تحلیلگر پیش‌بینی
Forecasting Analyst
تحلیلگر پیش‌بینی (Forecasting Analyst) عددی را می‌سازد که بقیهٔ سازمان با آن برنامه‌ریزی می‌کند: از هر محصول چقدر فروش می‌رود، چند تماس به پشتیبانی می‌رسد یا بودجهٔ ماه‌های آینده بر چه فرضی بسته شود. در زنجیرهٔ تأمین همین کار بیشتر با عنوان Demand Planner آگهی می‌شود و در مراکز تماس با عنوان‌هایی مثل Forecasting and Demand Planning Analyst. هستهٔ کار آمار پیش‌بینی (روند، فصلی بودن، اثر پروموشن)، SQL و Excel، نرم‌افزارهای برنامه‌ریزی مثل Anaplan و SAP IBP و دفاع از عدد پیش‌بینی در جلسه‌های S&OP است. در آگهی‌هایی که بررسی کردیم، یادگیری ماشین بیشتر در نقش‌های ارشد و جهانی آمده و آنجا هم اغلب «امتیاز» یا «مسیر آینده» است، نه شرط ورود؛ ساخت و استقرار مدل‌های ML پیش‌بینی معمولاً کار دانشمند داده است.
مقدمه و تعریف شغل
تحلیلگر پیش‌بینی آیندهٔ یک عدد مهم کسب‌وکار را برآورد می‌کند تا دیگران بتوانند بر اساسش خرید، تولید، استخدام یا بودجه را برنامه‌ریزی کنند. Canadian Tire کار این نقش را ساختن پیش‌بینی در سطح محصول برای تقاضای مشتری و فروشگاه‌ها، با تکیه بر دادهٔ تاریخی، دانش محصول و دادهٔ بازار و رقبا، توصیف می‌کند و موفقیت را با کاهش خطا و سوگیری پیش‌بینی و بهبود سطح خدمت فروشگاه می‌سنجد. در زنجیرهٔ تأمین همین کار اغلب Demand Planner نام دارد؛ در Airbnb نسخهٔ پشتیبانی مشتری آن پیش‌بینی حجم تماس و پیام و برنامه‌ریزی ظرفیت نیروست. نکتهٔ مشترک همهٔ این آگهی‌ها این است که عدد پیش‌بینی باید در جلسهٔ برنامه‌ریزی توضیح داده و از آن دفاع شود.
پرسش «روش ساده بهتر است یا پیچیده؟» دهه‌ها محور این رشته بوده است. طبق ویکی‌پدیا، Makridakis و Hibon در ۱۹۷۹ با مقایسهٔ ۱۱۱ سری زمانی نتیجه گرفتند روش‌های ساده مثل exponential smoothing از روش‌های پیچیده بهتر عمل کرده‌اند و از ۱۹۸۲ رقابت‌های M این مقایسه را تکرار کرده‌اند. در M4 (۲۰۱۸، با ۱۰۰ هزار سری) شش روش خالص یادگیری ماشین ضعیف عمل کردند و برنده روشی ترکیبی از Uber بود؛ در M5 (۲۰۲۰، با حدود ۴۲ هزار سری فروش روزانهٔ Walmart) همهٔ روش‌های برتر یادگیری ماشین خالص بودند و LightGBM در آن‌ها پررنگ بود. Gartner در سپتامبر ۲۰۲۵ پیش‌بینی کرد ۷۰٪ سازمان‌های بزرگ تا ۲۰۳۰ پیش‌بینی تقاضای مبتنی بر AI را به کار بگیرند، اما نوشت پذیرش آن هنوز محدود است. آگهی‌های امروز همین گذار را نشان می‌دهند: Oura از تحلیلگر ارشدش می‌خواهد شرکت را به سمت پیش‌بینی مبتنی بر یادگیری ماشین ببرد، در حالی که نقش‌های ورودی هنوز بیشتر با Excel، SQL و نرم‌افزار برنامه‌ریزی کار می‌کنند. حقوق هم بسته به صنعت فاصلهٔ زیادی دارد: میانهٔ حقوق پایهٔ این عنوان در داده‌های خوداظهاری PayScale آمریکا حدود ۸۲ هزار دلار است و در فهرست کارفرمایانش نام‌هایی مثل Gildan، Delhaize America و T. Marzetti با میانهٔ ۴۶ تا ۶۱ هزار دلار دیده می‌شود، اما آگهی‌های ارشد Oura و Airbnb بازه‌هایی از ۱۴۳ تا ۲۱۰ هزار دلار اعلام کرده‌اند.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک تحلیلگر پیش‌بینی
پیش‌بینی تقاضای محصول
در Canadian Tire تحلیلگر برای فعالیت‌های عادی، پروموشن‌ها و فصل‌ها پیش‌بینی سطح محصول را با JDA Software و ابزارهای داخلی می‌سازد و پیش‌بینی کلی کوتاه‌مدت و بلندمدت را با اهداف مالی هماهنگ نگه می‌دارد.
پیش‌بینی فروش آنلاین
Demand Planner فروش آنلاین در Oura پیش‌بینی را از ترافیک، نرخ تبدیل، بازاریابی، فصلی بودن، پروموشن‌ها، عرضهٔ محصول جدید و ترکیب SKU، کانال و منطقه می‌سازد.
پیش‌بینی حجم تماس و برنامهٔ نیرو
در تیم پشتیبانی Airbnb تحلیلگر تقاضای همهٔ کانال‌ها (تلفن، پیام، ایمیل و کارهای پشت‌صحنه) را در افق کوتاه، میان و بلندمدت پیش‌بینی می‌کند و با مدل‌های ظرفیت مثل Erlang و نظریهٔ صف، نیروی لازم را برآورد می‌کند.
سیگنال تقاضا برای عملیات روزانه
به نوشتهٔ آگهی HelloFresh، سیگنال تقاضا همهٔ تصمیم‌های عملیاتی را تغذیه می‌کند: چقدر غذا سفارش داده شود، چند نفر شیفت باشند و چند کامیون رزرو شود؛ و به کاهش هدررفت غذا کمک می‌کند.
مدل سناریو و ریسک تقاضا
Oura از تحلیلگر ارشد پیش‌بینی می‌خواهد مدل سناریو، داشبورد و ابزار تحلیلی بسازد تا کسب‌وکار ریسک، حالت خوش‌بینانه و بدبینانهٔ تقاضا و پیامد عملیاتی هر کدام را ببیند.
مدل‌های پیش‌بینی مالی
در بانک دیجیتال Monzo تیم Forecasting روی مدل‌های پیش‌بینی مالی کار می‌کند که بودجه‌ریزی و آزمون‌های تنش (stress testing) بانک را تغذیه می‌کنند و نتیجهٔ مدل‌ها را به مدیران ارشد ارائه می‌دهد.
تخصص‌های مختلف تحلیلگر پیش‌بینی
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
پیش‌بینی تقاضای زنجیرهٔ تأمین
Supply Chain Demand Forecasting
پیش‌بینی فروش و تقاضای محصول برای خرید، تولید و موجودی، اغلب با عنوان Demand Planner؛ مثل Danone، Mars، Canadian Tire و OLIPOP. ابزارها معمولاً نرم‌افزارهای برنامه‌ریزی مثل SAP IBP، Anaplan، Kinaxis یا JDA است.
برنامه‌ریزی تقاضای فروش آنلاین
E-commerce & DTC Demand Planning
پیش‌بینی فروش مستقیم به مشتری از روی ترافیک، نرخ تبدیل و کمپین‌ها؛ مثل نقش‌های Oura و HelloFresh، جایی که پیش‌بینی روزانه و هفتگی به سفارش مواد و برنامهٔ تولید می‌رسد.
پیش‌بینی حجم کار و ظرفیت نیرو
Workforce & Capacity Forecasting
پیش‌بینی حجم تماس و پیام مراکز پشتیبانی و تبدیل آن به نیروی لازم؛ Airbnb در این نقش آشنایی با متریک‌هایی مثل AHT، ASA، سطح خدمت، shrinkage و occupancy و ابزارهای WFM مثل NICE، Verint و Aspect را می‌خواهد.
پیش‌بینی مالی
Financial Forecasting
مدل‌های پیش‌بینی برای بودجه، درآمد یا ریسک اعتباری؛ Monzo برای Finance Forecasting Modeller پیشینهٔ مدل‌سازی پیش‌بینی مالی، Python و SQL می‌خواهد و تجربهٔ آزمون‌های تنش نظارتی را امتیاز می‌داند. حقوق اعلام‌شده در این آگهی ۷۹ تا ۱۰۶٫۸ هزار پوند است.
پیش‌بینی با یادگیری ماشین
ML-based Forecasting
ساخت و ادغام مدل‌های ML پیش‌بینی در فرایند برنامه‌ریزی؛ Danone این کار را با SAP IBP انجام می‌دهد و Mars در تیم Forecasting Analyst خود کارآموزی برای به‌کارگیری مدل‌های یادگیری ماشین در پیش‌بینی آماری می‌گیرد. در شرکت‌هایی مثل HelloFresh، ساخت این مدل‌ها در پروداکشن با عنوان Data Scientist آگهی می‌شود.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
در HelloFresh هر دو نقش در یک حوزه کار می‌کنند و مرزشان روشن است: Senior Data Scientist, Demand Forecasting مالک فنی مدل‌های سری زمانی و علّی است و همراه مهندسان یادگیری ماشین مدل‌های آماری و ML را به پروداکشن می‌برد؛ Demand Planner داده‌ها را اعتبارسنجی می‌کند، SQL و داشبورد می‌نویسد، زیر نظر تحلیلگران ارشد روی مدل‌ها کار می‌کند و در S&OP حاضر است. نقش‌هایی مثل Decision Scientist هم بیشتر به تحلیل یک تصمیم مشخص می‌پردازند تا تولید و نگهداری یک پیش‌بینی دوره‌ای.
در زنجیرهٔ تأمین این دو عنوان بسیار نزدیک‌اند و گاهی یکی‌اند. Oura هر دو را دارد: Demand Planner مالک پیش‌بینی یک کانال و چرخهٔ جلسه‌هاست، و Senior Forecast Analyst به تعبیر آگهی «موتور تحلیلی پشت برنامه‌ریزی تقاضا» است و روش‌ها، داده‌ها و ابزار پیش‌بینی را بهتر می‌کند.
تحلیلگر داده با SQL و داشبورد به پرسش‌های متنوع کسب‌وکار جواب می‌دهد. تحلیلگر پیش‌بینی مالک یک عدد دوره‌ای است که مستقیم وارد برنامه‌ریزی می‌شود و کارش با خطا و سوگیری همان عدد سنجیده می‌شود؛ Canadian Tire موفقیت در این نقش را با کاهش Forecast Error/Bias و بهبود سطح خدمت فروشگاه تعریف کرده است.
FP&A بودجه و پیش‌بینی مالی شرکت را می‌سازد؛ تحلیلگر پیش‌بینی بیشتر روی تقاضا، حجم کار یا فروش در سطح محصول و کانال کار می‌کند. همپوشانی زیاد است: Canadian Tire از تحلیلگر پیش‌بینی می‌خواهد پیش‌بینی کلی را با اهداف مالی هماهنگ کند و Monzo نقشی با عنوان Finance Forecasting Modeller دارد که مدل‌های پیش‌بینی مالی بانک را بهبود می‌دهد.
تأثیر در صنایع مختلف
تحلیلگر پیش‌بینی در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
کالاهای مصرفی (FMCG)
Danone در تیم Smart Planning مدل‌های ML پیش‌بینی تقاضا را در SAP IBP ادغام می‌کند. Mars در Veghel هلند «Forecasting Analyst Team» دارد و از کارآموز این تیم آشنایی با ابزارهایی مثل Kinaxis، OMP، FuturMaster، Blue Yonder، E2Open یا John Galt را می‌خواهد.
خرده‌فروشی
Canadian Tire پیش‌بینی سطح محصول را هم برای تقاضای مشتری و هم برای تقاضای فروشگاه‌های نمایندگی می‌سازد و دقت آن را با سطح خدمت فروشگاه پیوند می‌دهد.
فروش آنلاین مواد غذایی
در HelloFresh سیگنال تقاضا سفارش غذا، برنامهٔ نیرو و رزرو کامیون را تعیین می‌کند. در Thrive Market پیش‌بینی تقاضا به برنامه‌ریزی نیرو، حمل، مواد بسته‌بندی و فضا وصل است.
سخت‌افزار مصرفی
Oura داده‌های ارسال، فروش در فروشگاه (POS)، موجودی، پروموشن و چرخهٔ عمر محصول را کنار هم می‌گذارد تا یک سیگنال تقاضای قابل‌اعتماد بسازد.
پلتفرم‌های آنلاین و پشتیبانی مشتری
به نوشتهٔ Airbnb، سازمان پشتیبانی آن سالانه ده‌ها میلیون تعامل را از تلفن، پیام، چت و شبکه‌های اجتماعی پاسخ می‌دهد و پیش‌بینی تقاضا تعیین می‌کند کجا و کی چه نیرویی لازم است.
بانک و فین‌تک
در Monzo مدل‌های پیش‌بینی مالی بودجه‌ریزی و آزمون‌های تنش بانک را تغذیه می‌کنند و تیم با Python، BigQuery، dbt و Anaplan کار می‌کند.
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
مدل پیچیده‌تر یا یادگیری ماشین همیشه پیش‌بینی دقیق‌تری می‌دهد
نتیجهٔ رقابت‌های M به داده بستگی داشته است. طبق ویکی‌پدیا، اولین رقابت (۱۹۸۲) نشان داد روش‌های پیچیده لزوماً دقیق‌تر نیستند و در M4 شش روش خالص یادگیری ماشین ضعیف عمل کردند؛ اما در M5 با داده‌های پرجزئیات Walmart، همهٔ روش‌های برتر یادگیری ماشین خالص بودند. برای همین هر مدل تازه را باید با یک baseline ساده مقایسه کرد.
تحلیلگر پیش‌بینی همان دانشمند دادهٔ مدل‌ساز است
در بیشتر آگهی‌های ورودی و میانی، ابزار اصلی Excel، SQL و نرم‌افزار برنامه‌ریزی است: Canadian Tire با JDA و Excel کار می‌کند و OLIPOP با Anaplan و NetSuite. در HelloFresh ساخت مدل‌های ML در پروداکشن کار دانشمند داده و مهندس ML است و برنامه‌ریز تقاضا از آن‌ها استفاده و دقتشان را پایش می‌کند.
با آمدن AI دیگر به تحلیلگر پیش‌بینی نیازی نیست
Gartner پیش‌بینی می‌کند تا ۲۰۳۰ اغلب سازمان‌های بزرگ از پیش‌بینی مبتنی بر AI استفاده کنند، اما می‌نویسد پذیرش آن هنوز محدود است، به دادهٔ کامل و اعتماد سازمان نیاز دارد و نتایج باید قابل توضیح باشد و با مدل‌های ساده مقایسه شود. آگهی‌های Oura و Danone هم دقیقاً کسی را می‌خواهند که این گذار را هدایت کند. آنچه کم می‌شود ورود دستی عدد است، نه نیاز به قضاوت و توضیح.
یک متریک دقت مثل MAPE کافی است
طبق نتایج اولین رقابت M، رتبهٔ روش‌ها به متریکی که با آن سنجیده می‌شوند بستگی دارد. آگهی‌ها هم چند متریک را با هم می‌خواهند: Airbnb از MAPE، RMSE، MAE و bias نام برده و HelloFresh از MAPE، WAPE و bias و اثرشان روی هدررفت و موجود بودن کالا.
این کار فقط عدد و فرمول است
بخش بزرگی از کار گفت‌وگوست. OLIPOP می‌نویسد این سطح جایی است که برنامه‌ریز «دیگر فقط عدد تولید نمی‌کند و از یک موضع دفاع می‌کند» و Oura توان اثرگذاری بدون اختیار رسمی را شرط گذاشته است.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور (۰–۲ سال)
بیشتر وقت صرف داده و گزارش می‌شود. آگهی HelloFresh برنامه‌ریز تقاضا را «خط اول دفاع» از قابل‌اعتماد بودن پیش‌بینی می‌نامد: پیدا کردن ناهنجاری و قطعی داده پیش از آنکه به برنامه برسد.
- ◆بررسی ورودی‌های دادهٔ تقاضا و علامت زدن داده‌های ناقص یا عجیب
- ◆نوشتن و اصلاح کوئری‌های SQL برای استخراج و اعتبارسنجی داده
- ◆مقایسهٔ پیش‌بینی با فروش واقعی و ثبت علت اختلاف‌ها
- ◆به‌روزرسانی داشبورد دقت، bias و KPIهای عملیاتی
- ◆آماده کردن مطالب جلسهٔ هفتگی S&OP
میانی (۲–۵ سال)
مالک پیش‌بینی یک پورتفولیو یا کانال هستید و پای عددتان می‌ایستید؛ OLIPOP و Oura همین را از Demand Planner می‌خواهند.
- ◆بازبینی baseline آماری در نرم‌افزار برنامه‌ریزی و اعمال override با دلیل مستند
- ◆جمع کردن فرض‌های پروموشن، قیمت و محصول جدید از فروش و بازاریابی
- ◆ساخت نسخه‌های سناریو برای ریسک و فرصت
- ◆پیش‌بینی محصول جدید با محصولات مشابه گذشته (analog)
- ◆ارائهٔ تغییرات پیش‌بینی در جلسهٔ consensus و S&OP
ارشد (۵+ سال)
تمرکز از تولید عدد به بهتر کردن روش، داده و ابزار پیش‌بینی می‌رود؛ آگهی‌های ارشد Oura و Airbnb حاکمیت مدل، سنجش عدم قطعیت و ارائه به مدیران ارشد را می‌خواهند.
- ◆طراحی و استانداردسازی روش پیش‌بینی و مستندسازی فرض‌ها
- ◆ارزیابی مدل‌ها با backtesting و تحلیل خطا و bias
- ◆انتخاب کاربردهای پرارزش یادگیری ماشین و آزمودن آن‌ها
- ◆همکاری با تیم‌های داده و سیستم برای بهتر کردن ورودی‌ها
- ◆ارائهٔ سناریوها و عدم قطعیت به مدیران ارشد
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈ساخت پیش‌بینی پایهٔ آماری از روی تقاضای گذشته، فصلی بودن، پروموشن‌ها، ورود و خروج محصول و ترکیب کانال‌ها
- ◈سنجش دقت و سوگیری پیش‌بینی با متریک‌هایی مثل MAPE، WAPE و bias و پیدا کردن علت خطاها
- ◈نوشتن کوئری SQL و اعتبارسنجی داده‌های ورودی پیش از رسیدن به برنامه، و ثبت مشکلات تکراری داده
- ◈ساخت مدل سناریو برای ریسک و فرصت: پروموشن، محصول جدید، محدودیت تأمین یا اوج تقاضا
- ◈ساخت داشبورد و گزارش خودکار دقت پیش‌بینی و KPIهای عملیاتی
- ◈آماده کردن و ارائهٔ پیش‌بینی در جلسه‌های S&OP و توضیح اینکه چه تغییر کرد، چرا و چه باید کرد
- ◈جمع‌آوری و به چالش کشیدن فرض‌های فروش، بازاریابی و مالی و ثبت دلیل هر override
- ◈مستندسازی روش‌ها و فرض‌ها و تعریف قواعد حاکمیت مدل: اعتبارسنجی، backtesting و بررسی پس از خطا
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک تحلیلگر پیش‌بینی موفق به آن‌ها نیاز دارد
آمار و روش‌های پیش‌بینی
روند، فصلی بودن، تجزیهٔ سری و تشخیص داده‌های پرت و تغییرات ساختاری
دو خانوادهٔ اصلی روش‌های آماری که Airbnb صریحاً نام برده است
مدل کردن اثر پروموشن، قیمت، عرضهٔ محصول و ترکیب کانال
MAPE، WAPE، MAE، RMSE و bias و اینکه هر کدام چه چیزی را پنهان می‌کند
اعتبارسنجی روی دوره‌های گذشته، مستندسازی و بررسی پس از خطا
بیان پیش‌بینی به‌صورت بازه و توزیع خطا، نه فقط یک عدد
محصول یا بازار جدید با analog و دادهٔ جایگزین؛ HelloFresh و OLIPOP به آن اشاره کرده‌اند
داده و ابزار
مدل‌سازی در spreadsheet، تطبیق داده و تحلیل سناریو
استخراج، اعتبارسنجی و تبدیل دادهٔ تقاضا
مدل‌سازی و خودکارسازی؛ در نقش‌های ارشد شرط و در نقش‌های ورودی امتیاز
Anaplan، SAP IBP، o9، Kinaxis، JDA یا مشابه
Tableau یا Power BI برای گزارش دقت و KPI
LightGBM و ویژگی‌های زمانی؛ در آگهی Oura امتیاز و در Danone «امتیاز قوی»
HelloFresh استفاده از Gemini یا Claude را برای نوشتن و رفع اشکال SQL تشویق می‌کند
کسب‌وکار و ارتباط
چرخهٔ ماهانه یا هفتگی هماهنگی تقاضا، تأمین و مالی
تشخیص زمانی که عدد آماری به اصلاح تجاری نیاز دارد و ثبت دلیلش
توضیح تغییرات و عدم قطعیت به مخاطب غیرفنی و ایجاد توافق
سطح خدمت، fill rate، هفته‌های موجودی و ارتباط پیش‌بینی با خرید و تولید
ساخت حالت‌های پایه، خوش‌بینانه و بدبینانه برای تصمیم‌گیری
مثلاً متریک‌های مراکز تماس (AHT، ASA، occupancy) برای پیش‌بینی نیرو
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به تحلیلگر پیش‌بینی
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
پایه: Excel، SQL و آمار مقدماتی
بیشتر آگهی‌های این حوزه از همین‌جا شروع می‌کنند: Canadian Tire تسلط متوسط یا پیشرفته به Excel می‌خواهد، OLIPOP به pivot table و XLOOKUP اشاره می‌کند و HelloFresh و Oura کار با SQL را. آمار مقدماتی (میانگین، پراکندگی، توزیع و رگرسیون ساده) را هم کنارش یاد بگیرید.
روش‌های آماری پیش‌بینی
کتاب رایگان Forecasting: Principles and Practice را از ابتدا تا فصل‌های exponential smoothing و ARIMA بخوانید: تجزیهٔ روند و فصلی بودن، پیش‌بینی‌های پایه (naive)، سنجش خطا، پیش‌بینی قضاوتی و پیش‌بینی سلسله‌مراتبی. Airbnb همین روش‌ها (exponential smoothing، ARIMA، رگرسیون) و متریک‌هایی مثل MAPE، RMSE، MAE و bias را صریحاً نام برده است.
فرایند کسب‌وکار: برنامه‌ریزی تقاضا، S&OP و موجودی
پیش‌بینی به‌تنهایی ارزشی ندارد؛ باید بدانید چه کسی با آن تصمیم می‌گیرد. HelloFresh از برنامه‌ریز تقاضا می‌خواهد در چرخهٔ هفتگی S&OP مطالب جلسه را آماده کند و OLIPOP از او می‌خواهد پیش‌بینی را در جلسهٔ consensus جلوی فروش و مالی توضیح دهد. مفاهیم موجودی، سطح خدمت و ارتباط پیش‌بینی با خرید و تولید را یاد بگیرید.
Python و یادگیری ماشین برای پیش‌بینی
آگهی ارشد Oura، Python یا R را برای مدل‌سازی می‌خواهد و تجربهٔ یادگیری ماشین برای سری زمانی را امتیاز می‌داند. با کتابخانه‌های آماده شروع کنید و هر مدل ML را با یک مدل آماری ساده مقایسه کنید. در رقابت M5 با داده‌های Walmart، مدل LightGBM در راه‌حل‌های برتر پررنگ بود.
مدل‌های تازه، اعتمادسازی و ارائه
مدل‌های از پیش آموزش‌دیدهٔ سری زمانی مثل Chronos و TimesFM آمده‌اند و نسخهٔ Python کتاب Hyndman فصلی به نام Foundation forecasting models دارد. Gartner توصیه می‌کند خروجی پیش‌بینی‌های AI قابل توضیح باشد و با مدل‌های ساده مقایسه شود. همین منطق را در کار خودتان پیاده کنید و مهارت ارائهٔ عدم قطعیت به مدیران را تمرین کنید.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
داده و تحلیل
ابزار روزمرهٔ بیشتر نقش‌های این حوزه؛ در آگهی‌های Canadian Tire، OLIPOP، Oura و Airbnb آمده است
بیرون کشیدن و اعتبارسنجی دادهٔ تقاضا؛ Oura «advanced SQL» می‌خواهد و HelloFresh نوشتن و نگهداری کوئری روی Databricks و Snowflake را
مدل‌سازی و خودکارسازی؛ Airbnb و Monzo آن را می‌خواهند و HelloFresh برای برنامه‌ریز تقاضا امتیاز می‌داند
کتابخانه‌های پیش‌بینی
روش پیش‌بینی در R و Python که به گفتهٔ سازندگانش پیش‌بینی خودکار می‌دهد و تحلیلگر می‌تواند آن را دستی تنظیم کند
نرم‌افزارهای برنامه‌ریزی
پلتفرم برنامه‌ریزی؛ OLIPOP و Thrive Market پیش‌بینی را در آن می‌سازند و Airbnb و Monzo هم از آن نام برده‌اند
گزارش، داده و برنامه‌ریزی نیرو
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
تحلیلگر پیش‌بینی / برنامه‌ریز تقاضای ورودی
۰ تا ۲ سال
ساخت پیش‌بینی در سطح محصول با نرم‌افزار برنامه‌ریزی، پایش انحراف فروش واقعی از پیش‌بینی و پیشنهاد اصلاح؛ آگهی Forecasting Analyst شرکت Canadian Tire حداقل سابقه تعیین نکرده و مدرک لیسانس می‌خواهد
Demand Planner / Forecasting Analyst
۲ تا ۵ سال
مالکیت پیش‌بینی یک پورتفولیو یا کانال، بررسی baseline آماری و override با دلیل مستند، ساخت سناریو و ارائه در S&OP؛ HelloFresh برای Demand Planner دو تا سه سال سابقه می‌خواهد
Senior Forecast Analyst
۵+ سال
طراحی روش پیش‌بینی، ارزیابی و حاکمیت مدل، انتخاب کاربردهای یادگیری ماشین و ارائه به مدیران ارشد؛ Oura برای این سطح دست‌کم شش سال و Airbnb برای نقش مشابه در پشتیبانی مشتری ده سال سابقه می‌خواهد
Demand Planning Manager / Director
پس از سطح ارشد
رهبری فرایند پیش‌بینی و S&OP، ساخت ابزارهای برنامه‌ریزی و مدیریت تیم؛ Thrive Market برای Director of Demand Planning بازهٔ حقوق پایهٔ ۱۸۰ تا ۲۰۵ هزار دلار اعلام کرده است
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
محصول جدید و دادهٔ کم
عمومیبرای محصول یا بازار تازه سابقه‌ای وجود ندارد. HelloFresh از برنامه‌ریز می‌خواهد با دادهٔ جایگزین و هموارسازی روند کار کند و OLIPOP پیش‌بینی عرضهٔ محصول جدید را با محصولات مشابه گذشته، برنامهٔ بازاریابی و برنامهٔ فروشگاه‌ها می‌سازد و بعد آن را با فروش واقعی اصلاح می‌کند.
دادهٔ نامرتب و قطعی داده
عمومیOura کار با «داده‌های بزرگ و نامرتب» و بهتر کردن کیفیت آن را شرط گذاشته است. خطای داده اگر دیر دیده شود، پیش از اصلاح وارد تصمیم خرید و تولید شده است؛ برای همین بخشی از کار روزانه ساختن هشدار برای دادهٔ ناقص است.
Override بی‌حساب
عمومیفروش و بازاریابی معمولاً عددشان را دارند. OLIPOP از برنامه‌ریز «انضباط override» می‌خواهد: اصلاح فقط در سطح درست و با دلیل مستند، نه جایگزین کردن مدل با ورود دستی.
دفاع از عدد در جلسه
عمومیپیشبینی وقتی ارزش دارد که پذیرفته شود. باید بتوانید توضیح دهید چه تغییر کرد، چرا و کسب‌وکار چه باید بکند، آن هم بدون اختیار رسمی بر تیم‌های دیگر؛ Oura همین را در شرایط Demand Planner نوشته است.
اعتماد به پیش‌بینی AI
شرکت بزرگGartner می‌نویسد پذیرش پیش‌بینی بدون دخالت دستی با AI هنوز محدود است؛ از جمله به دلیل کمبود دادهٔ کامل و مقاومت کارکنانی که به روش‌های سنتی عادت دارند. کسی که مدل تازه را معرفی می‌کند باید نتیجه را توضیح دهد و نشان دهد از یک مدل ساده بهتر است.
مهاجرت از Excel به نرم‌افزار برنامه‌ریزی
استارتاپOLIPOP در میانهٔ گذار از Excel به Anaplan است و از برنامه‌ریز می‌خواهد در تست پذیرش و انتقال داده مشارکت کند؛ Oura هم تجربه در شرکتی را که از spreadsheet به سیستم برنامه‌ریزی متصل می‌رود امتیاز می‌داند. در این دوره هم باید پیش‌بینی را تحویل داد و هم فرایند تازه را ساخت.
حقوق و بازار کار جهانی
حقوق جهانی تحلیلگر پیش‌بینی
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- Glassdoor US, estimate updated Apr 2025, Forecasting Analyst, total pay: 25th–75th pct; average (111 salaries)
- PayScale US, Forecast Analyst (updated Oct 2026): base 10th–90th pct; median (62 salaries)
- PayScale US, Forecast Analyst, mid-career 5–9 yrs (updated Oct 2026): base 10th–90th pct; median (28 salaries)
- Ōura posting, Senior Forecast Analyst Demand Planning (San Francisco, 6+ years), posted Aug 14, 2026: Region 1 base range; median = midpoint
- Airbnb posting, Community Support Forecasting and Demand Planning Analyst (US remote, 10+ years), posted Apr 24, 2026: base pay range; median = midpoint
- Glassdoor Canada, estimate updated Oct 2026, Forecasting Analyst, total pay: 25th–75th pct; average (37 salaries)
- PayScale Canada, Forecast Analyst (updated Aug 2025): base 10th–90th pct; median (11 salaries)
- Canadian Tire posting, Forecasting Analyst (Toronto, no minimum years stated), seen Oct 2026: broadband salary range; median = midpoint
- Glassdoor UK, estimate updated Oct 2026, Forecasting Analyst, total pay: 25th–75th pct; average (42 salaries)
- Glassdoor Germany, estimate updated Oct 2024; proxy: Demand Planner; total pay 25th–75th pct; average (137 salaries)
- Glassdoor India, estimate updated May 2025, Forecasting Analyst, total pay: 25th–75th pct; average (11 salaries)
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: مبانی پیش‌بینی
فصل‌های اول کتاب FPP تا ابزارهای سنجش خطا را بخوانید و مثال‌ها را با داده‌های کار فعلی‌تان تکرار کنید.
ماه ۲: ETS و ARIMA
این دو خانوادهٔ روش را روی چند سری اجرا کنید و با baseline ساده مقایسه کنید.
ماه ۳: Backtesting روی دادهٔ واقعی
با بخشی از داده‌های M5 پروژهٔ دوم پورتفولیو را بسازید و MAPE، WAPE و bias را گزارش کنید.
ماه ۴: فرایند برنامه‌ریزی
S&OP، موجودی و سطح خدمت را یاد بگیرید و چند مقالهٔ کاربردی دربارهٔ پیش‌بینی کسب‌وکار بخوانید.
ماه ۵: داشبورد و سناریو
یک داشبورد دقت پیش‌بینی و یک بستهٔ سناریو بسازید که بشود در جلسه ارائه کرد.
ماه ۶: رزومه و درخواست
پروژه‌ها را با زبان آگهی‌ها توصیف کنید: کاهش خطا و bias، ساخت سناریو و ارائه در S&OP. برای نقش‌های Demand Planner و Forecast Analyst اقدام کنید.
پروژه‌های پیشنهادی برای رزومه
پیش‌بینی فروش ماهانه در Excel با گزارش دقت
مبتدیبرای یک سری فروش عمومی سه روش ساده (naive فصلی، میانگین متحرک و exponential smoothing) بسازید، روی چند ماه آخر backtest کنید و MAPE، WAPE و bias هر روش را در یک جدول خلاصه کنید. در یک صفحه توضیح دهید کدام را انتخاب می‌کنید و چرا.
پیش‌بینی آماری چند سری با Python
متوسطزیرمجموعهای از داده‌های M5 (فروش روزانهٔ Walmart در Kaggle) را بردارید، با StatsForecast مدل‌های ETS و ARIMA را با یک baseline ساده مقایسه کنید و نتیجه را با backtesting چنددوره‌ای بسنجید.
پیش‌بینی حجم تماس و نیروی لازم
متوسطبا داده‌های عمومی یا ساختگی یک مرکز تماس، حجم تماس روزانه و ساعتی را پیش‌بینی کنید و با فرمول Erlang C تعداد نیروی لازم برای یک سطح خدمت مشخص را حساب کنید. اثر روزهای اوج را به‌صورت سناریو نشان دهید.
پیش‌بینی سلسله‌مراتبی با یادگیری ماشین
پیشرفتهروی داده‌های M5 مدل LightGBM را با MLForecast بسازید، پیش‌بینی سطح محصول را با جمع فروشگاه و ایالت سازگار کنید و بازهٔ پیش‌بینی بدهید. نتیجه را با بهترین مدل آماری پروژهٔ قبل مقایسه کنید و بنویسید کجا ML بهتر بود و کجا نه.
بستهٔ S&OP با سناریو و یک مدل foundation
پیشرفتهبرای یک خط محصول پیش‌بینی پایه، سناریوی پروموشن و سناریوی محدودیت تأمین بسازید و یک مدل از پیش آموزش‌دیده مثل Chronos را هم کنار baseline بسنجید. خروجی را مثل جلسهٔ واقعی S&OP ارائه کنید: چه تغییر کرد، چرا، و کسب‌وکار چه باید بکند.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
طبق ویکی‌پدیا، آمارشناس استرالیایی و استاد آمار در دانشگاه Monash است که برای کارش روی پیش‌بینی و سری‌های زمانی شناخته می‌شود. از ۲۰۰۵ تا ۲۰۱۸ سردبیر International Journal of Forecasting بود.
از سازندگان متریک خطای MASE است که به مقیاس داده وابسته نیست. کتاب Forecasting: Principles and Practice را با George Athanasopoulos نوشته که رایگان و آنلاین است، و نسخهٔ Python آن را با همکارانی از Nixtla منتشر کرده که فصل‌هایی دربارهٔ شبکهٔ عصبی و مدل‌های foundation دارد. در ۲۰۰۷ مدال Moran آکادمی علوم استرالیا و در ۲۰۲۱ مدال Pitman انجمن آمار استرالیا را گرفت.
به نظر می‌رسد بخش بزرگی از اثر او از در دسترس گذاشتن رایگان دانش آمده است. برای تازه‌واردها هم کتاب او نقطهٔ شروع خوبی است، چون همان روش‌هایی را آموزش می‌دهد که آگهی‌ها نام می‌برند.
طبق ویکی‌پدیا، در ۱۹۶۰ عضو تیم قایقرانی یونان در المپیک بود، در ۱۹۶۹ از دانشگاه نیویورک دکترا گرفت و از ۱۹۷۰ به INSEAD پیوست. امروز استاد دانشگاه نیکوزیا و استاد بازنشستهٔ علوم تصمیم در INSEAD است.
برگزارکنندهٔ رقابت‌های M است که از ۱۹۸۲ دقت روش‌های پیش‌بینی را روی دادهٔ واقعی می‌سنجند. پیش از آن، در مقاله‌ای در ۱۹۷۹ با Hibon روی ۱۱۱ سری زمانی نشان داد روش‌های ساده مثل exponential smoothing از روش‌های پیچیده بهتر عمل کرده‌اند. از بنیان‌گذاران و اولین سردبیر Journal of Forecasting و International Journal of Forecasting بود.
کار او یادآوری می‌کند که در پیش‌بینی، ادعای برتری یک روش را باید روی داده آزمود. همین عادت مقایسه با روش ساده، در کار روزانهٔ تحلیلگر پیش‌بینی هم جواب می‌دهد.
طبق وبلاگ مهندسی Uber، از دانشمندان دادهٔ ارشد Uber بود که روی پیش‌بینی سری‌های زمانی کار می‌کرد.
برندهٔ رقابت M4 شد که ۱۰۰ هزار سری زمانی داشت. در همان رقابت روش‌های خالص یادگیری ماشین و شبکهٔ عصبی از الگوریتم‌های استانداردی مثل ARIMA و exponential smoothing بدتر بودند، اما روش ترکیبی او (ES-RNN) که فرمول‌های exponential smoothing را با یک شبکهٔ عصبی بازگشتی ترکیب می‌کرد، با فاصلهٔ خوب اول شد. به نوشتهٔ همان مطلب، نسخه‌هایی از این مدل برای مسائل پیش‌بینی در Uber در دست توسعه بود.
راه‌حل او نه کنار گذاشتن روش‌های کلاسیک بود و نه دل بستن کامل به شبکهٔ عصبی، بلکه ترکیب این دو. برای کسی که از پیش‌بینی آماری به یادگیری ماشین می‌رود، این الگوی خوبی است.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Senior Forecast Analyst Demand Planning
تحلیل نیازمندی‌ها
6+ years of experience in forecasting, demand planning, analytics, data science, operations research, or a closely related field.
این سطح ارشد است، اما مسیر ورود باز است: سابقه در برنامه‌ریزی تقاضا، تحلیل داده، علم داده یا تحقیق در عملیات همه پذیرفته می‌شود. یعنی می‌شود از Demand Planner یا تحلیلگر داده به این نقش رسید.
ضروریStrong experience building and applying statistical forecasting methods in a business environment.
شرط اصلی، روش‌های آماری در محیط واقعی کسب‌وکار است، نه یادگیری ماشین. باید نشان دهید پیش‌بینی آماری ساخته‌اید که واقعاً در برنامه‌ریزی استفاده شده است.
ضروریAdvanced SQL skills and strong proficiency in Python, R, or a similar analytical programming language used for modeling and forecasting.
در سطح ارشد، Excel کافی نیست: SQL پیشرفته و یک زبان مدل‌سازی لازم است. انتخاب بین Python و R آزاد است.
ضروریDemonstrated ability to work with large, messy data sets and improve data quality, data structure, and analytical reliability.
دادهٔ برنامه‌ریزی از منابع مختلف می‌آید و تمیز نیست. کارفرما کسی را می‌خواهد که خودش کیفیت داده را بالا ببرد، نه اینکه منتظر دادهٔ آماده بماند.
مهمExperience developing forecasting models, evaluating model performance, and using diagnostics to improve outcomes over time.
ساختن مدل نیمی از کار است؛ نیم دیگر سنجیدن آن با متریک‌های خطا و bias و بهتر کردنش در طول زمان است.
ضروریAbility to translate analytical work into clear business recommendations that influence planning decisions and cross-functional action.
خروجی کار باید به تصمیم برسد. یعنی تحلیل را به زبان تیم‌های زنجیرهٔ تأمین، مالی و فروش ترجمه کنید.
ضروریExperience with machine learning approaches for time-series forecasting or demand sensing in production or near-production settings.
این مورد در بخش Nice-to-Have آمده است: یادگیری ماشین امتیاز است، نه شرط. اگر یک پروژهٔ ML سری زمانی دارید که نزدیک به استفادهٔ واقعی رسیده، شما را متمایز می‌کند.
مفیدExperience with causal modeling, experimentation, or advanced scenario planning techniques.
این هم امتیاز است. مدل علّی و سناریو کمک می‌کند به این پرسش جواب دهید که «اگر پروموشن یا قیمت را عوض کنیم چه می‌شود»، نه فقط «روند ادامه پیدا کند چه می‌شود».
مفیدتحلیل مسئولیت‌ها
Build and refine statistical baseline forecasts using historical demand, seasonality, promotions, product transitions, channel mix, and other key business drivers.
baseline آماری نقطهٔ شروع هر چرخهٔ برنامه‌ریزی است. باید بدانید هر عامل (فصل، پروموشن، جایگزینی محصول) چطور در مدل وارد می‌شود.
Help drive Ōura’s evolution toward machine learning-enabled forecasting by identifying the highest-value use cases, testing approaches, and translating outputs into practical planning decisions.
نقش ML در این آگهی روشن است: پیدا کردن جاهایی که بیشترین ارزش را دارد، آزمودن و تبدیل خروجی به تصمیم عملی. یعنی هدایت گذار، نه ساختن یک سیستم بزرگ ML از روز اول.
Evaluate forecast performance using error diagnostics, bias analysis, and other relevant metrics, and turn findings into clear recommendations for improvement.
سنجش خطا و سوگیری کار ثابت این نقش است. تحلیل باید به پیشنهاد مشخص برسد: کدام روش، کدام داده یا کدام فرض باید عوض شود.
Help connect data across shipments, POS, inventory, promotions, product lifecycle events, and other planning inputs so teams can work from a more complete and trusted demand signal.
سیگنال تقاضا از چند منبع ساخته می‌شود: ارسال، فروش در فروشگاه، موجودی و پروموشن. کنار هم گذاشتن درست آن‌ها اغلب بیشتر از عوض کردن مدل روی دقت اثر دارد.
Build scenario models, dashboards, and analytical tools that help the business understand demand risk, upside, downside, and operational implications.
مدیران فقط یک عدد نمی‌خواهند؛ می‌خواهند بدانند در بدترین و بهترین حالت چه می‌شود و برای هر کدام چه باید کرد.
Support monthly, quarterly, and long-range planning cycles with clear, decision-ready analysis.
کار ریتم ثابت دارد: چرخه‌های ماهانه، فصلی و بلندمدت. تحلیل باید سر موعد و آمادهٔ تصمیم باشد.
Standardize forecasting logic, assumptions, and documentation so methods are transparent, repeatable, and easier to scale.
مستندسازی روش و فرض‌ها باعث می‌شود پیش‌بینی به یک نفر وابسته نباشد و دیگران بتوانند آن را بفهمند و تکرار کنند.
نتیجه‌گیری کلی
این آگهی تصویر روشنی از نسخهٔ ارشد این نقش می‌دهد: کسی با دست‌کم شش سال سابقه که پیش‌بینی آماری می‌سازد و می‌سنجد، داده‌های برنامه‌ریزی را یکپارچه می‌کند و نتیجه را به تصمیم تبدیل می‌کند. یادگیری ماشین در آن «مسیر آینده» و امتیاز است، نه شرط ورود؛ SQL پیشرفته و Python یا R شرط است. بازهٔ حقوق اعلام‌شده برای منطقهٔ ۱ (سان‌فرانسیسکو) ۱۴۳ تا ۱۶۹ هزار دلار است.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
BLS گروه جداگانه‌ای برای Forecasting Analyst یا Demand Planner ندارد. نزدیک‌ترین گروه رسمی Logisticians است که «پیش‌بینی و هم‌راستا کردن جریان تقاضا و عرضهٔ محصول» جزو وظایفش آمده و جستجوی O*NET برای demand planner هم اول به زیرگروه Logistics Analysts آن می‌رسد. BLS پیش‌بینی می‌کند اشتغال این گروه از ۲۰۲۵ تا ۲۰۳۵، ۱۸٪ رشد کند و دلیلش را پیچیده‌تر شدن لجستیک با رشد تجارت الکترونیک می‌داند.
منبع: BLS Occupational Outlook Handbook — Logisticians (2025–35)
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
Gartner (سپتامبر ۲۰۲۵) پیش‌بینی می‌کند ۷۰٪ سازمان‌های بزرگ تا ۲۰۳۰ پیش‌بینی تقاضای مبتنی بر AI را به کار بگیرند و به جای موتورهای آماری سنتی از روش‌های یادگیری ماشین استفاده کنند.
Gartner (مه ۲۰۲۵) پیش‌بینی می‌کند تا ۲۰۳۰، نیمی از نرم‌افزارهای میان‌بخشی مدیریت زنجیرهٔ تأمین از ایجنت‌های هوشمند برای اجرای خودکار تصمیم‌ها استفاده کنند؛ مثلاً ایجنتی که بر اساس موجودی، تقاضای پیش‌بینی‌شده و شرایط بازار خرید می‌کند.
BLS آمریکا پیش‌بینی می‌کند اشتغال Logisticians، نزدیک‌ترین گروه رسمی به برنامه‌ریزی تقاضا، از ۲۰۲۵ تا ۲۰۳۵، ۱۸٪ رشد کند.
Gartner پیش‌بینی بدون دخالت دستی (touchless forecasting) با یادگیری ماشین را فرصتی برای خودکارسازی برنامه‌ریزی تقاضا می‌داند؛ یعنی بخشی از کار ورود و اصلاح دستی عدد که امروز در نقش‌های ورودی دیده می‌شود، کم خواهد شد. همان گزارش می‌نویسد پذیرش این روش هنوز محدود است و به دادهٔ کامل، تغییر فرایند و اعتماد سازمان نیاز دارد. ریسک برای کسی بیشتر است که فقط عدد را در spreadsheet به‌روز می‌کند؛ آگهی‌های ارشد Oura و Danone کسانی را می‌خواهند که داده را بهتر کنند، مدل را بسنجند و نتیجه را توضیح دهند.
منابع
اطلاعات این صفحه در تاریخ ۳۰ مهر ۱۴۰۵ از این ۳۰ منبع بررسی شده است.
- Senior Forecast Analyst Demand Planning — Ōura (job posting)
- Community Support Forecasting and Demand Planning Analyst — Airbnb (job posting)
- Global Forecast Analyst — Danone (job posting)
- Forecasting Analyst — Canadian Tire Corporation (job posting)
- Demand Planner, London — HelloFresh (job posting)
- Demand Planner, E-Commerce — Ōura (job posting)
- Demand Planner — OLIPOP (job posting)
- Finance Forecasting Modeller — Monzo (job posting)
- Director of Demand Planning — Thrive Market (job posting)
- Senior Data Scientist, Demand Forecasting — HelloFresh (job posting)
- Thesis internship – Forecast analytics — Mars (job posting)
- Glassdoor — Forecasting Analyst salary, United States
- Glassdoor — Forecasting Analyst salary, Canada
- Glassdoor — Forecasting Analyst salary, United Kingdom
- Glassdoor — Forecasting Analyst salary, India
- Glassdoor — Demand Planner Gehalt, Deutschland
- PayScale — Forecast Analyst salary, United States
- PayScale — Mid-Career Forecast Analyst salary, United States
- PayScale — Forecast Analyst salary, Canada
- BLS Occupational Outlook Handbook — Logisticians
- O*NET OnLine — keyword search: demand planner
- Gartner — 70% of Large Organizations Will Adopt AI-Based Supply Chain Forecasting by 2030 (Sep 2025)
- Gartner — Half of SCM Solutions Will Include Agentic AI Capabilities by 2030 (May 2025)
- Makridakis Competitions — Wikipedia
- Rob J. Hyndman — Wikipedia
- Spyros Makridakis — Wikipedia
- Uber Blog — M4 Forecasting Competition: Introducing a New Hybrid ES-RNN Model
- Forecasting: Principles and Practice (3rd ed) — Hyndman & Athanasopoulos
- Forecasting: Principles and Practice, the Pythonic Way
- IBF — Business Forecasting Certification (CPF / ACPF)