De meeste vraagprognoses zijn gedeeltelijk of onvolledig: ze bieden slechts één enkel getal: de meest waarschijnlijke waarde van de toekomstige vraag. Dit wordt een puntvoorspelling genoemd. Gewoonlijk schat de puntvoorspelling de gemiddelde waarde van de toekomstige vraag. Intervalprognoses geven een schatting van de mogelijke toekomstige vraag (dwz de vraag heeft een 90% kans tussen 50 – 100 eenheden). Probabilistische voorspellingen gaan een stap verder en geven aanvullende informatie. Meer weten is altijd beter dan minder weten en de probabilistische prognose levert die extra informatie die zo cruciaal is voor voorraadbeheer. Deze videoblog van Dr. Thomas Willemain legt elk type voorspelling en de voordelen van probabilistische voorspelling uit.

[inbound_button font_size=”20″ color=”#00a429″ text_color=”#ffffff” icon=”” url=”http://www.screencast.com/t/Ut4I5dOY8″ width=”” target=”_blank”]Nu kijken [/inkomende_knop]
 

Puntvoorspelling (groen) laat zien wat er het meest waarschijnlijk zal gebeuren. De Intervalvoorspelling toont het bereik (blauw) van mogelijkheden.

Waarschijnlijkheidsvoorspelling toont de waarschijnlijkheid dat elke waarde voorkomt

Serviceniveau is een belangrijke prestatie-indicator voor bedrijven die een hoge prioriteit geven aan het voldoen aan de vraag van de klant. Serviceniveau wordt gedefinieerd als de waarschijnlijkheid dat een doorlooptijd van aanvulling wordt overleefd zonder dat er voorraad wordt aangelegd.

Best practice voor voorraadbeheer begint met het stellen van serviceniveaudoelen en berekent vervolgens bestelpunten (ook wel Mins genoemd) om die doelen te bereiken. Deze berekeningen moeten rekening houden met variabiliteit in zowel de vraag als de doorlooptijd voor aanvulling. Er zijn veel softwaresystemen beschikbaar om deze berekeningen uit te voeren. Als alles goed gaat, komt het bereikte serviceniveau heel dicht in de buurt van het beoogde serviceniveau. Helaas gaapt er vaak een pijnlijke kloof tussen die twee.

Een reden voor de kloof zijn onrealistische vraagmodellen. In veel gevallen gebruikt software voor het berekenen van bestelpunten formules uit het handboek die zijn gebaseerd op wiskundige aannames die analyse eenvoudig maken ten koste van realisme. Veel "Inventory 101"-handboeken gebruiken formules die veronderstellen dat de vraag een normale verdeling heeft (ook wel de "klokvormige curve" genoemd) voor afgewerkte goederen en de Poisson-verdeling voor reserveonderdelen. Gelukkig zijn er nu voorraadoptimalisatie- en prognosesystemen die de werkelijke vraaggeschiedenis van de voorraaditems verwerken met behulp van probabilistische prognoses. Deze oplossingen berekenen een nauwkeurige schatting van de verdeling – niet een geïdealiseerde versie. Bekijk voor meer informatie deze eerdere blog op probabilistische voorspelling:

Maar er is een tweede bron van fouten in leerboeken die onzichtbaar opereert in veel inventarissoftwarepakketten: "onderschrijding".

Berekeningen van bestelpunten gaan er bijna altijd van uit dat stockouts ontstaan wanneer de totale vraag tijdens een bevoorradingsinterval het bestelpunt overschrijdt. Stel bijvoorbeeld dat de vraag gemiddeld 1 eenheid per dag is. Als de doorlooptijd 5 dagen is, dan is de gemiddelde doorlooptijdvraag 5 stuks. Het herbestelpunt instellen op 5 eenheden zou ergens in de buurt van 50% een lachwekkend serviceniveau opleveren. Het toevoegen van veiligheidsvoorraad aan de berekening kan resulteren in een bestelpunt van bijvoorbeeld 11 eenheden, wat zou kunnen overeenkomen met een serviceniveau van 95%. Een andere manier om dit te zeggen is dat, beginnend bij een bestelpunt van 11 eenheden, er een kans van 95% zou moeten zijn om de doorlooptijd van 5 dagen te overleven zonder een cumulatieve vraag van meer dan 11 eenheden te ervaren. Theoretisch!

Wat in deze analyse ontbreekt, is het undershoot-fenomeen. Undershoot betekent dat de doorlooptijd niet begint Bij het bestelpunt maar onderstaand het. Onderschrijding gebeurt elke keer dat de vraag die het bestelpunt overschreed, de voorraad naar beneden haalde onderstaand (Niet beneden tot) het bestelpunt. Onderstaande figuur toont suppletiecycli met en zonder onderschrijding. Undershoot plukt uw zak voordat u zelfs maar begint met het gooien van de dobbelstenen. Het misleidt de voorraadprofessional door te denken dat zijn of haar bestelpunten voldoende zijn om hun doelen te bereiken, terwijl de werkelijke prestaties het cijfer niet zullen halen.

Er is maar één situatie waarin onderschrijding geen probleem is: wanneer de vraag altijd nul of één eenheid is. Onderschrijding is dan onmogelijk. Maar in alle andere gevallen zal er zeker tot op zekere hoogte sprake zijn van onderschrijding, en dit kan het serviceniveau dat daadwerkelijk wordt bereikt door een bepaalde keuze van een bestelpunt ernstig ondermijnen. Onze analyses tonen aan dat de omstandigheden die het meest kwetsbaar zijn voor onderschrijdingen een sterk intermitterende en scheve vraag zijn met zeer korte doorlooptijden - de omstandigheden die het meest voorkomen door markttrends.

Wat kunt u doen om uzelf te beschermen tegen het effect van onderschrijding op berekeningen van bestelpunten? Gebruik voorraadoptimalisatie- en prognosesoftware die niet gebonden is aan de aannames uit het oude leerboek en in plaats daarvan automatisch rekening houdt met onderschrijdingen bij het berekenen van het serviceniveau dat wordt geproduceerd door een willekeurig bestelpunt.

Om de Inventory Optimization-oplossing van Smart Software in actie te zien, kunt u zich hieronder registreren om een opgenomen demo te zien:

De meeste vraagprognoses zijn gedeeltelijk of onvolledig: ze bieden slechts één enkel getal: de meest waarschijnlijke waarde van de toekomstige vraag. Dit wordt een puntvoorspelling genoemd. Gewoonlijk schat de puntvoorspelling de gemiddelde waarde van de toekomstige vraag.

Veel nuttiger is een voorspelling van de volledige waarschijnlijkheidsverdeling van de vraag op elk toekomstig tijdstip. Dit wordt vaker waarschijnlijkheidsvoorspelling genoemd en is veel nuttiger.

Het gemiddelde is niet het antwoord

Het enige voordeel van een puntvoorspelling is de eenvoud. Als uw ERP-systeem ook eenvoudig is, vult de puntprognose het ene getal in dat het ERP-systeem nodig heeft om personeelsplanning of inkoop van grondstoffen te doen.

Het nadeel van een puntvoorspelling is dat het te simpel is. Het negeert aanvullende informatie in de vraaggeschiedenis van een artikel die u een vollediger beeld kan geven van hoe de vraag zich zou kunnen ontvouwen: een kansprognose.

Verder gaan dan het gemiddelde: waarschijnlijkheidsvoorspellingen

Terwijl de puntprognose beperkte informatie geeft, bijv. "De meest waarschijnlijke vraag volgende maand is 15 eenheden", voegt de kansprognose cruciale informatie toe, bijv. "Er is een kans van 20% dat de vraag meer dan 28 eenheden zal bedragen en een kans van 10% dat het kleiner zijn dan 5 eenheden”.

Met deze informatie kunt u risicobeoordelingen en noodplannen maken. Contingency planning is nodig omdat de kans dat de puntvoorspelling daadwerkelijk klopt meestal maar klein is. Een waarschijnlijkheidsvoorspelling kan ook zeggen: "De kans dat de vraag 15 eenheden is, is slechts 10%, ook al is dit de meest waarschijnlijke waarde." Met andere woorden, er is een kans van 90% dat de puntvoorspelling verkeerd is. Dit soort fouten is geen fout in de prognoseberekeningen: het is de realiteit van het omgaan met vraagvolatiliteit. Het zou beter een "onzekerheid" kunnen worden genoemd dan een "fout".

Een operations manager kan de extra informatie in een kansprognose zowel informeel als formeel gebruiken. Informeel, zelfs als een ERP-systeem een enkelvoudige prognose als invoer vereist, zal een verstandige manager enig idee willen hebben van de risico's die aan die puntvoorspelling zijn verbonden, dwz de foutmarge. Een voorspelling van 15 ± 1 eenheid is dus een stuk veiliger dan een voorspelling van 15 ± 10. Het ± gedeelte is een compressie van een probabilistische voorspelling. Afbeelding 1 hieronder toont de vraaggeschiedenis van een item (rode lijn), puntprognoses voor de komende 12 maanden (groene lijn) en hun foutmarges (cyaankleurige lijnen). De laagste prognose van ongeveer 3.300 eenheden komt in juni uit, maar de werkelijke vraag kan wel 800 eenheden hoger of lager zijn.

Bonus: toepassing op voorraadbeheer

Voorraadbeheer vereist dat u de beschikbaarheid van artikelen afzet tegen de voorraadkosten. Het blijkt dat het kennen van de volledige waarschijnlijkheidsverdeling van de vraag over een doorlooptijd van aanvulling essentieel is om bestelpunten (ook wel minuten genoemd) op een rationele, wetenschappelijke basis te bepalen. Figuur 2 toont een waarschijnlijkheidsprognose van de totale vraag gedurende de 33 weken durende aanvultijd voor een bepaald reserveonderdeel. Hoewel de gemiddelde doorlooptijdvraag 3 eenheden is, is de meest waarschijnlijke vraag nul en is een bestelpunt van 14 nodig om ervoor te zorgen dat de kans op voorraad slechts 1% is. Nogmaals, het gemiddelde is niet het antwoord.

Meer weten is altijd beter dan minder weten en de waarschijnlijkheidsvoorspelling geeft net dat beetje extra cruciale informatie. Software kan al meer dan 40 jaar een puntvoorspelling leveren, maar moderne software kan het beter doen en het hele plaatje weergeven.

Figuur 1: De rode lijn toont de vraaggeschiedenis van een gereed product. De groene lijn toont de puntprognoses voor de komende 12 maanden. De blauwe lijnen geven de foutmarges in de 12-puntsvoorspellingen aan.

Afbeelding 2: Een probabilistische prognose van de vraag naar een reserveonderdeel gedurende een aanvultijd van 33 weken. De meest waarschijnlijke vraag is nul, de gemiddelde vraag is 3, maar een bestelpunt van 14 eenheden is vereist om slechts 1% kans te hebben dat de voorraad op is.

Er wordt ons vaak gevraagd wat het verschil is tussen deze twee belangrijke prestatiestatistieken voor voorraadplanning. Hoewel ze beide belangrijk zijn om te meten hoe succesvol een bedrijf is in het voldoen aan de vraag, is hun betekenis heel verschillend. Indien niet begrepen en opgenomen in het strategische voorraadplanningsproces, zal voorraad inefficiënt worden toegewezen, wat resulteert in een lagere klantenservice en hogere transportkosten. We hebben het verschil in deze opname van 4 minuten geïllustreerd met behulp van Microsoft Excel.

Smart Operational Analytics berekent automatisch historische serviceniveaus en opvullingspercentages voor elk item. Om te zien hoe u deze en andere operationele statistieken berekent, waaronder voorraadrotaties, prestaties van leveranciers en meer, kunt u zich hieronder registreren om een demonstratie van vijf minuten te bekijken. De demo laat zien hoe ons cloudplatform deze statistieken continu berekent en rapporteert over duizenden items, zodat u kansen kunt identificeren voor verbetering van het serviceniveau en voorraadvermindering.

Bij het implementeren van voorraadoptimalisatie staat de druk op het behalen van resultaten hoog. Nu het Major League Baseball-seizoen aan zijn laatste fase richting de play-offs begint, dachten we dat deze analogie een belangrijk punt zou kunnen helpen afdwingen over het tempo van de implementatie van een nieuw voorraadoptimalisatieproces.

De situatie

Het is de 2e9 en je team staat met een punt achter. Je stapt op naar de start van de slagman. Met het gebrul van het publiek en de opwinding in de lucht, kom je in de verleiding om hard te zwaaien voor die ongrijpbare homerun. Terwijl je in het slagperk graaft, weeg je de opties af en kies je een betere aanpak: blijf geduldig en doe wat je kunt om één honk te krijgen. Je probeert niet een homerun te slaan en je te concentreren op het maken van goed contact met de bal. Je weet dat in deze situatie een single voldoende is. Door op de basis te komen, help je het teamvertrouwen op te bouwen. Het belangrijkste is dat je het team in een betere positie plaatst om het spel te winnen dan een agressieve maar riskante zwaai van de knuppel te nemen.

3 redenen voor een progressieve benadering van voorraadoptimalisatie

Als de druk hoog is om de inventaris te optimaliseren, wil je misschien snel handelen, net zoals de slagman die die homerun wil slaan. En in sommige gevallen kan slingeren naar de hekken de aanbevolen aanpak zijn. Vaker wel dan niet is een progressieve benadering van voorraadoptimalisatie effectiever. Hier zijn drie redenen waarom:

1. Het bouwt het gebruikersvertrouwen op en creëert momentum
2. Vroeg succes koopt de nodige tijd om volledige management buy-in te krijgen
3. Corporate roll-out van een nieuw proces vereist progressief bewijs van succes

Industrie voorbeeld

Een goed voorbeeld hiervan is een multinational die de volgende dag reparatieservices voor pc's en elektronische apparaten aanbiedt. Ze weten nooit wat er binnenkomt voor reparatie, maar moeten een voorraadbeleid opstellen om hun serviceverplichting voor duizenden onderdelen de volgende dag na te komen, terwijl de voorraad tot een minimum wordt beperkt. Ze hebben onze voorraadoptimalisatiesoftware gekozen om te helpen en zijn bezig met de implementatie. Het planningsteam heeft deze vooruitstrevende aanpak gevolgd en heeft merk voor merk gewerkt om optimale bestelpunten en bestelhoeveelheden vast te stellen met behulp van de waarschijnlijkheidsvoorspellingsengine van Smart. Ze selecteerden één merk om het proces te illustreren en resultaten te laten zien: beginnend met 26 artikelen, filterden ze er 14 onderdelen uit met weinig of geen vraaggeschiedenis. Bij het beoordelen van de resterende 12 lieten ze zien hoe ze de voorraad met $51.000 konden verminderen en tegelijkertijd het serviceniveau konden verhogen. Hoewel de verlaging van $51.000 slechts een klein deel was van het totale voordeel, was het gemakkelijk te begrijpen, en de presentatie ervan heeft geholpen om steun te krijgen bij het uitbouwen van hun implementatie van voorraadoptimalisatie, merk voor merk in het hele bedrijf.

Vertrouwen is de sleutel

Gebruikersvertrouwen is de sleutel en dit komt met het beheersen van het gebruik van de voorraadoptimalisatiesoftware en het kunnen presenteren van resultaten. Dat geldt ook voor het vertrouwen van het management. We zijn situaties tegengekomen waarin optimalisatiescenario's duidelijk mogelijkheden voor grote voorraadbesparingen lieten zien, maar het personeel aarzelde om deze te grijpen. Waarom? Omdat ze de voorraad zouden verminderen, en dat voelde riskant. Nogmaals, het selecteren van een subset van items, het doorlopen van het optimalisatieproces en het verkrijgen van top-down managementondersteuning om de verandering door te voeren, maakten het verschil. En als gevolg daarvan zullen ze hun voorraad aanzienlijk verminderen.

Het succes van voorraadoptimalisatie komt met een gemotiveerd team, de juiste technologie en een solide uitvoering van een goed plan. Een progressieve benadering van implementatie vermindert risico's, valideert het plan en vormt de basis voor een effectief voorraadplannings- en optimalisatieprogramma.

Download hier het Smart Inventory Optimization productblad: https://smartcorp.com/inventory-optimization/

"Biljoenen records van miljoenen mensen... Het vinden van de nuttige en juiste informatie, het begrijpen van de kwaliteit ervan en het tijdig en kosteneffectief produceren van betrouwbare geanalyseerde gegevens zijn allemaal kritieke kwesties."

Smart Software Senior Vice President for Research Tom Willemain had onlangs de gelegenheid om te praten met Dr. Mohsen Hamoudia, President van de Internationaal Instituut van Voorspellers (IIF), om actuele problemen met en kansen voor big data-analyse te bespreken. Het IIF informeert praktijkmensen over trends en onderzoeksontwikkelingen op het gebied van prognoses via gedrukte en online publicaties en het organiseren van professionele conferenties.

Dr. Hamoudia begint, bij wijze van inleiding:

In alle sectoren neemt de beschikbaarheid van gegevens explosief toe in volume, variëteit en snelheid. Big data-analyse speelt een belangrijke rol bij het identificeren van de gegevens die het belangrijkst zijn voor het bedrijf.

Ik neem het voorbeeld van de informatie- en communicatietechnologie (ICT)-sector. We zien een letterlijk exponentiële groei in de hoeveelheid data die beschikbaar is voor telecombedrijven, Over-the-top (OTT) onafhankelijke contentdistributeurs, overheid, toezichthouders en andere organisaties.

Over de hele wereld zijn we getuige van petabytes aan gegevens: biljoenen records van miljoenen mensen - allemaal afkomstig uit meerdere bronnen. Onder deze bronnen: internetverbindingen, verkoop, klantcontactcentra, sociale media, mobiele en vaste telefoongegevens. Het vinden van de nuttige en juiste informatie, het begrijpen van de kwaliteit ervan en het tijdig en kosteneffectief produceren van betrouwbare, geanalyseerde gegevens zijn allemaal kritieke kwesties. ICT-bedrijven zoeken steeds vaker naar bruikbare inzichten in hun data. Hoe ze hun klantenbestand en loyaliteitsprogramma's kunnen vergroten? Hoe kunnen ze de Quality of Service (QoS) verbeteren en het klantverloop verminderen? Met de juiste big data-analyseplatforms kunnen ze concurrerender en efficiënter zijn, waardoor de bedrijfsvoering, klantenservice en risicobeheer worden verbeterd. Het voorspellen en voorspellen van klanttrends en richtingen zijn essentieel voor telecom.

Voorspellingsvaardigheden, waaronder wiskunde, statistiek en econometrie, vormen een van de belangrijkste "blokken" van vereiste vaardigheden bij het beheren van Big Data. Sommige voorspellingsactiviteiten maken natuurlijk deel uit van het big data-debat.

In de detailhandel komen prognoses dagelijks aan de orde vraag naar over duizenden producten. Financiële prognoses, of het nu gaat om klantgedrag of financiële datareeksen, genereren enorme online datasets. Zoals opgemerkt door Robert Fildes, Distinguished Professor aan de Universiteit van Lancaster, is de academische prognosegemeenschap tot nu toe nog niet grondig betrokken - op enkele uitzonderingen na. Hal Varian van Google heeft gekeken naar een deel van het werk dat David Hendry en Jennifer Castle, aan de Universiteit van Oxford, hebben ondernomen om grote datasets te doorzoeken op datacongruente, betekenisvolle modellen. Stock en Watson hebben ook hun eigen benaderingen ontwikkeld voor grote macrogegevenssets. Maar ondanks de poging, tijdens het symposium over prognoses vorig jaar in Seoel, om het thema big data en zijn prognosetoepassingen te verkennen, zijn er nog maar weinig overtuigende toepassingen van het gebruik van online data voor echte prognoseproblemen.

V. Men hoort tegenwoordig veel over 'voorspellende analyses', maar de uitdrukking wordt zelden in verband gebracht met prognoses. Bent u het ermee eens dat prognoses de kern vormen van voorspellende analyses? Heb je een verklaring waarom de link verbroken is? Heeft u ideeën over hoe u prognoses opnieuw in het gesprek kunt inbrengen?

De resultaten van prognoses (het 'wat') worden nu misschien als minder belangrijk ervaren dan het 'hoe'. Bijgevolg is het vertrouwen dat gebruikers stellen in traditionele prognoses afgenomen. Wie stelt inderdaad de juistheid of relevantie van prognoses ter discussie door a posteriori de realiteit versus de prognose te vergelijken - om te pleiten voor de effectiviteit van methododiges en daarmee voor het opbouwen van geloofwaardigheid?

Met de huidige perceptie van "voorspellende analyses" is er waarschijnlijk meer ruimte in de publieke verbeelding voor de "hoe"-kant van de dingen, en daarom een geloofwaardiger verhaal om te vertellen aan partners, investeerders of klanten.

V. Het lijkt erop dat er bijna geen verband bestaat tussen traditionele prognoses en mobiele technologie (smartphones, tabletcomputers). Klopt dit, of migreren sommige bedrijven prognoses naar mobiele apparaten? Ziet u een pad voorwaarts waarin traditionele prognosealgoritmen routinematig op mobiele apparaten zouden staan?

Allereerst wil ik uw lezers graag uitnodigen om ons nieuwste nummer van Foresight te lezen. In een uitstekend artikel over dit onderwerp, "Forecasting In the Pocket: Mobile Devices Can Improve Collaboration", wordt uitgelegd dat "de toenemende populariteit van PDA's, smartphones, tabletcomputers en andere mobiele apparaten nieuwe mogelijkheden opent voor communicatie en samenwerking bij zakelijke prognoses." De auteurs vertellen ons: "Mobiele prognosetoepassingen (m-forecasting) kunnen benaderingen van samenwerking tussen detailhandelaren en leveranciers stroomlijnen, en zo bijdragen aan de verstrekking en uitwisseling van productinformatie, vooral omdat prognoses sterk verbonden zijn met kennis van de lokale context."

Aan de kant van ICT & OTT vinden bijvoorbeeld een groot aantal voorspellende projecten plaats, zoals die van Google+ en Facebook, dankzij de opname van de "gebruikerslocatie" -gegevens in de IT-systemen van OTT. Naar mijn mening, en wat ik zie in sommige sectoren zoals retail en logistiek, is dat traditionele forecasting en mobiele forecasting (m-forecasting) complementair zijn. Dit laatste zou kunnen worden gezien als een bottom-up prognosebenadering die de top-down prognoseresultaten al dan niet zal bevestigen.

V. Sommige mensen beweren dat big data de vervanging van prognoses door "sense and react"-systemen zal vergemakkelijken. Hoe zou u 'voelen en reageren' in de praktijk uitleggen en zijn er toepassingsgebieden waarvan u denkt dat het wel of niet zal aanslaan?

Het lijkt mij dat "sense and react" volledig gericht is op het kortetermijnperspectief. Prognoses breiden dit uit door tegemoet te komen aan behoeften voor een variabele horizon: korte en middellange termijn.

Als neveneffect van ATAWAD (Anytime, Anywhere, Any Device) zijn de besluitvormingscriteria meer dan ooit “korte termijn”. Big data is een detectiesysteem voor "zwakke signalen", dat de bijna realtime detectie van zakelijke kansen mogelijk maakt die met traditionele IT-systemen onopgemerkt zouden blijven. Er zijn niet echt voorkeurs- of niet-prioritaire toepassingen hiervoor, de vraag is meer aan de "wanneer" -kant.

Big data is relevant als je onder de oppervlakte kijkt in moeilijke economische tijden, maar ik ben er minder zeker van of het de moeite waard is in een “normale” economische periode. Om af te sluiten op dit punt: ik zal graag een voorbeeld zien van hoe nauwkeurig prognoses zijn die zijn gebaseerd op "voelen en reageren" versus prognoses op basis van traditionele modellen.

V. Ik stel een aantal grote vragen. In hoeverre ziet u de IIF-gemeenschap deze discussies en resultaten vormgeven? Hoe kunnen lezers deelnemen aan de dialoog?

We verwachten een toenemende beschikbaarheid en een toenemend gebruik van enorme hoeveelheden gegevens in veel sectoren, zoals energie, transport, gezondheidszorg, financiën, telecommunicatie en toerisme.

Veel van de IIF-leden houden zich bezig met verschillende aspecten van de big data-beweging. Het IIF doet wat werk in de voorspellingsactiviteiten die natuurlijk deel uitmaken van het big data-debat. Meer in het algemeen neemt het IIF actief deel aan en biedt het een forum voor de discussie over prognoses in de rest van de wereld.

Het thema van ons laatste International Symposium on Forecasting (ISF) in Seoul was “Forecasting with Big Data” en enkele presentaties hadden betrekking op gezondheidszorg en telecommunicatie. Er is zojuist een relevante workshop georganiseerd door de Europese Centrale Bank (ECB). Als er op deze modellen wordt geprofiteerd, hebben ze het potentieel om het economisch beleid van Europa vrij snel te beïnvloeden.

Lezers kunnen deelnemen aan de dialoog door artikelen bij te dragen aan de publicaties van het IIF (The International Journal of Forecasting, Foresight and Het orakel). Foresight is bijvoorbeeld een stem van onschatbare waarde om academici en praktijkmensen samen te brengen in een voortdurende discussie.

Lezers kunnen ook papers presenteren op de jaarlijkse conferentie (de eerder genoemde ISF). Ze kunnen ook specifieke workshops voorstellen en organiseren voor specifieke toepassingen van big data, zoals de workshop die zojuist door de ECB in Frankfurt is georganiseerd. Een andere mogelijkheid is om de leden van IIF uit te nodigen voor het bijwonen van bijeenkomsten die te maken hebben met prognoses met big data. Al deze kansen vormen goede platforms om te netwerken en samen te werken.

Mohsen Hamoudia, PhD, is de voorzitter van het International Institute of Forecasters. Hij is ook Head of Strategy for Large Projects (Parijs) voor Orange Business Services (het voormalige France Telecom).

Thomas Willemain, PhD, was medeoprichter van Smart Software en is momenteel Senior Vice President for Research. Dr. Willemain is ook emeritus hoogleraar Industrial and Systems Engineering aan het Rensselear Polytechnic Institute en als lid van de onderzoeksstaf van het Centre for Computing Sciences, Institute for Defence Analyses.