Verbeter de forecasting nauwkeurigheid, elimineer overtollige voorraad en maximaliseer service levels
In deze video-tutorial presenteert Dr. Thomas Willemain, mede-oprichter en SVP Research bij Smart Software, Automatic Forecasting for Time Series Demand Projections, een gespecialiseerd algoritmisch toernooi om een geschikt tijdreeksmodel te bepalen en de parameters te schatten om de beste prognosemethoden te berekenen. Automatische prognoses van grote aantallen tijdreeksen worden vaak gebruikt in het bedrijfsleven, sommige hebben een stijgende of dalende trend en sommige hebben een seizoensgebonden karakter, dus ze zijn cyclisch, en elk van die specifieke patronen vereist een geschikte technische benadering en een geschikte statistische prognosemethode. Tom legt uit hoe het toernooi de beste prognosemethoden berekent en werkt aan een praktisch voorbeeld.
RECENTE BERICHTEN

Hebben uw statistische prognoses last van het wiggle-effect?
Wat is het wiggle-effect? Het is wanneer uw statistische prognose de ups en downs die zijn waargenomen in uw vraaggeschiedenis onjuist voorspelt terwijl er echt geen patroon is. Het is belangrijk om ervoor te zorgen dat uw prognoses niet schommelen, tenzij er een echt patroon is. Hier is een transcriptie van een recente klant waar dit probleem werd besproken:

Hoe om te gaan met statistische prognoses van nul
Een statistische voorspelling van nul kan veel verwarring veroorzaken bij voorspellers, vooral wanneer de historische vraag niet nul is. Natuurlijk, het is duidelijk dat de vraag naar beneden neigt, maar moet deze naar nul evolueren?

Het artikel van Smart Software heeft de 1e plaats gewonnen in de categorie 2022 Supply Chain Brief MVP Awards Forecasting!
Smart Software is verheugd aan te kondigen dat ons artikel “Managing Inventory amid Regime Change” de 1e plaats heeft gewonnen in de categorie Forecasting van de 2022 Supply Chain Brief MVP Awards.