Smart Software onlangs aangekondigd een Software as a Service (SaaS)-optie voor SmartForecasts—SFCloud™. Op locatie gebaseerde eeuwigdurende licenties zullen voor veel organisaties de voorkeursmethode voor software-implementatie blijven, maar er zijn veel redenen waarom de vraag naar cloudgebaseerde oplossingen een vlucht neemt. Een oud bericht van Bill Richardson op ApplicantStack Team Blog vat de belangrijkste voordelen van het SaaS-model samen.

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.

Aan het einde van het jaar zijn we vaak bezig met nadenken en plannen maken voor het komende jaar. Is 2013 verlopen zoals je had verwacht? Zal 2014 dramatisch anders zijn? Zijn er andere factoren - dingen die we van plan zijn te doen; dingen waarvan we denken dat onze concurrenten ze zouden kunnen doen; krachten van buitenaf, zoals veranderende smaak, demografie of economie, die de gang van zaken in het komende jaar kunnen veranderen?

De meeste bedrijven die een formele prognose doen, beginnen met een statistische projectie van verkooppatronen uit het verleden in de toekomst. Uw voorspellingsmodel moet alle seizoensgebondenheid die inherent is aan uw markten detecteren en karakteriseren en dit opnemen in de projectie. Maar dat is slechts de eerste stap.

Het volgende dat u moet overwegen, is de levenscyclus van het product. Bijna alle producten doorlopen een voorspelbare cyclus van introductie, acceptatie en groei, volwassenheid (vraag vlakt af) en uiteindelijk verval tot veroudering. Deze cycli kunnen zo kort zijn als weken of zo lang als tientallen jaren. Kledingmode en consumentenelektronica zouden zich aan de kortere kant van de schaal bevinden, terwijl producten zoals sanitair en bouwmachines langere cycli zouden ondergaan. In gespecialiseerde situaties, zoals het beheer van busvloot, kunnen volledige wagenparken worden vervangen gedurende gedefinieerde overgangsperioden. In ieder geval de vraag prognose moet worden aangepast aan de toenemende of afnemende vraag, afhankelijk van de positie van het product in zijn levenscyclus.

Nu komt het moeilijkste: het onvoorspelbare voorspellen. Over het algemeen zal de toekomst waarschijnlijk veel lijken op het recente verleden, vergelijkbaar met de eerste bewegingswet van Newton: een lichaam in beweging heeft de neiging in beweging te blijven tenzij er een externe kracht op inwerkt. Maar het zijn die externe krachten die uw zorgvuldig berekende voorspelling recht in de goot kunnen sturen. Een concurrent kan zijn prijzen verlagen om een deel van uw marktaandeel weg te nemen. Nieuwe technologieën kunnen uw product voor het einde van de verwachte levensduur overbodig maken. Veranderende smaken of nieuwe regelgeving kunnen de verkoop in de weg staan.

Maar er kunnen ook goede dingen gebeuren. U bent misschien degene die de prijzen verlaagt of uw product verbetert en de zaken van een concurrent wegneemt. Uw product kan in de smaak vallen bij de markt en de verkoop zal omhoogschieten. Een concurrent kan het bedrijf verlaten of failliet gaan, waardoor u meer kansen krijgt.

Moet je dit soort dingen plannen? Zeker, voor zover je kunt. U weet misschien wanneer u promoties uitvoert of de volgende productlijn invoert. Maar de toekomst is van nature onzeker. Geschiedenis en uw zakelijke kennis van het verleden leggen de basis voor uw kijk op de toekomst. Op statistiek gebaseerde tools kunnen u helpen bij het opstellen van een voor risico gecorrigeerde prognose, met aanbevelingen voor veiligheidsvoorraden die overeenkomen met het risiconiveau dat u bereid bent te nemen. Daarnaast is uw sleutel tot succes behendigheid: het vermogen om u aan veranderende omstandigheden aan te passen. Bereid de best mogelijke prognose voor, bouw uw plannen rond die prognose en houd vervolgens de verkoop- en marktomstandigheden nauwlettend en continu in de gaten. Zoek naar vroege waarschuwingen dat dingen in een andere richting kunnen gaan dan je had voorspeld.

U moet bereid zijn om veranderende omstandigheden te herkennen en u eraan aan te passen - met andere woorden, word niet verliefd op uw voorspelling en negeer bewijs dat het misschien verkeerd is. Trots op auteurschap kan in dit geval dodelijk zijn voor het bedrijf.

Het is ook belangrijk om noodplannen te hebben, zodat u voorbereid bent om de nodige wijzigingen aan te brengen in inkoop, productie en voorraad om te reageren op de nieuwe schatting van de vraag. De beste tools hiervoor zijn de kortst mogelijke doorlooptijden (zowel productie als leverancier), goede leveranciersrelaties en een heldere kijk op de wereld en uw markten.

Voorspellen is vooral moeilijk omdat mensen weten dat het waarschijnlijk fout zal zijn en niemand houdt ervan publiekelijk en zichtbaar ongelijk te hebben. Desalniettemin is een goede prognose nodig om de middelen te positioneren die nodig zijn om aan de eisen van de klant te voldoen. Sta gewoon open voor de eerste tekenen van verandering en wees bereid om snel en resoluut te reageren.

Dave Turbid, CFPIM, CIRM, CSCP, CMfgE is een in New Hampshire gevestigde onafhankelijke consultant en freelanceschrijver. Hij is te bereiken via e-mail op dave at daveturbide dot com.

In mijn vorige post in deze serie over essentiële concepten, “Wat is 'Een goede voorspelling'”besprak ik de basisinspanning om de meest waarschijnlijke toekomst te ontdekken in een scenario voor vraagplanning. Ik definieerde een goede voorspelling als een die onbevooroordeeld en zo nauwkeurig mogelijk is. Maar ik waarschuwde ook dat, afhankelijk van de stabiliteit of volatiliteit van de gegevens waarmee we moeten werken, er nog steeds enige onnauwkeurigheid kan zijn in zelfs een goede voorspelling. De sleutel is om inzicht te hebben in hoeveel.

Dit onderwerp, omgaan met onzekerheid, is het onderwerp van een bericht van mijn collega Tom Willemain, “Het gemiddelde is niet het antwoord”. Zijn post legt de theorie uiteen om op verantwoorde wijze de grenzen van ons voorspellende vermogen te confronteren. Het is belangrijk om te begrijpen hoe dit echt werkt.

Zoals ik aan het einde van mijn vorige bericht kort aanstipte, begint onze aanpak met iets dat een "glijdende simulatie" wordt genoemd. We schatten hoe nauwkeurig we de toekomst voorspellen door onze voorspellingstechnieken te gebruiken op een ouder deel van de geschiedenis, waarbij we de meest recente gegevens uitsluiten. We kunnen dan wat we zouden hebben voorspeld voor het recente verleden vergelijken met onze werkelijke informatie over wat er is gebeurd. Dit is een betrouwbare methode om in te schatten hoe nauwkeurig we de toekomstige vraag voorspellen.

Veiligheidsvoorraad, een zorgvuldig gemeten buffer in voorraadniveau die we in voorraad hebben boven onze voorspelling van de meest waarschijnlijke vraag, is afgeleid van de schatting van de voorspellingsfout die voortkomt uit de "glijdende simulatie". Deze aanpak om met de nauwkeurigheid van onze prognoses om te gaan, balanceert efficiënt tussen het negeren van de dreiging van onvoorspelbare en kostbare overcompensatie.

In meer technische details: de prognosefouten die worden geschat door dit glijdende simulatieproces geven het niveau van onzekerheid aan. We gebruiken deze fouten om de standaarddeviatie van de prognoses te schatten. Nu, met een regelmatige vraag, kunnen we aannemen dat de voorspellingen (die schattingen zijn van toekomstig gedrag) het beste worden weergegeven door een klokvormige kansverdeling - wat statistici de "normale verdeling" noemen. Het centrum van die verdeling is onze puntvoorspelling. De breedte van die verdeling is de standaarddeviatie van de "glijdende simulatie"-voorspelling van de bekende werkelijke waarden - we halen dit rechtstreeks uit onze schattingen van de voorspellingsfout.

Zodra we de specifieke klokvormige curve kennen die bij de voorspelling hoort, kunnen we eenvoudig de benodigde veiligheidsvoorraadbuffer inschatten. De enige input van ons is het “serviceniveau” dat gewenst is en de veiligheidsvoorraad op dat serviceniveau kan worden bepaald. (Het serviceniveau is in wezen een maatstaf van hoe zeker we moeten zijn van onze voorraadniveaus, waarbij een groeiend vertrouwen corresponderende uitgaven voor extra voorraad vereist.) Let op, we gaan ervan uit dat de juiste verdeling die moet worden gebruikt de normale verdeling is. Dit is correct voor de meeste vraagreeksen waar u een regelmatige vraag per periode heeft. Het mislukt wanneer de vraag sporadisch of met tussenpozen is.

In het volgende stuk in deze serie zal ik bespreken hoe Smart Forecasts omgaat met het schatten van de veiligheidsvoorraad in die gevallen van intermitterende vraag, wanneer de veronderstelling van normaliteit onjuist is.

Nelson Hartunian, PhD, was medeoprichter van Smart Software, was voorheen President en houdt er momenteel toezicht op als voorzitter van de raad van bestuur. Hij heeft op verschillende momenten leiding gegeven aan softwareontwikkeling, verkoop en klantenservice.

In een recent bericht bij SupplyChainBrain, bekijkt Robert Bowman excellentie in vraagplanning. Gefocust op bewonderenswaardige kwaliteiten en technieken, zou het interessant moeten zijn voor elke vraagplanner die zijn of haar vak wil verbeteren.

.