Een leesbaar, goed georganiseerd leerboek kan van onschatbare waarde zijn om "bedrijfsvoorspellers in opleiding te helpen de basisprincipes van tijdreeksvoorspelling te begrijpen", zoals Tom Willemain opmerkt in de conclusie van deze recensie, oorspronkelijk gepubliceerd in Vooruitziendheid: The International Journal of Applied Forecasting. De review is voornamelijk geschreven voor een academisch publiek, maar dient ook voor onervaren vraagplanningprofessionals door hen te wijzen op een diepgaande bron.
Dit nette boekje heeft tot doel "de lezer kennis te laten maken met kwantitatieve prognoses van tijdreeksen op een praktische, praktische manier." Voor een bepaald soort lezer zal het ongetwijfeld lukken, en wel op een stijlvolle manier.
De auteur, dr. Galit Shmueli, is de door SRITNE voorgezeten hoogleraar data-analyse en universitair hoofddocent statistiek en informatiesystemen aan de Indian School of Business, Hyderabad. Ze is auteur of co-auteur van verschillende andere boeken over toegepaste statistiek en bedrijfsanalyse.
Het boek is bedoeld als tekst voor een cursus "mini-semester" voor afgestudeerde of niet-gegradueerde studenten. Ik denk dat het te ver gaat om te geloven dat er hier genoeg technisch materiaal is om als basis te dienen voor een masteropleiding, maar ik zie dat het goed werkt voor studenten in industriële techniek of management die een eerdere cursus statistiek hebben gehad (en daarom zullen inderdaad kunnen "herinneren dat een 95%-voorspellingsinterval voor normaal verdeelde fouten ..." is).
Er zijn oefeningen aan het einde van het hoofdstuk van de juiste omvang en zelfs opstellingen voor drie real-world semesterprojecten, zodat instructeurs het boek kunnen gebruiken zoals de auteur het voor ogen had. Het boek illustreert de punten met behulp van XLMiner, een Excel-invoegtoepassing, en studenten kunnen de gratis demoversie gebruiken voor bijna alle oefeningen. Tekstdatasets zijn beschikbaar op de website van het boek, die ook een gratis 'dashboard'-applicatie voor tijdreeksanalyse biedt. De auteur merkt op dat andere software kan worden gebruikt in plaats van XLMiner en vermeldt de prognosebibliotheek van Minitab, JMP en Rob Hyndman in R.
Tijdens het lezen van dit boek was ik aangenaam verrast door de helderheid ervan. Nadat ik onlangs tijd had besteed aan het corrigeren van het technische proza van twee verder goede afgestudeerde studenten, vond ik het schrijven in dit boek een verfrissend contrast, waardoor technische concepten begrijpelijk werden.
Een ander voordeel van dit boek is de selectie van onderwerpen. De technische zijn redelijk standaard (afvlakkingsmethoden, regressie met behulp van polynoomtrends en dummy-variabelen), maar variëren ook een beetje in de richting van meer exotisch (logistische regressie, neurale netwerken, een beetje ARIMA). Indrukwekkender is de opname van wat "meta-onderwerpen" kunnen worden genoemd die relevant zijn voor prognoses: prestatiebeoordeling, een overzicht van alternatieve technische benaderingen en een over het prognoseproces, van het definiëren van doelen tot manieren om rapporten anders af te stemmen op management- en technische publiek. Dit is het soort voorspellende wijsheid die we vinden Chris Chatfields boek (2004), hoewel iets minder scherp gepresenteerd en met minder wiskundige uiteenzetting. Meestal raad ik Chatfields inleidende boek aan voor meer technische lezers die geïnteresseerd zijn in tijdreeksen; Ik zou het boek van Shmueli aanbevelen voor een meer algemeen publiek.
Geen beoordeling is compleet zonder haarkloverijen. Hier zijn er een paar - te weinig om mijn zeer positieve kijk op dit indrukwekkende boekje ongedaan te maken:
• De tekst is een goed argument voor 'goed opgemaakte en gemakkelijk leesbare' grafieken (p. 179). Maar ik vond veel van de schermafbeeldingen slecht afgedrukt en moeilijk te zien. Het boek is overigens zo visueel aantrekkelijk dat deze gebreken erg vreemd lijken. Het maakt met groot effect gebruik van luxueuze hoeveelheden witruimte en grillige marginale kunst, waardoor een zeer "licht" gevoel ontstaat dat het begrip zeker moet helpen.
• De auteur beweert (p. 115) dat afvlakkingsmethoden (bijv. voortschrijdende gemiddelden, exponentiële afvlakking) niet volledig geautomatiseerd kunnen worden omdat "de gebruiker afvlakkingsconstanten moet specificeren". Dit is natuurlijk niet zo, aangezien er verschillende softwarepakketten zijn die dit doen, en de tekst spreekt zichzelf later op dit punt tegen op pagina 127.
• De verder goede bespreking van autocorrelatie is misleidend wanneer wordt beweerd (p. 88) dat negatieve lag-1 autocorrelatie betekent dat "hoge waarden onmiddellijk worden gevolgd door lage waarden en vice versa." Nou ja, meestal, maar niet altijd.
Toen ik dit boek uit had, besefte ik meteen dat er buiten de klas nog een andere doelgroep is. Mijn bedrijf geeft vaak trainingssessies over het gebruik van onze software, inclusief algemene achtergrondinformatie over prognosemethoden en -processen. Als we het materiaal op XLMiner zouden kunnen uitknippen, en zelfs als we dat niet zouden kunnen, zou deze tekst een prachtige "achterwege" zijn om zakelijke voorspellers in opleiding te helpen de basisprincipes van tijdreeksprognoses te begrijpen. Het boek is zo goed geschreven, goed georganiseerd en goed ontworpen dat het zelfs gelezen zou kunnen worden. We kunnen het zeker gebruiken om onze nieuwe programmeurs te helpen de applicaties die ze ontwikkelen te begrijpen. En dit boek zou zelfs kunnen dienen als schuldig leesvoer voor een afgestudeerde student die echt wil 'snappen' wat er gaande is in Box, Jenkins en Reinsel (2008).
Thomas Willemain, PhD, was mede-oprichter van Smart Software en is momenteel Senior Vice President for Research. Dr. Willemain is ook emeritus hoogleraar Industrial and Systems Engineering aan het Rensselaer Polytechnic Institute en als lid van de onderzoeksstaf van het Centre for Computing Sciences, Institute for Defence Analyses.
gerelateerde berichten

Je moet samenwerken met de algoritmen
This article is about the real power that comes from the collaboration between you and our software that happens at your fingertips. We often write about the software itself and what goes on “under the hood”. This time, the subject is how you should best team up with the software.

Beantwoord de precisie van het pronóstico: een precisie-cambio met de meetmetrieken
Het meten van de nauwkeurigheid van prognoses is een onmiskenbaar belangrijk onderdeel van het vraagplanningsproces. Deze voorspellingsscorekaart zou kunnen worden opgebouwd op basis van een van de twee contrasterende gezichtspunten voor het berekenen van metrieken. Vanuit het foutperspectief wordt de vraag gesteld: “Hoe ver lag de voorspelling van de werkelijkheid?” Vanuit het nauwkeurigheidsperspectief wordt de vraag gesteld: “Hoe dicht lag de voorspelling bij de werkelijkheid?” Beide zijn geldig, maar foutstatistieken bieden meer informatie.

Elk voorspellingsmodel is goed waarvoor het is ontworpen
Met zoveel hype rond nieuwe Machine Learning (ML) en probabilistische voorspellingsmethoden lijken de traditionele “extrapolatieve” of “tijdreeksen” statistische voorspellingsmethoden de koude schouder te krijgen. Het is echter de moeite waard om te onthouden dat deze traditionele technieken (zoals enkele en dubbele exponentiële afvlakking, lineaire en eenvoudige voortschrijdende middeling, en Winters-modellen voor seizoensitems) vaak behoorlijk goed werken voor gegevens met een groter volume. Elke methode is goed voor waarvoor deze is ontworpen. Pas ze allemaal op de juiste manier toe, bijvoorbeeld: neem geen mes mee naar een vuurgevecht en gebruik geen drilboor als een eenvoudige handhamer voldoende is.