਰਾਦਾ
ਕੰਪਨੀਆਂ ਪ੍ਰਸ਼ਨਾਵਲੀ, ਇੰਟਰਵਿਊ, ਜਾਂ ਉਤਪਾਦ ਟਰਾਇਲਾਂ ਰਾਹੀਂ ਸੰਭਾਵੀ ਗਾਹਕਾਂ ਦੇ ਵਿਚਾਰ ਇਕੱਠੇ ਕਰ ਸਕਦੀਆਂ ਹਨ। ਇਹ ਤਕਨੀਕਾਂ ਮੰਗ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੀਆਂ ਹਨ, ਖਾਸ ਕਰਕੇ ਨਵੇਂ ਉਤਪਾਦਾਂ ਲਈ। ਉਨ੍ਹਾਂ ਦੀਆਂ ਸੀਮਾਵਾਂ ਵਿੱਚ ਪੱਖਪਾਤੀ ਖਪਤਕਾਰਾਂ ਦੇ ਜਵਾਬ ਸ਼ਾਮਲ ਹਨ, ਅਤੇ ਇਰਾਦੇ ਜ਼ਰੂਰੀ ਤੌਰ 'ਤੇ ਅਸਲ ਖਰੀਦਦਾਰੀ ਵਿੱਚ ਅਨੁਵਾਦ ਨਹੀਂ ਕਰ ਸਕਦੇ।
3. ਕਾਰਜਕਾਰੀ ਰਾਏ ਦੀ ਜਿਊਰੀ
ਸਿਖਰਲੇ ਪ੍ਰਬੰਧਨ ਜਾਂ ਵਿਭਾਗ ਮੁਖੀ ਆਪਣੇ ਤਜਰਬੇ ਦੇ ਆਧਾਰ 'ਤੇ ਭਵਿੱਖ ਦੇ ਅਨੁਮਾਨਾਂ ਬਾਰੇ ਚਰਚਾ ਕਰਦੇ ਹਨ ਅਤੇ ਸਿੱਟੇ ਕੱਢਦੇ ਹਨ। ਇਹ ਤਰੀਕਾ ਤੇਜ਼ ਅਤੇ ਵਿਹਾਰਕ ਹੈ, ਪਰ ਵਿਅਕਤੀਗਤਤਾ ਅਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਆਤਮਵਿਸ਼ਵਾਸ ਦਾ ਸ਼ਿਕਾਰ ਹੁੰਦਾ ਹੈ।
4. ਇਤਿਹਾਸਕ ਐਨਾਲਾਗ
ਜੇਕਰ ਕੋਈ ਨਵਾਂ ਉਤਪਾਦ ਜਾਂ ਸਥਿਤੀ ਪਿਛਲੀ ਸਥਿਤੀ ਦੇ ਸਮਾਨ ਹੈ, ਤਾਂ ਇੱਕ ਸੰਗਠਨ ਪਿਛਲੇ ਪੈਟਰਨਾਂ ਨੂੰ ਇੱਕ ਮਾਰਗਦਰਸ਼ਕ ਵਜੋਂ ਵਰਤ ਸਕਦਾ ਹੈ। ਉਦਾਹਰਣ ਵਜੋਂ, ਇੱਕ ਨਵੇਂ ਪੀਣ ਵਾਲੇ ਪਦਾਰਥ ਦੇ ਰੂਪ ਦੀ ਸ਼ੁਰੂਆਤ ਦਾ ਅੰਦਾਜ਼ਾ ਪਿਛਲੇ ਲਾਂਚਾਂ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਦੇਖ ਕੇ ਲਗਾਇਆ ਜਾ ਸਕਦਾ ਹੈ।
ਮਾਤਰਾਤਮਕ ਭਵਿੱਖਬਾਣੀ ਤਕਨੀਕਾਂ
ਮਾਤਰਾਤਮਕ ਤਕਨੀਕਾਂ ਉਦੋਂ ਢੁਕਵੀਆਂ ਹੁੰਦੀਆਂ ਹਨ ਜਦੋਂ ਇਤਿਹਾਸਕ ਡੇਟਾ ਉਪਲਬਧ ਹੁੰਦਾ ਹੈ ਅਤੇ ਪਿਛਲੇ ਪੈਟਰਨ ਮੁਕਾਬਲਤਨ ਢੁਕਵੇਂ ਹੁੰਦੇ ਹਨ। ਆਮ ਤੌਰ 'ਤੇ, ਇਹਨਾਂ ਤਕਨੀਕਾਂ ਵਿੱਚ ਸਮਾਂ ਲੜੀ ਮਾਡਲ ਅਤੇ ਕਾਰਨ-ਅਤੇ-ਪ੍ਰਭਾਵ ਮਾਡਲ ਹੁੰਦੇ ਹਨ।
A. ਸਮਾਂ ਲੜੀ ਦੀ ਭਵਿੱਖਬਾਣੀ
ਇਹ ਮਾਡਲ ਮੰਨਦਾ ਹੈ ਕਿ ਪਿਛਲੇ ਮੰਗ ਪੈਟਰਨਾਂ ਵਿੱਚ ਭਵਿੱਖ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਹੁੰਦੀ ਹੈ। ਸਮਾਂ ਲੜੀ ਦੇ ਆਮ ਹਿੱਸਿਆਂ ਵਿੱਚ ਰੁਝਾਨ, ਮੌਸਮੀਤਾ, ਚੱਕਰ ਅਤੇ ਬੇਤਰਤੀਬ ਭਿੰਨਤਾ ਸ਼ਾਮਲ ਹਨ।
1. ਮੂਵਿੰਗ ਔਸਤ
ਇਹ ਵਿਧੀ ਹਾਲੀਆ ਪੀਰੀਅਡਾਂ ਦੀ ਔਸਤ ਦੀ ਗਣਨਾ ਕਰਦੀ ਹੈ। ਉਦਾਹਰਣ ਵਜੋਂ, ਪਿਛਲੇ ਤਿੰਨ ਮਹੀਨਿਆਂ ਦੀ ਔਸਤ ਅਗਲੇ ਮਹੀਨੇ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਵਰਤੀ ਜਾਂਦੀ ਹੈ। ਸਧਾਰਨ ਮੂਵਿੰਗ ਔਸਤ ਸਮਝਣ ਵਿੱਚ ਆਸਾਨ ਹਨ ਅਤੇ ਬੇਤਰਤੀਬ ਉਤਰਾਅ-ਚੜ੍ਹਾਅ ਨੂੰ ਸੁਚਾਰੂ ਬਣਾਉਂਦੇ ਹਨ, ਪਰ ਉਹ ਅਚਾਨਕ ਰੁਝਾਨ ਤਬਦੀਲੀਆਂ ਪ੍ਰਤੀ ਘੱਟ ਜਵਾਬਦੇਹ ਹੁੰਦੇ ਹਨ।
2. ਘਾਤਕ ਸਮੂਥਿੰਗ
ਇਹ ਤਕਨੀਕ ਹਾਲੀਆ ਡੇਟਾ 'ਤੇ ਜ਼ਿਆਦਾ ਭਾਰ ਪਾਉਂਦੀ ਹੈ। ਫਾਰਮੂਲਾ ਇੱਕ ਸਮੂਥਿੰਗ ਸਥਿਰਾਂਕ (α) ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। α ਜਿੰਨਾ ਵੱਡਾ ਹੋਵੇਗਾ, ਹਾਲੀਆ ਤਬਦੀਲੀਆਂ ਲਈ ਪੂਰਵ ਅਨੁਮਾਨ ਓਨਾ ਹੀ ਜ਼ਿਆਦਾ ਜਵਾਬਦੇਹ ਹੋਵੇਗਾ। ਇਹ ਵਿਧੀ ਪ੍ਰਸਿੱਧ ਹੈ ਕਿਉਂਕਿ ਇਸਨੂੰ ਐਂਟਰਪ੍ਰਾਈਜ਼ ਸੂਚਨਾ ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ ਲਾਗੂ ਕਰਨਾ ਆਸਾਨ ਹੈ ਅਤੇ ਬਹੁਤ ਸਾਰੀਆਂ ਕਾਰਜਸ਼ੀਲ ਸਥਿਤੀਆਂ ਲਈ ਕਾਫ਼ੀ ਸਹੀ ਹੈ।
3. ਰੁਝਾਨ ਵਿਸ਼ਲੇਸ਼ਣ (ਰੁਝਾਨ ਅਨੁਮਾਨ)
ਜੇਕਰ ਡੇਟਾ ਇੱਕਸਾਰ ਉੱਪਰ ਵੱਲ ਜਾਂ ਹੇਠਾਂ ਵੱਲ ਰੁਝਾਨ ਦਿਖਾਉਂਦਾ ਹੈ, ਤਾਂ ਇੱਕ ਕੰਪਨੀ ਇੱਕ ਸਿੱਧੀ-ਰੇਖਾ ਪਹੁੰਚ (ਸਮੇਂ ਦੇ ਨਾਲ ਸਧਾਰਨ ਰਿਗਰੈਸ਼ਨ) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਰੁਝਾਨ ਨੂੰ ਪੇਸ਼ ਕਰ ਸਕਦੀ ਹੈ। ਇਹ ਤਰੀਕਾ ਸਥਿਰ ਮੰਗ ਵਾਧੇ ਲਈ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੈ, ਪਰ ਜਦੋਂ ਤੇਜ਼ ਮੌਸਮੀ ਪੈਟਰਨ ਹੁੰਦੇ ਹਨ ਤਾਂ ਸਾਵਧਾਨੀ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
4. ਮੌਸਮੀ ਸੜਨ
ਜੇਕਰ ਮੰਗ ਮੌਸਮੀ ਹੈ (ਜਿਵੇਂ ਕਿ, ਰਮਜ਼ਾਨ ਦੌਰਾਨ ਜਾਂ ਸਾਲ ਦੇ ਅੰਤ ਵਿੱਚ ਵਿਕਰੀ ਵਧਦੀ ਹੈ), ਤਾਂ ਵਿਘਨ ਵਿਧੀ ਰੁਝਾਨ ਅਤੇ ਮੌਸਮੀ ਹਿੱਸਿਆਂ ਨੂੰ ਵੱਖ ਕਰਦੀ ਹੈ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਇੱਕ ਭਵਿੱਖਬਾਣੀ ਤਿਆਰ ਕਰਨ ਲਈ ਜੋੜਦੀ ਹੈ। ਇਹ ਤਕਨੀਕ ਮੌਸਮੀ ਪ੍ਰਚੂਨ ਕਾਰੋਬਾਰਾਂ ਲਈ ਵਧੇਰੇ ਸਹੀ ਹੈ।
B. ਕਾਰਣ ਮਾਡਲ (ਕਾਰਨ-ਅਤੇ-ਪ੍ਰਭਾਵ)
ਕਾਰਣ ਮਾਡਲ ਅਨੁਮਾਨਿਤ ਵੇਰੀਏਬਲ ਅਤੇ ਇਸਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਨ ਵਾਲੇ ਹੋਰ ਵੇਰੀਏਬਲਾਂ ਵਿਚਕਾਰ ਕਾਰਣ-ਅਤੇ-ਪ੍ਰਭਾਵ ਸਬੰਧਾਂ ਦੀ ਭਾਲ ਕਰਦੇ ਹਨ।
1. ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ
ਮੰਗ (Y) ਦਾ ਅੰਦਾਜ਼ਾ ਇੱਕ ਜਾਂ ਇੱਕ ਤੋਂ ਵੱਧ ਸੁਤੰਤਰ ਵੇਰੀਏਬਲਾਂ (X) ਦੇ ਆਧਾਰ 'ਤੇ ਲਗਾਇਆ ਜਾਂਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਕੀਮਤ, ਆਮਦਨ, ਜਾਂ ਇਸ਼ਤਿਹਾਰਬਾਜ਼ੀ ਖਰਚ। ਰਿਗਰੈਸ਼ਨ ਪ੍ਰਬੰਧਕਾਂ ਨੂੰ ਸਿਰਫ਼ ਇਤਿਹਾਸਕ ਪੈਟਰਨਾਂ ਨੂੰ ਪੇਸ਼ ਕਰਨ ਦੀ ਬਜਾਏ, ਮੰਗ ਦੇ ਚਾਲਕਾਂ ਨੂੰ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ।
2. ਮਲਟੀਪਲ ਰਿਗਰੈਸ਼ਨ
ਜੇਕਰ ਕਈ ਕਾਰਕ ਨਤੀਜੇ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੇ ਹਨ, ਤਾਂ ਮਲਟੀਪਲ ਰਿਗਰੈਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਉਦਾਹਰਣ ਵਜੋਂ, ਵਿਕਰੀ ਕੀਮਤ, ਤਰੱਕੀ, ਵੰਡ ਗੁਣਵੱਤਾ ਅਤੇ ਆਰਥਿਕ ਰੁਝਾਨਾਂ ਦੁਆਰਾ ਪ੍ਰਭਾਵਿਤ ਹੁੰਦੀ ਹੈ। ਚੁਣੌਤੀ ਗੁਣਵੱਤਾ ਡੇਟਾ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣਾ ਅਤੇ ਬਹੁ-ਸਮਾਨਤਾ ਤੋਂ ਬਚਣਾ ਹੈ।
3. ਅਰਥਮਿਤੀ ਮਾਡਲ ਅਤੇ ਸਿਮੂਲੇਸ਼ਨ
ਵੱਡੀਆਂ ਸੰਸਥਾਵਾਂ ਲਈ, ਅਰਥਮਿਤੀ ਮਾਡਲ ਕੀਮਤ ਨੀਤੀ, ਵਿਆਜ ਦਰਾਂ, ਵਟਾਂਦਰਾ ਦਰਾਂ, ਜਾਂ ਮੈਕਰੋ-ਆਰਥਿਕ ਸਥਿਤੀਆਂ ਵਿੱਚ ਤਬਦੀਲੀਆਂ ਦੇ ਪ੍ਰਭਾਵ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਕਈ ਸਮੀਕਰਨਾਂ ਨੂੰ ਜੋੜ ਸਕਦੇ ਹਨ। ਸਿਮੂਲੇਸ਼ਨਾਂ (ਜਿਵੇਂ ਕਿ, ਮੋਂਟੇ ਕਾਰਲੋ) ਦੀ ਵਰਤੋਂ ਵੱਖ-ਵੱਖ ਅਨਿਸ਼ਚਿਤਤਾ ਦ੍ਰਿਸ਼ਾਂ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਵੀ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
ਅਨੁਮਾਨ ਦੀ ਸ਼ੁੱਧਤਾ ਨੂੰ ਮਾਪਣਾ
ਇੱਕ ਚੰਗੀ ਭਵਿੱਖਬਾਣੀ ਦੀ ਸ਼ੁੱਧਤਾ ਲਈ ਜਾਂਚ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ। ਕੁਝ ਆਮ ਤੌਰ 'ਤੇ ਵਰਤੇ ਜਾਂਦੇ ਗਲਤੀ ਮਾਪ ਹਨ:
– MAD (ਮੀਨ ਐਬਸੋਲੇਟ ਡਿਵੀਏਸ਼ਨ): ਪੂਰਵ ਅਨੁਮਾਨ ਅਤੇ ਅਸਲ ਡੇਟਾ ਵਿਚਕਾਰ ਔਸਤ ਐਬਸੋਲੇਟ ਅੰਤਰ।
– MSE (ਮੀਨ ਸਕੁਏਅਰਡ ਐਰਰ): ਔਸਤ ਸਕੁਏਅਰਡ ਐਰਰ, ਵੱਡੀਆਂ ਗਲਤੀਆਂ ਪ੍ਰਤੀ ਸੰਵੇਦਨਸ਼ੀਲ।
– MAPE (ਮੀਨ ਐਬਸੋਲੇਟ ਪ੍ਰਤੀਸ਼ਤ ਗਲਤੀ): ਐਬਸੋਲੇਟ ਗਲਤੀ ਦਾ ਔਸਤ ਪ੍ਰਤੀਸ਼ਤ, ਉਤਪਾਦਾਂ ਵਿਚਕਾਰ ਤੁਲਨਾ ਦੀ ਸਹੂਲਤ ਦਿੰਦਾ ਹੈ।
ਸ਼ੁੱਧਤਾ ਨੂੰ ਮਾਪ ਕੇ, ਪ੍ਰਬੰਧਕ ਸਭ ਤੋਂ ਢੁਕਵਾਂ ਤਰੀਕਾ ਚੁਣ ਸਕਦੇ ਹਨ, ਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਐਡਜਸਟ ਕਰ ਸਕਦੇ ਹਨ (ਜਿਵੇਂ ਕਿ, ਘਾਤਕ ਸਮੂਥਿੰਗ ਵਿੱਚ α), ਅਤੇ ਪਛਾਣ ਕਰ ਸਕਦੇ ਹਨ ਕਿ ਮਾਡਲ ਨੂੰ ਕਦੋਂ ਅੱਪਡੇਟ ਕਰਨ ਦੀ ਲੋੜ ਹੈ।
ਭਵਿੱਖਬਾਣੀ ਐਪਲੀਕੇਸ਼ਨ ਵਿੱਚ ਚੁਣੌਤੀਆਂ
ਭਵਿੱਖਬਾਣੀ ਤਕਨੀਕਾਂ ਦੀ ਤਰੱਕੀ ਦੇ ਬਾਵਜੂਦ, ਕਈ ਚੁਣੌਤੀਆਂ ਅਜੇ ਵੀ ਕਾਇਮ ਹਨ। ਪਹਿਲਾ, ਇਤਿਹਾਸਕ ਡੇਟਾ ਅਧੂਰਾ ਜਾਂ ਅਸੰਗਤ ਹੋ ਸਕਦਾ ਹੈ। ਦੂਜਾ, ਖਪਤਕਾਰਾਂ ਦੇ ਵਿਵਹਾਰ ਵਿੱਚ ਬਦਲਾਅ, ਤਕਨੀਕੀ ਵਿਘਨ, ਜਾਂ ਆਰਥਿਕ ਸੰਕਟ ਪਿਛਲੇ ਡੇਟਾ ਨੂੰ ਘੱਟ ਪ੍ਰਸੰਗਿਕ ਬਣਾ ਸਕਦੇ ਹਨ। ਤੀਜਾ, ਮਨੁੱਖੀ ਪੱਖਪਾਤ - ਜਿਵੇਂ ਕਿ ਬਹੁਤ ਜ਼ਿਆਦਾ ਆਸ਼ਾਵਾਦ - ਪੂਰਵ ਅਨੁਮਾਨ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਵਿਆਖਿਆ ਨੂੰ ਪ੍ਰਭਾਵਤ ਕਰ ਸਕਦੇ ਹਨ। ਇਸ ਲਈ, ਸੰਗਠਨਾਂ ਨੂੰ ਮਾਤਰਾਤਮਕ ਅਤੇ ਗੁਣਾਤਮਕ ਪਹੁੰਚਾਂ ਨੂੰ ਜੋੜਨ ਅਤੇ ਨਿਯਮਿਤ ਤੌਰ 'ਤੇ ਆਪਣੇ ਮਾਡਲਾਂ ਨੂੰ ਅਪਡੇਟ ਕਰਨ ਦੀ ਜ਼ਰੂਰਤ ਹੈ।
ਬੰਦ ਕੀਤਾ ਜਾ ਰਿਹਾ
ਪ੍ਰਬੰਧਨ ਵਿੱਚ ਭਵਿੱਖਬਾਣੀ ਤਕਨੀਕਾਂ ਭਵਿੱਖ ਦੀ ਯੋਜਨਾਬੰਦੀ ਨੂੰ ਹੋਰ ਮਾਪਣਯੋਗ ਬਣਾਉਣ ਲਈ ਜ਼ਰੂਰੀ ਸਾਧਨ ਹਨ। ਡੈਲਫੀ ਅਤੇ ਮਾਰਕੀਟ ਸਰਵੇਖਣਾਂ ਵਰਗੇ ਗੁਣਾਤਮਕ ਤਰੀਕਿਆਂ ਤੋਂ ਲੈ ਕੇ ਮੂਵਿੰਗ ਔਸਤ, ਘਾਤਕ ਸਮੂਥਿੰਗ ਅਤੇ ਰਿਗਰੈਸ਼ਨ ਵਰਗੇ ਮਾਤਰਾਤਮਕ ਤਰੀਕਿਆਂ ਤੱਕ, ਹਰੇਕ ਦੇ ਆਪਣੇ ਫਾਇਦੇ ਅਤੇ ਸੀਮਾਵਾਂ ਹਨ। ਸਫਲ ਭਵਿੱਖਬਾਣੀ ਦੀ ਕੁੰਜੀ ਸਿਰਫ਼ ਸਭ ਤੋਂ ਵਧੀਆ ਢੰਗ ਚੁਣਨਾ ਨਹੀਂ ਹੈ; ਇਹ ਚੰਗੇ ਡੇਟਾ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣਾ, ਵਪਾਰਕ ਸੰਦਰਭ ਲਈ ਵਿਧੀ ਦੀ ਅਨੁਕੂਲਤਾ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣਾ, ਅਤੇ ਇਸਦੀ ਸ਼ੁੱਧਤਾ ਦਾ ਨਿਰੰਤਰ ਮੁਲਾਂਕਣ ਕਰਨਾ ਹੈ। ਸਹੀ ਭਵਿੱਖਬਾਣੀ ਦੇ ਨਾਲ, ਪ੍ਰਬੰਧਨ ਫੈਸਲੇ ਤੇਜ਼, ਵਧੇਰੇ ਕੁਸ਼ਲਤਾ ਨਾਲ ਲੈ ਸਕਦਾ ਹੈ, ਅਤੇ ਮਾਰਕੀਟ ਅਨਿਸ਼ਚਿਤਤਾ ਦਾ ਸਾਹਮਣਾ ਕਰਨ ਲਈ ਬਿਹਤਰ ਢੰਗ ਨਾਲ ਤਿਆਰ ਹੋ ਸਕਦਾ ਹੈ।
