Prognosekvalitet er uundgåeligt afhængig af kvaliteten af de underliggende data. Engangsbegivenheder, såsom en dramatisk stigning i salget eller et usædvanligt fald i efterspørgslen, kan dramatisk ændre prognosen til det værre. Derfor skal man være opmærksom på det historiske salg for at producere nøjagtige prognoser.
AGR-prognosemodulet er designet til at fange alle mulige tendenser, inklusive langsomme og hurtige bevægelser, sæsonmæssige tendenser eller varer, der stiger eller falder i salg . Det betyder, at brugerne ikke behøver avanceret statistisk viden, da systemet håndterer prognosedelen automatisk. Når salgsdata ankommer, beregner prognosemodulet automatisk salgsprognoser baseret på en af følgende prognosemodeller for at opfylde alle almindelige forretningsprognosekrav. Den bedst passende prognosemetode vælges automatisk for en vare afhængigt af produktets art og mængden af tilgængelige historiske data. Det følgende er en beskrivelse af disse prognosemodeller og forskellene mellem dem.
Ekspertvalg
Ekspertvalg gør det muligt for prognosemodulet at vælge en passende univariat prognose teknik automatisk. Ekspertvalg fungerer som følger. Hvis datasættet er meget kort, indstiller Forecasting Module som standard et simpelt glidende gennemsnit. Ellers undersøger Forecasting Module dataene for anvendeligheden af de intermitterende eller diskrete prognosemodeller. Selvom prognoserne produceret fra sådanne modeller kun er lige vandrette linjer, giver de ofte prognoser, der er bedre end dem fra eksponentiel udjævning for små, rodede data. Hvis ingen af disse modeller er anvendelige på dataene, er valget nu indsnævret til forskellige former for eksponentiel udjævning og Box-Jenkins modeller. Forecasting Module kører derefter en række tests på dataene og anvender en regelbaseret logik, der kan føre til et modelvalg baseret på datakarakteristika. Hvis den regelbaserede logik ikke fører til et endeligt svar, udfører Forecasting Module en out-of-sample test for at vælge mellem en eksponentiel udjævningsmodel og en Box-Jenkins-model.
Simple Methods
Simple Method inkluderer glidende gennemsnitsmodeller og er til meget korte eller ekstremt flygtige data. Dette er en almindelig lagerstyringsmetode – brugt af grossister og distributører til efterspørgselsprognoser – til at gennemsnittet salget over de foregående par måneder. Denne metode kan fungere godt for varer med konstant efterspørgsel, men den fungerer ikke så godt for andre. Fordi forskellige varer kan have et meget forskelligt efterspørgselsmønster, er det ekstremt vigtigt at vælge den mest relevante prognosemetode for hver vare.
Hvis datasættet er meget kort eller har færre end 10 punkter, er prognosemodulet standard til simpelt glidende gennemsnit.
Eksponentiel udjævning
Eksponentiel udjævning fungerer som navnet antyder. Den udtrækker niveau-, trend- og sæsonindekserne ved at konstruere udjævnede estimater af disse funktioner, der vægter de seneste data mere tungt. Den tilpasser sig skiftende struktur, men minimerer virkningerne af afvigelser og støj. Tolv forskellige Holt-Winters eksponentielle udjævningsmodeller leveres til at rumme en lang række datakarakteristika. Eksponentielle udjævningsmodeller fanger og forudsiger niveauet af dataene sammen med forskellige typer af tendenser og sæsonbestemte mønstre. Modellerne er adaptive, og prognoserne lægger større vægt på de nyere historievers den fjernere fortid. Robustheden af eksponentiel udjævning gør den ideel, når der ikke er førende indikatorer, og når dataene er for korte eller flygtige til Box-Jenkins.
Vent-og-se-holdningen til ændringer omkring dem er den intuitive måde, hvorpå folk anvender eksponentiel udjævning i deres daglige liv.
Husk på, at selvom eksponentiel udjævning kan tage følgende faktorer i betragtning, når de projicerer en prognose; trenden, niveauet, sæsoneffekter, begivenhedseffekter, tilfældige begivenheder og støj. De inkluderer ikke og kan ikke inkludere virkningerne af fremtidige tilfældige hændelser eller støj, så prognosen er meget jævnere, end den faktiske fremtid vil vise sig at være.
Diskret fordeling
Disse modeller gælder for data, der består af små hele tal, inklusive nogle nuller. Prognoserne er ikke-trends og ikke-sæsonbestemte. Diskrete distributioner er til brug på data, der udelukkende kan bestå af nuller og små heltal. Sjældent brugte reservedele er et eksempel på emner, der ofte falder ind under denne klasse.
Selvom de producerede prognoser kun er lige vandrette linjer, giver de ofte prognoser, der er bedre end dem fra eksponentiel udjævning for små, rodede data .
Crostons intermitterende efterspørgselsmodel (lavvolumenmodel)
Crostons model er designet til data med adskillige nuller, f.eks. ordrer til en langsomtgående del, der er normalt beordret til at genopbygge lager. Datapunkter, der ikke er nul, er normal- eller log-normalfordelte. Prognoserne er ikke-trends og ikke-sæsonbestemte.
Tidsserien består af mange salgsdata, især for varer med mindre volumen med uregelmæssig efterspørgsel. I mange perioder er der slet ingen efterspørgsel. Dette kan være tilfældet for varer, der normalt bestilles i partier for at genopfylde downstream-lagre. Denne metode fungerer ved at kombinere et udjævnet estimat af den gennemsnitlige efterspørgsel for perioder, der har efterspørgsel, med et udjævnet estimat af det gennemsnitlige efterspørgselsinterval.
De producerede prognoser vil vise lige vandrette linjer.
Kurvetilpasning
Kurvetilpasning identificerer den generelle form af kurven, som dataene følger, og bruges til at modellere den globale tendens for de historiske salgsdata . Kurvetilpasning er ret nyttig for korte tidsseriedata, hvor den foreslåede minimumlængde er 10 datapunkter. Kurvetilpasningen understøtter fire typer kurver: en lige linje, kvadratisk, eksponentiel og vækst (S-kurve). Husk på, at kurven ikke rummer sæsonbestemte mønstre.
Box-Jenkins
Box-Jenkins fungerer godt til stabile datasæt og kan fange og forudsige både trend og sæsonbestemt. Dataene skal bestå af minimum 40 datapunkter. Metoden er ganske enkelt den rigeste familie af statistiske modeller, der praktisk kan anvendes i den virkelige verden. Ideelt set ville en forecaster skifte mellem Box-Jenkins og eksponentielle udjævningsmodeller, afhængigt af dataenes egenskaber, hvilket er præcis, hvad det automatiske valg af Forecasting Module er designet til at gøre. Box-Jenkins og Exponential Smoothing adskiller sig ved, at de er baseret på autokorrelationer (stabile datasæt) snarere end et strukturelt syn på niveau, trend og sæsonbestemt. Box-Jenkins-modeller har en tendens til at præstere bedre end eksponentielle udjævningsmodeller for længere, mere stabile datasæt og ikke så godt for støjende, mere flygtige data.
Hvordan prognoser din virksomhed din Produkter? Du er velkommen til at kontakte os for at se, om vores prognosesoftware kan hjælpe din organisation.
