De slimme voorspeller

Het nastreven van best practices op het gebied van vraagplanning,

prognoses en voorraadoptimalisatie

Most statistical forecasting works in one direct flow from past data to forecast. Forecasting with leading indicators works a different way. A leading indicator is a second variable that may influence the one being forecasted. Applying testable human knowledge about the predictive power in the relationship between these different sets of data will sometimes provide superior accuracy.

Most of the time, a forecast is based solely on the past history of the item being forecast. Let’s assume that the forecaster’s problem is to predict future unit sales of an important product. The process begins with gathering data on the product’s past sales. (Gregory Hartunian shares some practical advice on choosing the best available data in a previous post to the Smart Forecaster.) This data flows into forecasting software, which analyzes the sales record to measure the level of random variability and exploit any predictable aspects, such as trend or regular patterns of seasonal variability. The forecast is based entirely on the past behavior of the item being forecasted. Nothing that might have caused the wiggles and jiggles in the product’s sales graph is explicitly accounted for. This approach is fast, simple, self-contained and scalable, because software can zip through a huge number of forecasts automatically.

But sometimes the forecaster can do better, at the cost of more work. If the forecaster can peer through the fog of randomness and identify a second variable that influences the one being forecasted, a leading indicator, more accurate predictions are possible.

For example, suppose the product is window glass for houses. It may well be that increases or decreases in the number of construction permits for new houses will be reflected in corresponding increases or decreases in the number of sheets of glass ordered several months later. If the forecaster can distill this “lagged” or delayed relationship into an equation, that equation can be used to forecast glass sales several months hence using known values of the leading indicator. This equation is called a “regression equation” and has a form something like:

Sales of glass in 3 months = 210.9 + 26.7 × Number of housing starts this month.

Forecasting software can take the housing start and glass sales data and convert them into such a regression equation.

Graph displaying a relationship between example figures for time-shifted building permits and demand for glass
Leading indicators demonstrated
However, unlike automatic statistical forecasting based on a product’s past sales, forecasting with a leading indicator faces the same problem as the proverbial recipe for rabbit stew: “First catch a rabbit”. Here the forecaster’s subject matter expertise is critical to success. The forecaster must be able to nominate one or more candidates for the job of leading indicator. After this crucial step, based on the forecaster’s knowledge, experience and intuition, then software can be used to verify that there really is a predictive, time-delayed relationship between the candidate leading indicator and the variable to be forecasted.

This verification step is done using a “cross-correlation” analysis. The software essentially takes as input a sequence of values of the variable to be forecasted and another sequence of values of the supposed leading indicator. Then it slides the data from the forecast variable ahead by, successively, one, two, three, etc. time periods. At each slip in time (called a “lag”, because the leading indicator is lagging further and further behind the forecast variable), the software checks for a pattern of association between the two variables. If it finds a pattern that is too strong to be explained as a statistical accident, the forecaster’s hunch is confirmed.

Obviously, forecasting with leading indicators is more work than forecasting using only an item’s own past values. The forecaster has to identify a leading indicator, starting with a list suggested by the forecaster’s subject matter expertise. This is a “hand-crafting” process that is not suited to mass production of forecasts. But it can be a successful approach for a smaller number of important items that are worth the extra effort. The role of forecasting software, such as our SmartForecasts system, is to help the forecaster authenticate the leading indicator and then exploit it.

Thomas Willemain, PhD, co-founded Smart Software and currently serves as Senior Vice President for Research. Dr. Willemain also serves as Professor Emeritus of Industrial and Systems Engineering at Rensselaer Polytechnic Institute and as a member of the research staff at the Center for Computing Sciences, Institute for Defense Analyses.

Laat een reactie achter

gerelateerde berichten

Top vijf tips voor nieuwe vraagplanners en -voorspellingen

Top vijf tips voor nieuwe vraagplanners en -voorspellingen

Goede prognoses kunnen een groot verschil maken voor de prestaties van uw bedrijf, of u nu prognoses maakt ter ondersteuning van verkoop, marketing, productie, voorraad of financiën. Deze blog is in de eerste plaats bedoeld voor die gelukkige mensen die op het punt staan om aan dit avontuur te beginnen. Welkom op het veld!

Smart Software leidt een webinar als onderdeel van het WERC Solutions Partner Program

Smart Software leidt een webinar als onderdeel van het WERC Solutions Partner Program

Smart Software, zal een webinar van 30 minuten leiden als onderdeel van het WERC Solutions Partner Program. De presentatie zal zich richten op hoe een toonaangevend elektriciteitsbedrijf Smart Inventory Planning and Optimization (Smart IP&O) implementeerde als onderdeel van het strategische supply chain-optimalisatie-initiatief (SCO) van het bedrijf.

recente berichten

  • Epicor Prophet 21 with Forecasting Inventory PlanningExtend Epicor Prophet 21 with Smart IP&O’s Forecasting & Dynamic Reorder Point Planning
    Smart Inventory Planning & Optimization (Smart IP&O) can help with inventory ordering functionality in Epicor P21, reduce inventory, minimize stockouts and restore your organization’s trust by providing robust predictive analytics, consensus-based forecasting, and what-if scenario planning. […]
  • Supply Chain Math large-scale decision-making analyticsSupply Chain Math: Don’t Bring a Knife to a Gunfight
    Math and the supply chain go hand and hand. As supply chains grow, increasing complexity will drive companies to look for ways to manage large-scale decision-making. Math is a fact of life for anyone in inventory management and demand forecasting who is hoping to remain competitive in the modern world. Read our article to learn more. […]
  • Rijpe bebaarde monteur in uniform onderzoekt de machine en repareert deze in de fabriekService Parts Planning: Planning for consumable parts vs. Repairable Parts
    When deciding on the right stocking parameters for spare and replacement parts, it is important to distinguish between consumable and repairable servoce parts. These differences are often overlooked by inventory planning software and can result in incorrect estimates of what to stock. Different approaches are required when planning for consumables vs. repairable service parts. […]
  • Vier veelgemaakte fouten bij het plannen van aanvullingsdoelenVier veelgemaakte fouten bij het plannen van aanvullingsdoelen
    Hoe vaak herkalibreert u uw voorraadbeleid? Waarom? Leer hoe u belangrijke fouten kunt vermijden bij het plannen van aanvullingsdoelen door het proces te automatiseren, onderdelen opnieuw te kalibreren, targeting-prognosemethoden te gebruiken en uitzonderingen te bekijken. […]
  • Smart Software introduceert met genoegen onze serie webinars, exclusief aangeboden voor Epicor-gebruikers.Breid de prognoses en min/max-planning van Epicor Kinetic uit met Smart IP&O
    Epicor Kinetic kan de aanvulling beheren door te suggereren wat te bestellen en wanneer via op bestelpunten gebaseerd voorraadbeleid. Het probleem is dat het ERP-systeem vereist dat de gebruiker deze bestelpunten handmatig specificeert, of een rudimentaire "vuistregel"-aanpak gebruikt op basis van dagelijkse gemiddelden. In dit artikel zullen we de functionaliteit voor het bestellen van voorraad in Epicor Kinetic bespreken, de beperkingen ervan uitleggen en samenvatten hoe de voorraad kan worden verminderd en de voorraad kan worden geminimaliseerd door de robuuste voorspellende functionaliteit te bieden die ontbreekt in Epicor. […]

    Voorraadoptimalisatie voor fabrikanten, distributeurs en MRO

    • Algemene bestellingen Slimme softwarevraag en voorraadplanning HDAlgemene bestellingen
      Onze klanten zijn geweldige docenten die ons altijd hebben geholpen de kloof tussen leerboektheorie en praktische toepassing te overbruggen. Een goed voorbeeld gebeurde meer dan twintig jaar geleden, toen we kennismaakten met het fenomeen van intermitterende vraag, dat veel voorkomt bij reserveonderdelen, maar zeldzaam is bij de afgewerkte producten die worden beheerd door onze oorspronkelijke klanten die werkzaam zijn in verkoop en marketing. Deze onthulling leidde al snel tot onze vooraanstaande positie als leveranciers van software voor het beheren van voorraden reserveonderdelen. Ons laatste stukje scholing betreft 'algemene bestellingen'. […]
    • Plaats stukken met de hand om een pijl te bouwenProbabilistische prognoses voor intermitterende vraag
      De nieuwe prognosetechnologie is afgeleid van probabilistische prognoses, een statistische methode die zowel de gemiddelde productvraag per periode als de voorraadbehoeften op het niveau van de klantenservice nauwkeurig voorspelt. […]
    • Engineering op bestelling bij Kratos Space - beschikbaarheid van onderdelen een strategisch voordeel maken
      De Kratos Space-groep binnen National Security-technologie-innovator Kratos Defense & Security Solutions, Inc., produceert COTS-software en componentproducten voor ruimtecommunicatie - waardoor de beschikbaarheid van onderdelen een strategisch voordeel wordt […]
    • houten-figuren-van-mensen-en-een-magneet-team-management-magazijninventarisBeheer van de inventaris van gepromote artikelen
      In een eerder bericht besprak ik een van de neteligere problemen waarmee vraagplanners soms worden geconfronteerd: het werken met gegevens over productvraag die worden gekenmerkt door wat statistici scheefheid noemen - een situatie die kostbare voorraadinvesteringen kan vergen. Dit soort problematische gegevens is te vinden in verschillende scenario's. In ten minste één geval, de combinatie van intermitterende vraag en zeer effectieve verkoopacties, leent het probleem zich voor een effectieve oplossing. […]