Prognoskvalitet är oundvikligen beroende av kvaliteten på de underliggande data. Engångshändelser, som en dramatisk ökning av försäljningen eller en ovanlig efterfrågan, kan dramatiskt förändra prognosen till det sämre. Därför måste man vara uppmärksam på den historiska försäljningen för att producera korrekta prognoser.
AGR-prognosmodulen är utformad för att fånga alla möjliga trender, inklusive långsamma och snabba rörelser, säsongstrender eller varor som ökar eller minskar i försäljning . Detta gör att användarna inte behöver avancerad statistisk kunskap då systemet hanterar prognosdelen automatiskt. När försäljningsdata kommer in, beräknar prognosmodulen automatiskt försäljningsprognoser baserat på en av följande prognosmodeller för att tillgodose alla vanliga affärsprognoskrav. Den bäst passande prognosmetoden väljs automatiskt för en artikel beroende på produktens natur och mängden tillgänglig historisk data. Följande är en beskrivning av dessa prognosmodeller och skillnaderna mellan dem.
Expertval
Expertval gör att prognosmodulen kan välja en lämplig univariat prognos tekniken automatiskt. Expertval fungerar enligt följande. Om datamängden är mycket kort, förinställer Prognosmodulen ett enkelt glidande medelvärde. Annars undersöker Forecasting Module data för tillämpligheten av de intermittenta eller diskreta prognosmodellerna. Även om prognoserna som produceras från sådana modeller bara är raka horisontella linjer, ger de ofta prognoser som är överlägsna prognoser från exponentiell utjämning för små volymer, rörig data. Om ingen av dessa modeller är tillämpliga på data, är valet nu begränsat till olika former av exponentiell utjämning och Box-Jenkins-modeller. Forecasting Module kör sedan en serie tester på data och tillämpar en regelbaserad logik som kan leda till ett modellval baserat på dataegenskaper. Om den regelbaserade logiken inte leder till ett definitivt svar, utför Forecasting Module ett test utanför urvalet för att välja mellan en exponentiell utjämningsmodell och en Box-Jenkins-modell.
< h2>Simple Methods
Simple Method inkluderar modeller för glidande medelvärde och är för mycket korta eller extremt flyktiga data. Detta är en vanlig lagerhanteringsmetod – som används av grossister och distributörer för efterfrågeprognoser – för att beräkna ett genomsnitt av försäljningen under de senaste månaderna. Den här metoden kan fungera bra för varor med konstant efterfrågan, men den fungerar inte så bra för andra. Eftersom olika poster kan ha ett väldigt olika efterfrågemönster är det extremt viktigt att välja den mest relevanta prognosmetoden för varje artikel.
Om datamängden är mycket kort eller har färre än 10 punkter, är prognosmodulen standardvärde. till enkelt glidande medelvärde.
Exponentiell utjämning
Exponentiell utjämning fungerar som namnet antyder. Den extraherar nivå-, trend- och säsongsindex genom att konstruera utjämnade uppskattningar av dessa funktioner, vilket väger de senaste uppgifterna tyngre. Den anpassar sig till förändrad struktur men minimerar effekterna av extremvärden och buller. Tolv olika Holt-Winters exponentiella utjämningsmodeller tillhandahålls för att rymma ett brett utbud av dataegenskaper. Exponentiella utjämningsmodeller fångar och förutsäger nivån på data tillsammans med olika typer av trender och säsongsmönster. Modellerna är adaptiva och prognoserna lägger större tonvikt på de senaste historieverserna det mer avlägsna förflutna. Robustheten hos exponentiell utjämning gör den idealisk när det inte finns några ledande indikatorer och när data är för korta eller flyktiga för Box-Jenkins.
Vänta-och-se-attityden till förändringar runt dem är det intuitiva sättet som människor använder exponentiell utjämning i sitt dagliga liv.
Tänk på att även om exponentiell utjämning kan ta hänsyn till följande faktorer när man projicerar en prognos; trenden, nivån, säsongseffekter, händelseeffekter, slumpmässiga händelser och buller. De inkluderar inte och kan inte inkludera effekterna av framtida slumpmässiga händelser eller buller, så prognosen är mycket jämnare än den faktiska framtiden kommer att visa sig vara.
Diskret fördelning
Dessa modeller gäller för data som består av små heltal, inklusive några nollor. Prognoserna är icke-trendande och icke-säsongsbetonade. Diskreta distributioner är för användning på data som helt kan bestå av nollor och små heltal. Sällan använda reservdelar är ett exempel på artiklar som ofta faller inom denna klass.
Även om de producerade prognoserna bara är raka horisontella linjer, ger de ofta prognoser överlägsna de från exponentiell utjämning för små volymer, rörig data .
Crostons modell för intermittent efterfrågan (lågvolymmodell)
Crostons modell är designad för data med många nollor, som order för en långsamt rörlig del som brukar beställas för att fylla på lager. Datapunkterna som inte är noll är normalt eller log-normalfördelade. Prognoserna är icke-trendande och icke-säsongsbetonade.
Tidsserien består av mycket försäljningsdata, särskilt för artiklar med lägre volym med oregelbunden efterfrågan. Under många perioder finns ingen efterfrågan alls. Detta kan vara fallet för artiklar som vanligtvis beställs i partier för att fylla på nedströmslager. Denna metod fungerar genom att kombinera en utjämnad uppskattning av den genomsnittliga efterfrågan för perioder som har efterfrågan med en utjämnad uppskattning av det genomsnittliga efterfrågeintervallet.
Prognoserna som produceras kommer att visa raka horisontella linjer.
Kurvanpassning
Kurvanpassning identifierar den allmänna formen av kurvan som data följer och används för att modellera den globala trenden för historiska försäljningsdata . Kurvanpassning är ganska användbar för korta tidsseriedata, där den föreslagna minimilängden är 10 datapunkter. Kurvanpassningen stöder fyra typer av kurvor: en rak linje, kvadratisk, exponentiell och tillväxt (S-kurva). Tänk på att kurvan inte rymmer säsongsmönster.
Box-Jenkins
Box-Jenkins fungerar bra för stabila datamängder och kan fånga och prognostisera både trend och säsongsvariationer. Uppgifterna måste bestå av minst 40 datapunkter. Metoden är helt enkelt den rikaste familjen av statistiska modeller som praktiskt kan tillämpas i den verkliga världen. Helst skulle en prognosmakare växla mellan Box-Jenkins och exponentiella utjämningsmodeller, beroende på egenskaperna hos datan, vilket är precis vad det automatiska valet av prognosmodulen är designat för att göra. Box-Jenkins och Exponential Smoothing skiljer sig genom att de är baserade på autokorrelationer (stabila datamängder) snarare än en strukturell syn på nivå, trend och säsongsvariation. Box-Jenkins-modeller tenderar att prestera bättre än exponentiella utjämningsmodeller för längre, stabilare datamängder och inte lika bra för bullrigare, mer volatil data.
Hur prognostiserar ditt företag din Produkter? Välkommen att kontakta oss för att se om vår prognosmjukvara kan hjälpa din organisation.
Hur prognostiserar ditt företag dina produkter? Välkommen att kontakta oss för att se om vår prognosmjukvara kan hjälpa din organisation.
Hur prognostiserar ditt företag dina produkter? Välkommen att kontakta oss för att se om vår prognosmjukvara kan hjälpa din organisation.
