Prognosekvalitet er uunngåelig avhengig av kvaliteten på de underliggende dataene. Engangshendelser, som en dramatisk økning i salget 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 designet for å fange opp alle mulige trender, inkludert sakte og raske bevegelser, sesongmessige trender eller varer som øker eller synker i salg. Dette betyr at brukerne ikke trenger avansert statistisk kunnskap da systemet håndterer prognosedelen automatisk. Etter hvert som salgsdata ankommer, beregner prognosemodulen automatisk salgsprognoser basert på en av følgende prognosemodeller for å tilfredsstille alle vanlige forretningsprognosekrav. Den beste prognosemetoden velges automatisk for en vare, avhengig av produktets art og mengden historiske data som er tilgjengelige. Følgende er en beskrivelse av disse prognosemodellene og forskjellene mellom dem.
Utvalg av eksperter
Ekspertvalg lar prognosemodulen velge en passende univariat prognoseteknikk automatisk. Ekspertutvelgelsen fungerer som følger. Hvis datasettet er veldig kort, bruker prognosemodulen som standard enkelt glidende gjennomsnitt. Ellers undersøker prognosemodulen dataene for anvendeligheten av de intermitterende eller diskrete prognosemodellene. Selv om prognosene produsert fra slike modeller bare er rette horisontale linjer, gir de ofte prognoser som er overlegne de fra eksponentiell utjevning for rotete data med lavt volum. Hvis ingen av disse modellene er anvendelige på dataene, er valget nå begrenset til ulike former for eksponentiell utjevning og Box-Jenkins-modeller. Prognosemodulen kjører deretter en rekke tester på dataene og bruker en regelbasert logikk som kan føre til et modellvalg basert på dataegenskaper. Hvis den regelbaserte logikken ikke fører til et definitivt svar, utfører prognosemodulen en test utenfor utvalget for å velge mellom en eksponentiell utjevningsmodell og en Box-Jenkins-modell.
Enkle metoder
Simple Method inkluderer modeller med glidende gjennomsnitt og er for svært korte eller ekstremt flyktige data. Dette er en vanlig lagerstyringsmetode – brukt av grossister og distributører for etterspørselsprognoser – for å gjennomsnitte salget de siste månedene. Denne metoden kan fungere bra for varer med jevn etterspørsel, men den fungerer ikke så bra for andre. Fordi ulike varer kan ha svært forskjellige behovsmønstre, er det ekstremt viktig å velge den mest relevante prognosemetoden for hver vare.
Hvis datasettet er veldig kort eller har færre enn 10 punkter, bruker prognosemodulen som standard enkelt glidende gjennomsnitt.
Eksponentiell utjevning
Eksponentiell utjevning fungerer som navnet antyder. Den trekker ut nivå-, trend- og sesongindekser ved å konstruere jevne estimater av disse funksjonene, og vekter nyere data tyngre. Den tilpasser seg endrede strukturer, men minimerer effekten av uteliggere og støy. Tolv forskjellige Holt-Winters eksponentielle utjevningsmodeller er gitt 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 tilpasningsdyktige, og prognosene legger større vekt på den nyere historien kontra 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 i hverdagen.
Husk at selv om eksponentiell utjevning kan ta følgende faktorer i betraktning når du projiserer en prognose; trenden, nivået, sesongeffekter, hendelseseffekter, tilfeldige hendelser og støy. De inkluderer ikke og kan ikke inkludere effektene 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-trendede og ikke-sesongbaserte. Diskrete distribusjoner er for bruk på data som kan bestå utelukkende 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 rotete data med lavt volum.
Crostons intermitterende etterspørselsmodell (lavvolummodell)
Crostons modell er designet for data med mange nuller, som bestillinger på en saktegående del som vanligvis bestilles for å fylle opp lageret. Datapunktene som ikke er null er normal- eller log-normalfordelt. Prognosene er ikke-trendede og ikke-sesongbaserte.
Tidsserien består av mye salgsdata, spesielt for varer med lavere volum og uregelmessig etterspørsel. I mange perioder er det ingen etterspørsel i det hele tatt. Dette kan være tilfelle for varer som vanligvis bestilles i partier for å etterfylle nedstrømsbeholdninger. Denne metoden fungerer ved å kombinere et utjevnet estimat av gjennomsnittlig behov for perioder som har behov, med et utjevnet estimat av gjennomsnittlig behovsintervall.
Prognosene som produseres vil vise rette horisontale linjer.
Kurve tilpasning
Kurvetilpasning identifiserer den generelle formen for kurven som dataene følger, og brukes til å modellere den globale trenden for 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 tar hensyn til sesongmønstre.
Boks-Jenkins
Box-Jenkins fungerer bra for stabile datasett og kan fange opp og forutsi både trend og sesongvariasjoner. Dataene må bestå av minimum 40 datapunkter. Metoden er rett og slett den rikeste familien av statistiske modeller som praktisk kan brukes i den virkelige verden. Ideelt sett vil en prognosemaker bytte mellom Box-Jenkins og eksponentielle utjevningsmodeller, avhengig av egenskapene til dataene, som er nettopp det prognosemodulens automatiske valg er designet for å gjøre. Box-Jenkins og eksponentiell utjevning skiller seg ut ved at de er basert på autokorrelasjoner (stabile datasett) snarere enn et strukturelt syn på nivå, trend og sesongvariasjoner. Box-Jenkins-modeller har en tendens til å prestere bedre enn eksponentielle utjevningsmodeller for lengre, mer stabile datasett og ikke like godt for mer støyende, mer flyktige data.
Hvordan prognoserer bedriften din produktene dine? Ta gjerne kontakt med oss for å se om vår prognoseprogramvare kan hjelpe din organisasjon.
