De meeste statistische prognoses werken in één directe stroom van gegevens uit het verleden naar prognoses. Voorspellen met voorlopende indicatoren werkt op een andere manier. Een leidende indicator is een tweede variabele die van invloed kan zijn op degene die wordt voorspeld. Het toepassen van toetsbare menselijke kennis over de voorspellende kracht in de relatie tussen deze verschillende gegevenssets levert soms superieure nauwkeurigheid op.
Meestal is een prognose uitsluitend gebaseerd op de geschiedenis van het item dat wordt voorspeld. Laten we aannemen dat het probleem van de voorspeller is om de toekomstige verkoop per eenheid van een belangrijk product te voorspellen. Het proces begint met het verzamelen van gegevens over de eerdere verkopen van het product. (Gregory Hartunian deelt wat praktisch advies over het kiezen van de best beschikbare data in een eerder bericht op de Smart Forecaster.) Deze gegevens stromen naar prognosesoftware, die het verkooprecord analyseert om het niveau van willekeurige variabiliteit te meten en alle voorspelbare aspecten te benutten, zoals trend of regelmatige patronen van seizoensvariabiliteit. De prognose is volledig gebaseerd op het gedrag in het verleden van het artikel dat wordt voorspeld. Er wordt expliciet rekening gehouden met niets dat het schommelen en schudden in de verkoopgrafiek van het product zou kunnen hebben veroorzaakt. Deze aanpak is snel, eenvoudig, op zichzelf staand en schaalbaar, omdat software automatisch door een groot aantal prognoses kan bladeren.
Maar soms kan de voorspeller het beter doen, ten koste van meer werk. Als de voorspeller door de mist van willekeur kan kijken en een tweede variabele kan identificeren die van invloed is op degene die wordt voorspeld, een leidende indicator, zijn nauwkeurigere voorspellingen mogelijk.
Stel dat het product vensterglas voor woningen is. Het is goed mogelijk dat stijgingen of dalingen van het aantal bouwvergunningen voor nieuwbouwwoningen enkele maanden later worden weerspiegeld in overeenkomstige stijgingen of dalingen van het aantal bestelde glasplaten. Als de voorspeller deze "vertraagde" of vertraagde relatie in een vergelijking kan destilleren, kan die vergelijking worden gebruikt om de glasverkoop over enkele maanden te voorspellen, dus met behulp van bekende waarden van de leidende indicator. Deze vergelijking wordt een "regressievergelijking" genoemd en heeft de vorm zoiets als:
Verkoop van glas in 3 maanden = 210,9 + 26,7 × Aantal woningen start deze maand.
Voorspellingssoftware kan de gegevens over de start van de woningbouw en de glasverkoop omzetten in zo'n regressievergelijking.
Grafiek met een relatie tussen voorbeeldcijfers voor verschoven bouwvergunningen en de vraag naar glas
Voorlopende indicatoren aangetoond
In tegenstelling tot automatische statistische prognoses op basis van de eerdere verkopen van een product, stuit prognoses met een voorlopende indicator echter op hetzelfde probleem als het spreekwoordelijke recept voor konijnenstoofpot: "Vang eerst een konijn". Hier is de inhoudelijke expertise van de voorspeller cruciaal voor succes. De forecaster moet één of meerdere kandidaten kunnen voordragen voor de functie van leading indicator. Na deze cruciale stap kan op basis van de kennis, ervaring en intuïtie van de voorspeller software worden gebruikt om te verifiëren dat er werkelijk een voorspellende, tijdvertraagde relatie bestaat tussen de kandidaat-voorlopende indicator en de te voorspellen variabele.
Deze verificatiestap wordt uitgevoerd met behulp van een "kruiscorrelatie"-analyse. De software neemt in wezen als invoer een reeks waarden van de te voorspellen variabele en een andere reeks waarden van de veronderstelde leidende indicator. Vervolgens schuift het de gegevens van de voorspellingsvariabele vooruit met achtereenvolgens een, twee, drie, etc. tijdsperioden. Bij elke slip in de tijd (een "lag" genoemd, omdat de leidende indicator steeds verder achterloopt op de voorspellingsvariabele), controleert de software op een associatiepatroon tussen de twee variabelen. Als het een patroon vindt dat te sterk is om te worden verklaard als een statistisch ongeval, wordt het vermoeden van de voorspeller bevestigd.
Het is duidelijk dat prognoses met voorlopende indicatoren meer werk zijn dan prognoses met alleen de eigen waarden uit het verleden van een item. De voorspeller moet een leidende indicator identificeren, te beginnen met een lijst die wordt voorgesteld door de vakkennis van de voorspeller. Dit is een "handgemaakt" proces dat niet geschikt is voor massaproductie van prognoses. Maar het kan een succesvolle aanpak zijn voor een kleiner aantal belangrijke items die de extra moeite waard zijn. De rol van prognosesoftware, zoals ons SmartForecasts-systeem, is om de voorspeller te helpen de leidende indicator te verifiëren en deze vervolgens te benutten.
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
![Beheersing van automatische prognoses voor tijdreeksgegevens](https://smartcorp.com/wp-content/uploads/2024/07/Mastering-Automatic-Forecasting-for-Time-Series-Data-copy-1080x675.jpg)
Beheersing van automatische prognoses voor tijdreeksgegevens
In deze blog onderzoeken we de automatische prognose voor vraagprojecties in tijdreeksen. Er zijn meerdere methoden om de toekomstige vraag naar een artikel te voorspellen, en dit wordt complex als het om duizenden artikelen gaat, die elk een andere voorspellingstechniek vereisen vanwege hun unieke vraagpatronen.
![Op prognoses gebaseerd voorraadbeheer voor een betere planning](https://smartcorp.com/wp-content/uploads/2024/07/Forecast-Based-Inventory-Management-for-Better-Planning-1-1080x675.jpg)
Op prognoses gebaseerd voorraadbeheer voor een betere planning
Op prognoses gebaseerd voorraadbeheer, of MRP-logica (Material Needs Planning), is een methode voor vooruitplanning die bedrijven helpt aan de vraag te voldoen zonder dat er sprake is van over- of ondervoorraad. Door te anticiperen op de vraag en de voorraadniveaus aan te passen, wordt een evenwicht behouden tussen het voldoen aan de behoeften van de klant en het minimaliseren van overtollige voorraadkosten. Deze aanpak optimaliseert de bedrijfsvoering, vermindert verspilling en verbetert de klanttevredenheid.
![Gebruikmaken van Epicor Kinetic Planning BOM's met Smart IP&O voor nauwkeurige prognoses](https://smartcorp.com/wp-content/uploads/2024/06/Leveraging-Epicor-Kinetic-Planning-BOMs-with-Smart-IPO-to-Forecast-Accurately-HD-1080x675.jpg)
Gebruikmaken van Epicor Kinetic Planning BOM's met Smart IP&O voor nauwkeurige prognoses
In deze blog onderzoeken we hoe het gebruik van Epicor Kinetic Planning BOM's met Smart IP&O uw benadering van forecasting in een zeer configureerbare productieomgeving kan transformeren. Ontdek hoe Smart, een geavanceerde AI-gestuurde oplossing voor vraagplanning en voorraadoptimalisatie, de complexiteit van het voorspellen van de vraag naar eindproducten kan vereenvoudigen, vooral als het om verwisselbare componenten gaat. Ontdek hoe het plannen van stuklijsten en geavanceerde prognosetechnieken bedrijven in staat stelt nauwkeuriger te anticiperen op de behoeften van klanten, waardoor de operationele efficiëntie wordt gewaarborgd en een voorsprong behouden in een concurrerende markt.