AGR-prognosemodulen er designet for \u00e5 fange opp alle mulige trender, inkludert sakte og raske bevegelser, sesongmessige trender eller varer som \u00f8ker eller synker i salg. Dette betyr at brukerne ikke trenger avansert statistisk kunnskap da systemet h\u00e5ndterer prognosedelen automatisk. Etter hvert som salgsdata ankommer, beregner prognosemodulen automatisk salgsprognoser basert p\u00e5 en av f\u00f8lgende prognosemodeller for \u00e5 tilfredsstille alle vanlige forretningsprognosekrav. Den beste prognosemetoden velges automatisk for en vare, avhengig av produktets art og mengden historiske data som er tilgjengelige. F\u00f8lgende er en beskrivelse av disse prognosemodellene og forskjellene mellom dem. <\/p>\n<\/p>\n
Ekspertvalg lar prognosemodulen velge en passende univariat prognoseteknikk automatisk. Ekspertutvelgelsen fungerer som f\u00f8lger. Hvis datasettet er veldig kort, bruker prognosemodulen som standard enkelt glidende gjennomsnitt. Ellers unders\u00f8ker 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 p\u00e5 dataene, er valget n\u00e5 begrenset til ulike former for eksponentiell utjevning og Box-Jenkins-modeller. Prognosemodulen kj\u00f8rer deretter en rekke tester p\u00e5 dataene og bruker en regelbasert logikk som kan f\u00f8re til et modellvalg basert p\u00e5 dataegenskaper. Hvis den regelbaserte logikken ikke f\u00f8rer til et definitivt svar, utf\u00f8rer prognosemodulen en test utenfor utvalget for \u00e5 velge mellom en eksponentiell utjevningsmodell og en Box-Jenkins-modell. <\/p>\n<\/p>\n
Simple Method inkluderer modeller med glidende gjennomsnitt og er for sv\u00e6rt korte eller ekstremt flyktige data. Dette er en vanlig lagerstyringsmetode \u2013 brukt av grossister og distribut\u00f8rer for ettersp\u00f8rselsprognoser \u2013 for \u00e5 gjennomsnitte salget de siste m\u00e5nedene. Denne metoden kan fungere bra for varer med jevn ettersp\u00f8rsel, men den fungerer ikke s\u00e5 bra for andre. Fordi ulike varer kan ha sv\u00e6rt forskjellige behovsm\u00f8nstre, er det ekstremt viktig \u00e5 velge den mest relevante prognosemetoden for hver vare. <\/p>\n
Hvis datasettet er veldig kort eller har f\u00e6rre enn 10 punkter, bruker prognosemodulen som standard enkelt glidende gjennomsnitt.<\/p>\n<\/p>\n
Eksponentiell utjevning fungerer som navnet antyder. Den trekker ut niv\u00e5-, trend- og sesongindekser ved \u00e5 konstruere jevne estimater av disse funksjonene, og vekter nyere data tyngre. Den tilpasser seg endrede strukturer, men minimerer effekten av uteliggere og st\u00f8y. Tolv forskjellige Holt-Winters eksponentielle utjevningsmodeller er gitt for \u00e5 im\u00f8tekomme et bredt spekter av dataegenskaper. Eksponentielle utjevningsmodeller fanger opp og forutsier niv\u00e5et p\u00e5 dataene sammen med ulike typer trender og sesongm\u00f8nstre. Modellene er tilpasningsdyktige, og prognosene legger st\u00f8rre vekt p\u00e5 den nyere historien kontra den fjernere fortiden. Robustheten til eksponentiell utjevning gj\u00f8r den ideell n\u00e5r det ikke er noen ledende indikatorer, og n\u00e5r dataene er for korte eller flyktige for Box-Jenkins. <\/p>\n
«Vent-og-se»-holdningen til endringer rundt dem er den intuitive m\u00e5ten folk bruker eksponentiell utjevning i hverdagen.<\/p>\n
Husk at selv om eksponentiell utjevning kan ta f\u00f8lgende faktorer i betraktning n\u00e5r du projiserer en prognose; trenden, niv\u00e5et, sesongeffekter, hendelseseffekter, tilfeldige hendelser og st\u00f8y. De inkluderer ikke og kan ikke inkludere effektene av fremtidige tilfeldige hendelser eller st\u00f8y, s\u00e5 prognosen er mye jevnere enn den faktiske fremtiden vil vise seg \u00e5 v\u00e6re. <\/p>\n<\/p>\n
Disse modellene gjelder for data som best\u00e5r av sm\u00e5 hele tall, inkludert noen nuller. Prognosene er ikke-trendede og ikke-sesongbaserte. Diskrete distribusjoner er for bruk p\u00e5 data som kan best\u00e5 utelukkende av nuller og sm\u00e5 heltall. Sjelden brukte reservedeler er et eksempel p\u00e5 varer som ofte faller inn i denne klassen. <\/p>\n
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. <\/p>\n<\/p>\n
Crostons modell er designet for data med mange nuller, som bestillinger p\u00e5 en sakteg\u00e5ende del som vanligvis bestilles for \u00e5 fylle opp lageret. Datapunktene som ikke er null er normal- eller log-normalfordelt. Prognosene er ikke-trendede og ikke-sesongbaserte. <\/p>\n
Tidsserien best\u00e5r av mye salgsdata, spesielt for varer med lavere volum og uregelmessig ettersp\u00f8rsel. I mange perioder er det ingen ettersp\u00f8rsel i det hele tatt. Dette kan v\u00e6re tilfelle for varer som vanligvis bestilles i partier for \u00e5 etterfylle nedstr\u00f8msbeholdninger. Denne metoden fungerer ved \u00e5 kombinere et utjevnet estimat av gjennomsnittlig behov for perioder som har behov, med et utjevnet estimat av gjennomsnittlig behovsintervall. <\/p>\n
Prognosene som produseres vil vise rette horisontale linjer.<\/p>\n
Kurvetilpasning identifiserer den generelle formen for kurven som dataene f\u00f8lger, og brukes til \u00e5 modellere den globale trenden for de historiske salgsdataene. Kurvetilpasning er ganske nyttig for korte tidsseriedata, der den foresl\u00e5tte minimumslengden er 10 datapunkter. Kurvetilpasningen st\u00f8tter fire typer kurver: en rett linje, kvadratisk, eksponentiell og vekst (S-kurve). Husk at kurven ikke tar hensyn til sesongm\u00f8nstre. <\/p>\n
Box-Jenkins fungerer bra for stabile datasett og kan fange opp og forutsi b\u00e5de trend og sesongvariasjoner. Dataene m\u00e5 best\u00e5 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 \u00e5 gj\u00f8re. Box-Jenkins og eksponentiell utjevning skiller seg ut ved at de er basert p\u00e5 autokorrelasjoner (stabile datasett) snarere enn et strukturelt syn p\u00e5 niv\u00e5, trend og sesongvariasjoner. Box-Jenkins-modeller har en tendens til \u00e5 prestere bedre enn eksponentielle utjevningsmodeller for lengre, mer stabile datasett og ikke like godt for mer st\u00f8yende, mer flyktige data. <\/p>\n<\/p>\n