AGR-prognosemodulet er designet til at fange alle mulige tendenser, herunder langsomme og hurtige bev\u00e6gelser, s\u00e6sonbestemte tendenser eller varer, der stiger eller falder i salget. Det betyder, at brugerne ikke har brug for avanceret statistisk viden, da systemet h\u00e5ndterer prognosedelen automatisk. N\u00e5r salgsdata ankommer, beregner prognosemodulet automatisk salgsprognoser baseret p\u00e5 en af f\u00f8lgende prognosemodeller for at opfylde alle almindelige forretningsprognosekrav. Den bedst egnede prognosemetode v\u00e6lges automatisk for en vare afh\u00e6ngigt af produktets art og m\u00e6ngden af historiske data, der er tilg\u00e6ngelige. F\u00f8lgende er en beskrivelse af disse prognosemodeller og forskellene mellem dem. <\/p>\n<\/p>\n
Ekspertvalg g\u00f8r det muligt for prognosemodulet automatisk at v\u00e6lge en passende univariat prognoseteknik. Ekspertudv\u00e6lgelsen fungerer som f\u00f8lger: Hvis datas\u00e6ttet er meget kort, er prognosemodulet som standard simpelt glidende gennemsnit. Ellers unders\u00f8ger prognosemodulet dataene for anvendeligheden af de intermitterende eller diskrete prognosemodeller. Selvom prognoserne produceret ud fra s\u00e5danne modeller kun er lige vandrette linjer, giver de ofte prognoser, der er bedre end dem fra eksponentiel udj\u00e6vning for lavvolumen, rodede data. Hvis ingen af disse modeller er anvendelige p\u00e5 dataene, er valget nu indsn\u00e6vret til forskellige former for eksponentiel udj\u00e6vning og Box-Jenkins-modeller. Prognosemodulet k\u00f8rer derefter en r\u00e6kke tests p\u00e5 dataene og anvender en regelbaseret logik, der kan f\u00f8re til et modelvalg baseret p\u00e5 dataegenskaber. Hvis den regelbaserede logik ikke f\u00f8rer til et endeligt svar, udf\u00f8rer prognosemodulet en out-of-sample-test for at v\u00e6lge mellem en eksponentiel udj\u00e6vningsmodel og en Box-Jenkins-model. <\/p>\n<\/p>\n
Simple Method inkluderer glidende gennemsnitsmodeller og er til meget korte eller ekstremt volatile data. Dette er en almindelig lagerstyringsmetode \u2013 der bruges af grossister og distribut\u00f8rer til eftersp\u00f8rgselsprognoser \u2013 til at beregne gennemsnittet af salget i l\u00f8bet af de foreg\u00e5ende par m\u00e5neder. Denne metode kan fungere godt for varer i konstant eftersp\u00f8rgsel, men den fungerer ikke s\u00e5 godt for andre. Da forskellige varer kan have et meget forskelligt behovsm\u00f8nster, er det ekstremt vigtigt at v\u00e6lge den mest relevante prognosemetode for hver vare. <\/p>\n
Hvis datas\u00e6ttet er meget kort eller har f\u00e6rre end 10 punkter, er prognosemodulet som standard simpelt glidende gennemsnit.<\/p>\n<\/p>\n
Eksponentiel udj\u00e6vning fungerer som navnet antyder. Den udtr\u00e6kker niveau-, trend- og s\u00e6sonindekser ved at konstruere udj\u00e6vnede estimater af disse tr\u00e6k og v\u00e6gte de seneste data tungere. Den tilpasser sig skiftende struktur, men minimerer virkningerne af afvigelser og st\u00f8j. Tolv forskellige Holt-Winters eksponentielle udj\u00e6vningsmodeller leveres for at im\u00f8dekomme en bred vifte af dataegenskaber. Eksponentielle udj\u00e6vningsmodeller fanger og forudsiger niveauet af data sammen med forskellige typer tendenser og s\u00e6sonm\u00f8nstre. Modellerne er adaptive, og prognoserne l\u00e6gger st\u00f8rre v\u00e6gt p\u00e5 den nyere historie frem for den fjernere fortid. Robustheden af eksponentiel udj\u00e6vning g\u00f8r den ideel, n\u00e5r der ikke er nogen f\u00f8rende indikatorer, og n\u00e5r dataene er for korte eller flygtige for Box-Jenkins. <\/p>\n
“Vent-og-se”-holdningen til forandringer omkring dem er den intuitive m\u00e5de, hvorp\u00e5 folk anvender eksponentiel udj\u00e6vning i deres daglige liv.<\/p>\n
Husk, at selvom eksponentiel udj\u00e6vning kan tage f\u00f8lgende faktorer i betragtning, n\u00e5r du projicerer en prognose; tendens, niveau, s\u00e6soneffekter, begivenhedseffekter, tilf\u00e6ldige begivenheder og st\u00f8j. De inkluderer ikke og kan ikke inkludere virkningerne af fremtidige tilf\u00e6ldige begivenheder eller st\u00f8j, s\u00e5 prognosen er meget mere j\u00e6vn, end den faktiske fremtid vil vise sig at v\u00e6re. <\/p>\n<\/p>\n
Disse modeller g\u00e6lder for data, der best\u00e5r af sm\u00e5 hele tal, herunder nogle nuller. Prognoserne er ikke-trendede og ikke-s\u00e6sonbestemte. Diskrete fordelinger er til brug p\u00e5 data, der udelukkende kan best\u00e5 af nuller og sm\u00e5 heltal. Sj\u00e6ldent anvendte reservedele er et eksempel p\u00e5 varer, der ofte falder ind under denne klasse. <\/p>\n
Selvom de producerede prognoser kun er lige vandrette linjer, giver de ofte prognoser, der er bedre end dem fra eksponentiel udj\u00e6vning for rodede data med lav volumen. <\/p>\n<\/p>\n
Croston’s-modellen er designet til data med adskillige nuller, som ordrer p\u00e5 en langsomt bev\u00e6gende del, der normalt bestilles for at genopfylde lageret. Datapunkterne, der ikke er nul, er normalt eller log-normalfordelte. Prognoserne er ikke-trendede og ikke-s\u00e6sonbestemte. <\/p>\n
Tidsserien best\u00e5r af mange salgsdata, is\u00e6r for varer med mindre volumen og uregelm\u00e6ssig eftersp\u00f8rgsel. I mange perioder er der ingen eftersp\u00f8rgsel overhovedet. Dette kan v\u00e6re tilf\u00e6ldet for varer, der normalt bestilles i batches for at genopfylde efterf\u00f8lgende lagerbeholdninger. Denne metode fungerer ved at kombinere et udj\u00e6vnet estimat af den gennemsnitlige eftersp\u00f8rgsel for perioder, der har eftersp\u00f8rgsel, med et udj\u00e6vnet estimat af det gennemsnitlige behovsinterval. <\/p>\n
De udarbejdede prognoser vil vise lige vandrette linjer.<\/p>\n
Kurvetilpasning identificerer den generelle form af den kurve, som dataene f\u00f8lger, og bruges til at modellere den globale tendens for de historiske salgsdata. Kurvetilpasning er ret nyttig til korte tidsseriedata, hvor den foresl\u00e5ede minimumsl\u00e6ngde er 10 datapunkter. Kurvetilpasningen underst\u00f8tter fire typer kurver: en lige linje, kvadratisk, eksponentiel og v\u00e6kst (S-kurve). Husk, at kurven ikke tager h\u00f8jde for s\u00e6sonbestemte m\u00f8nstre. <\/p>\n
Box-Jenkins fungerer godt til stabile datas\u00e6t og kan fange og forudsige b\u00e5de trend og s\u00e6sonudsving. Dataene skal best\u00e5 af minimum 40 datapunkter. Metoden er ganske enkelt den rigeste familie af statistiske modeller, der kan anvendes praktisk i den virkelige verden. Ideelt set ville en prognosemager skifte mellem Box-Jenkins og eksponentielle udj\u00e6vningsmodeller, afh\u00e6ngigt af dataenes egenskaber, hvilket er pr\u00e6cis, hvad prognosemodulets automatiske valg er designet til at g\u00f8re. Box-Jenkins og Exponential Smoothing adskiller sig ved, at de er baseret p\u00e5 autokorrelationer (stabile datas\u00e6t) snarere end et strukturelt syn p\u00e5 niveau, trend og s\u00e6sonudsving. Box-Jenkins-modeller har en tendens til at klare sig bedre end eksponentielle udj\u00e6vningsmodeller for l\u00e6ngere, mere stabile datas\u00e6t og ikke s\u00e5 godt for mere st\u00f8jende, mere flygtige data. <\/p>\n<\/p>\n