Prognosekvalitet er uunngåelig avhengig av kvaliteten på de underliggende dataene. Engangshendelser, som en dramatisk økning i salg eller et uvanlig fall i etterspørselen, kan dramatisk endre prognosen til det verre. Derfor må man ta hensyn til det historiske salget for å produsere nøyaktige prognoser.
AGR-prognosemodulen er utviklet for å fange opp alle mulige trender, inkludert sakte og raske bevegelser, sesongmessige trender eller varer som øker eller reduseres i salg . Dette betyr at brukerne ikke trenger avansert statistisk kunnskap da systemet håndterer prognosedelen automatisk. Når salgsdata kommer, beregner prognosemodulen automatisk salgsprognoser basert på en av følgende prognosemodeller for å tilfredsstille alle ordinære forretningsprognosekrav. Den best passende prognosemetoden velges automatisk for en vare avhengig av produktets art og mengden historiske data tilgjengelig. Følgende er en beskrivelse av disse prognosemodellene og forskjellene mellom dem.
Ekspertvalg
Ekspertvalg lar prognosemodulen velge en passende univariat prognose teknikk automatisk. Ekspertvalg fungerer som følger. Hvis datasettet er veldig kort, bruker prognosemodulen som standard et enkelt glidende gjennomsnitt. Ellers undersøker Forecasting Module dataene for anvendeligheten til de intermitterende eller diskrete prognosemodellene. Selv om prognosene som produseres fra slike modeller bare er rette horisontale linjer, gir de ofte prognoser som er overlegne prognoser fra eksponentiell utjevning for lite volum, rotete data. Hvis ingen av disse modellene er anvendelige for dataene, er valget nå begrenset til ulike former for eksponentiell utjevning og Box-Jenkins-modeller. Forecasting Module kjører deretter en serie tester på dataene og bruker en regelbasert logikk som kan føre til et modellvalg basert på datakarakteristikker. Hvis den regelbaserte logikken ikke fører til et definitivt svar, utfører Forecasting Module en test for å velge mellom en eksponentiell utjevningsmodell og en Box-Jenkins-modell.
Simple Methods
Simple Method inkluderer glidende gjennomsnittsmodeller og er for svært korte eller ekstremt flyktige data. Dette er en vanlig lagerstyringsmetode – brukt av grossister og distributører for etterspørselsprognoser – for å snitte salget over de foregående månedene. Denne metoden kan fungere bra for varer med jevn etterspørsel, men den fungerer ikke så bra for andre. Fordi ulike varer kan ha et veldig forskjellig etterspørselsmønster, er det ekstremt viktig å velge den mest relevante prognosemetoden for hver vare.
Hvis datasettet er veldig kort eller har færre enn 10 poeng, er standard prognosemodulen til enkelt glidende gjennomsnitt.
Eksponentiell utjevning
Eksponentiell utjevning fungerer som navnet antyder. Den trekker ut nivå-, trend- og sesongindeksene ved å konstruere jevnede estimater av disse funksjonene, og vekter nyere data tyngre. Den tilpasser seg skiftende struktur, men minimerer effektene av uteliggere og støy. Tolv forskjellige Holt-Winters eksponentielle utjevningsmodeller leveres for å imøtekomme et bredt spekter av dataegenskaper. Eksponentielle utjevningsmodeller fanger opp og forutsier nivået på dataene sammen med ulike typer trender og sesongmønstre. Modellene er adaptive, og prognosene legger større vekt på de nyere historieversene den fjernere fortiden. Robustheten til eksponentiell utjevning gjør den ideell når det ikke er noen ledende indikatorer, og når dataene er for korte eller flyktige for Box-Jenkins.
Vent-og-se-holdningen til endringer rundt dem er den intuitive måten folk bruker eksponentiell utjevning på i hverdagen.
Husk at selv om eksponentiell utjevning kan ta hensyn til følgende faktorer når du projiserer en prognose; trenden, nivået, sesongeffekter, hendelseseffekter, tilfeldige hendelser og støy. De inkluderer ikke og kan ikke inkludere effekten av fremtidige tilfeldige hendelser eller støy, så prognosen er mye jevnere enn den faktiske fremtiden vil vise seg å være.
Diskret distribusjon
Disse modellene gjelder for data som består av små hele tall, inkludert noen nuller. Prognosene er ikke-trend og ikke-sesongbetonte. Diskrete distribusjoner er for bruk på data som utelukkende kan bestå av nuller og små heltall. Sjelden brukte reservedeler er et eksempel på varer som ofte faller inn i denne klassen.
Selv om prognosene som produseres bare er rette horisontale linjer, gir de ofte prognoser som er bedre enn de fra eksponentiell utjevning for lite volum, rotete data .
Crostons intermitterende etterspørselsmodell (lavvolumsmodell)
Crostons modell er designet for data med mange nuller, som bestillinger for en saktegående del som er vanligvis beordret til å fylle på lager. Datapunktene som ikke er null er normal- eller log-normalfordelte. Prognosene er ikke-trend og ikke-sesongbetonte.
Tidsserien består av mye salgsdata, spesielt for varer med lavere volum med uregelmessig etterspørsel. I mange perioder er det ingen etterspørsel i det hele tatt. Dette kan være tilfellet for varer som vanligvis bestilles i partier for å fylle på nedstrømslager. Denne metoden fungerer ved å kombinere et jevnet estimat av gjennomsnittlig etterspørsel for perioder som har etterspørsel med et jevnet estimat av gjennomsnittlig etterspørselsintervall.
Prognosene som produseres vil vise rette horisontale linjer.
Kurvetilpasning
Kurvetilpasning identifiserer den generelle formen til kurven som dataene følger, og brukes til å modellere den globale trenden til de historiske salgsdataene . Kurvetilpasning er ganske nyttig for korte tidsseriedata, der den foreslåtte minimumslengden er 10 datapunkter. Kurvetilpasningen støtter fire typer kurver: en rett linje, kvadratisk, eksponentiell og vekst (S-kurve). Husk at kurven ikke tilpasser seg sesongmessige mønstre.
Box-Jenkins
Box-Jenkins fungerer godt for stabile datasett og kan fange opp og forutse både trend og sesongvariasjoner. Dataene skal bestå av minimum 40 datapunkter. Metoden er ganske enkelt den rikeste familien av statistiske modeller som kan brukes praktisk i den virkelige verden. Ideelt sett vil en prognosemaker bytte mellom Box-Jenkins og eksponentielle utjevningsmodeller, avhengig av egenskapene til dataene, som er nøyaktig hva prognosemodulens automatiske valg er designet for å gjøre. Box-Jenkins og Exponential Smoothing skiller seg ved at de er basert på autokorrelasjoner (stabile datasett) i stedet for et strukturelt syn på nivå, trend og sesongvariasjon. Box-Jenkins-modeller har en tendens til å yte bedre enn eksponentielle utjevningsmodeller for lengre, mer stabile datasett og ikke like bra for mer støyende, mer flyktige data.
Hvordan anslår bedriften din Produkter? kontakt oss for å se om prognoseprogramvaren vår kan hjelpe organisasjonen din.
