تحليل البيانات والبيانات الضخمة (Data Analytics & Big Data)

مع التحوّل الرقمي، أصبحت وظيفة المشتريات اليوم تتوفّر على أحجامٍ هائلةٍ من البيانات: كاتالوغات المنتجات، تاريخ الطلبات، الفواتير، معلومات الموردين، مؤشّرات الأداء، إلخ. والاستثمار الذكي لهذه البيانات عبر تقنيات تحليل البيانات والبيانات الضخمة يفتح آفاقًا جديدةً للأداء والتنبؤ والابتكار. وفي عالمٍ تتزايد فيه تنافسيّة الشركات بناءً على التفاعليّة والقدرة على الاستباق، يصبح إتقان هذه التقنيات ميزةً استراتيجيّةً لوظيفة المشتريات.

في هذه المقالة، نُعرّف ما يُغطّيه تحليل البيانات والبيانات الضخمة في المشتريات، ونعرض تطبيقاتٍ ملموسة، ونُقدّم الأدوات الرئيسية، ونتحدّث عن الممارسات الفُضْلى لإطلاق مقاربةٍ data-driven داخل الوظيفة.

ماذا نقصد بتحليل البيانات والبيانات الضخمة في المشتريات؟

• تحليل البيانات: مجموع المنهجيّات والأدوات لجمع البيانات وتنظيفها وتحليلها وتصويرها بهدف اتّخاذ قراراتٍ مستنيرة. في المشتريات: مثلًا دراسة النفقات (spend analysis)، ومتابعة أداء الموردين، ورصد الانحرافات، أو تحديد اتجاهات الأسعار.
• البيانات الضخمة: تشير إلى أحجامٍ ضخمة (وغالبًا متعدّدة الأنواع) من البيانات لا يمكن معالجتها بالطرق التقليدية. تتعدّد المصادر: داخلية (ERP، أنظمة معلومات المشتريات، حسّاسات لوجستية) وخارجية (الشبكات الاجتماعية، المواقع، البيانات المفتوحة، مصادر الطقس، إشارات السوق). والرهان هو الاستفادة من هذه البيانات الضخمة لاستباق التطوّرات والابتكار في سلسلة الإمداد.

لماذا تُعدّ هذه المفاهيم أساسية للمشتريات؟

• رؤيةٌ أفضل: رسم خريطةٍ تفصيليّةٍ للنفقات وتدفّقات اللوجستيك وسلوك الموردين، إلخ.
• قراراتٌ أسرع وأكثر وجاهة: رصدٌ شبه فوريّ للانحرافات والشذوذ والفرص (اتجاهات الأسعار، مخاطر الموردين).
• رصد روافع وفرٍ جديدة: بتقاطع مجموعات بيانات كبيرة، يظهر مساراتٌ تحسينٍ غير متوقّعة (توحيد الأحجام، استبدال المنتجات، إعادة التفاوض).
• الاستباق والتنبؤ: إرساء نماذج تنبؤيّة لتوقّع تطوّر أسعار المواد الأوّلية ومخاطر الانقطاع واتجاهات الاستهلاك، إلخ.
• القيادة المتقدّمة: بفضل لوحات قيادةٍ ومؤشّراتٍ ديناميّة، تصبح المشتريات أكثر مرونةً وتفاعليّةً تجاه تقلّبات السوق.

تطبيقات ملموسة في المشتريات

Spend Analysis متقدّم

• توحيد البيانات: تجميع وتنظيم المعلومات من مصادر متعدّدة لرؤيةٍ شاملةٍ للنفقات.
• تجزيءٌ دقيق: تحليل المشتريات بحسب الفئة والعائلة والمورد والمنطقة الجغرافية، إلخ.
• تحديد فرص الوفر: رصد التكرارات والموردين غير المرجعيّين وفروق الأسعار، وصياغة استراتيجيات توحيدٍ أو ترشيد.

قيادة أداء الموردين

• المتابعة في الزمن الفعلي: قياس احترام الآجال (OTD)، الجودة، مستوى الخدمة (OTIF)، الامتثال المجتمعي، إلخ.
• القياس المرجعي والنقاط: مقارنة أداء عدّة موردين، وإسناد نقطةٍ شاملةٍ تأخذ في الحسبان معايير عدّة.
• الوقاية من المخاطر: رصد الإشارات الضعيفة (تأخّرات متكرّرة، اضطرابات مالية، شكاوى) ووضع خطط عملٍ تصحيحية.

التنبّؤ بالطلب وتحسين المخزون

• التحليل التنبؤي: استعمال الخوارزميّات (السلاسل الزمنية، التعلّم الآلي) لاستباق الطلب المستقبليّ بالاستناد إلى تاريخ المبيعات ومتغيّراتٍ أخرى (الموسميّة، اتجاهات السوق).
• الضبط الديناميكي لمستويات المخزون: تفادي الإنتاج الزائد أو الانقطاعات بنمذجة تقلّب الطلب.
• التعاون مع سلسلة الإمداد: تقاسم البيانات والتنبّؤات مع فِرَق اللوجستيك والإنتاج لتحسين سلسلة القيمة بأكملها.

إدارة المخاطر ويقظة السوق

• مراقبة تطوّر الأسعار: تقاطع البيانات الداخلية (التكاليف التاريخية) مع البيانات الخارجية (أسعار المواد الأولية، المؤشّرات الاقتصادية، الأخبار الجيوسياسية).
• رصد الاحتيال أو السلوك غير المعتاد: تحليلٌ آليٌّ لفروق الفوترة، الطلبات المُكرَّرة، الانحرافات في لوحة الموردين.
• تحليل الفرص: اكتشاف موردين محتمَلين جُدُد، تحديد الابتكارات الرئيسية، متابعة الاتجاهات التكنولوجية أو التنظيمية.

الأتمتة والذكاء الاصطناعي

• أتمتة التحليل: نشر روبوتاتٍ برمجيّة (RPA) وخوارزميّات تعلّمٍ آليٍّ لمعالجة أحجامٍ ضخمةٍ بشكلٍ مستمرّ (انظر الأتمتة وRPA).
• Chatbots والمساعدات الافتراضية: تقديم إجاباتٍ فوريّةٍ للمشترين وطالبي الاحتياج بشأن الأسعار وتوفّر المنتجات وتاريخ الاستهلاك (انظر الذكاء الاصطناعي وChatbots).

الأدوات والتقنيات المفتاحية

• برمجيّات ذكاء الأعمال (BI): Power BI، Tableau، Qlik Sense… تُتيح تصوير البيانات والتقارير المتقدّمة.
• منصّات البيانات الضخمة: Hadoop، Spark، Elasticsearch… لتخزين وتحليل أحجامٍ هائلة.
• حلول علم البيانات: Python (pandas، NumPy، scikit-learn)، R، SAS، Dataiku، RapidMiner… لبناء نماذج تنبّؤيّةٍ وتعلّمٍ آلي.
• أنظمة معلومات المشتريات المتكاملة (S2P/P2P): Coupa، SAP Ariba، Ivalua… التي تتضمّن الآن وحدات تحليلٍ وبياناتٍ ضخمة.
• منصّات التعاون: منظوماتٌ يتبادل فيها العملاء والموردون والشركاء بياناتٍ تشغيليّة (Blockchain، بوّابة SRM، منصّاتٌ سحابيّة).

إرساء مقاربة data-driven في المشتريات

تحديد الاستراتيجية والأهداف

• الرهانات ذات الأولوية: التوفير، استباق الطلب، تحسين جودة الموردين، خفض البصمة الكربونية، إلخ.
• المؤشّرات والمقاييس: اختيار المؤشّرات (savings، معدّل الأخطاء، OTIF، معدّل العيوب، إلخ) والتأكّد من إمكان قياسها بالبيانات المتاحة.
• خريطة الطريق والحوكمة: خطّة عملٍ واضحة (آجال، موارد، أدوار)، تعيين مدير مشروعٍ للبيانات أو تشكيل فريقٍ مخصَّص.

جمع البيانات وتنظيفها

• رسم خريطة المصادر: تحديد أماكن البيانات وبنيتها.
• الجودة والتجانس: معالجة التكرارات، توحيد التسميات، إرساء مرجعيّاتٍ مشتركة.
• بنية تحتيّة ملائمة: تهيئة مستودع بيانات أو data lake لتوحيد المعلومات، أو ربط الأنظمة عبر APIs.

التحليل والتصوير

• أدوات BI والتحليل: اختيار حلٍّ ملائمٍ للحجم واحتياجات الاستكشاف.
• الخوارزميّات التنبؤيّة: إرساء نماذج تعلّمٍ آليّ إن لزم الأمر، مع ضمان المتانة ووجاهة بيانات التدريب.
• التصوير والسرد: لوحات قيادةٍ واضحة، تقاريرٌ مؤثّرة، ونشر الثقافة الداتاوية.

اتّخاذ القرار والتحسين المستمرّ

• انخراط الإدارة والتشغيليّين: ضمان وضوح التقارير والتحاليل وقابليّتها للتنفيذ.
• إجراءات تصحيحية: إعادة التفاوض، تقليص لوحة الموردين، إعادة صياغة العقود، تعديل مستويات المخزون، إلخ.
• التكرار الدائم: تتوقّف جودة التحاليل على تغذية المستخدمين الراجعة؛ تتطوّر الاحتياجات والبيانات يجب أن تتحدّث وتُثرى باستمرار.

عوامل النجاح

القيادة وثقافة الشركة

• على المشتريات أن تُشجِّع ثقافة البيانات والفضول، وأن تُبرز أهمية جودة البيانات والتحليل الواقعي.
• دعم الإدارة العليا أساسيٌّ لتوجيه الموارد وترسيخ المقاربة في الاستراتيجية الشاملة.

حوكمة البيانات

• تعريف الأدوار (Data Steward، Data Owner)، وسياسات الأمن والسرّية (RGPD، بنود الموردين).
• إرساء وثائق واضحة ومسارات لتحديث المرجعيّات.

التعاون مع IT والمالية

• مشاريع البيانات عرضانيّةٌ في الغالب: يجب أن تعمل المشتريات مع IT للجانب التقني ومع المالية لضمان انسجام المؤشّرات.

اختيار الأدوات الملائمة

• تفادي النشر الطموح المفرط إن لم تكن للشركة النضج الكافي. من الأفضل البدء بمشروعٍ تجريبيٍّ على فئةٍ شرائيّة.

الكفاءات والتدريب

• على المشترين اكتساب data literacy (قراءة، تفسير، استعمال التقارير).
• قد تكون ملفّاتٌ متخصّصة (data analyst، data scientist) لازمةً بحسب حجم المشروع.

التحسين المستمرّ

• تحليل البيانات ليس جامدًا: يجب تحديث النماذج والمصادر بانتظام وإعادة تقييم الأهداف والمؤشّرات.

خلاصة

يُتيح اللجوء إلى تحليل البيانات والبيانات الضخمة في المشتريات فرصًا هائلةً لتحسين المسارات وخفض التكاليف واستباق المخاطر والابتكار في سلسلة الإمداد. وبجمع وتحليل أحجامٍ ضخمةٍ من البيانات باستمرارٍ — داخلية أو خارجية — تتمكّن فِرَق المشتريات من اتّخاذ قراراتٍ مستنيرةٍ وتفاعليّة، وتعزّز تعاونها مع الإدارات الأخرى (المالية، سلسلة الإمداد)، وتؤدّي دورًا استراتيجيًّا في تنافسية الشركة.

وبالنسبة للمختصين والطلاب في وظيفة المشتريات، من الحاسم فهم:

• كيفية نشر مقاربةٍ data-driven (من الجمع إلى التحليل، مرورًا بالبنية التقنية).
• أيّ أدواتٍ ومقارباتٍ تُستعمل (BI، data lakes، التعلّم الآلي).
• ما هي الروافع الملموسة لتحسين الأداء (spend analysis، قيادة الموردين، التنبّؤ بالطلب، إلخ).
• كيفية إدماج ثقافة البيانات في اليومية (تدريب، حوكمة، قيادة التغيير).

في العصر الرقمي، يفرض تحليل البيانات والبيانات الضخمة نفسهما رافعَين للتميّز والتحوّل لوظيفة المشتريات، يسمحان لها بالارتقاء وتقديم قيمةٍ مضافةٍ ملموسةٍ لمجموع الشركة.