{"id":11142,"date":"2023-08-15T10:02:25","date_gmt":"2023-08-15T14:02:25","guid":{"rendered":"https:\/\/smartcorp.com\/forecasting\/6-observations-about-successful-demand-forecasting-processes-copy\/"},"modified":"2023-09-19T12:13:21","modified_gmt":"2023-09-19T16:13:21","slug":"de-automatische-forecasting-functie","status":"publish","type":"post","link":"https:\/\/smartcorp.com\/nl\/voorspelling\/de-automatische-forecasting-functie\/","title":{"rendered":"De automatische prognosefunctie"},"content":{"rendered":"

[et_pb_section fb_built=”1″ _builder_version=”4.16″ _module_preset=”default” custom_margin=”0px||||false|false” custom_padding=”0px||||false|false” global_colors_info=”{}”][et_pb_row admin_label=”Row” module_class=”blog_glob” _builder_version=”4.16″ locked=”off” global_colors_info=”{}”][et_pb_column type=”4_4″ saved_specialty_column_type=”2_3″ _builder_version=”4.16″ custom_padding=”|||” global_colors_info=”{}” custom_padding__hover=”|||”][et_pb_text content_last_edited=”off|desktop” admin_label=”CONTENT” module_class=”post-main_text” _builder_version=”4.21.0″ header_3_text_color=”#0c71c3″ header_3_font_size=”19px” background_size=”initial” background_position=”top_left” background_repeat=”repeat” z_index_tablet=”500″ text_text_shadow_horizontal_length_tablet=”0px” text_text_shadow_vertical_length_tablet=”0px” text_text_shadow_blur_strength_tablet=”1px” link_text_shadow_horizontal_length_tablet=”0px” link_text_shadow_vertical_length_tablet=”0px” link_text_shadow_blur_strength_tablet=”1px” ul_text_shadow_horizontal_length_tablet=”0px” ul_text_shadow_vertical_length_tablet=”0px” ul_text_shadow_blur_strength_tablet=”1px” ol_text_shadow_horizontal_length_tablet=”0px” ol_text_shadow_vertical_length_tablet=”0px” ol_text_shadow_blur_strength_tablet=”1px” quote_text_shadow_horizontal_length_tablet=”0px” quote_text_shadow_vertical_length_tablet=”0px” quote_text_shadow_blur_strength_tablet=”1px” header_text_shadow_horizontal_length_tablet=”0px” header_text_shadow_vertical_length_tablet=”0px” header_text_shadow_blur_strength_tablet=”1px” header_2_text_shadow_horizontal_length_tablet=”0px” header_2_text_shadow_vertical_length_tablet=”0px” header_2_text_shadow_blur_strength_tablet=”1px” header_3_text_shadow_horizontal_length_tablet=”0px” header_3_text_shadow_vertical_length_tablet=”0px” header_3_text_shadow_blur_strength_tablet=”1px” header_4_text_shadow_horizontal_length_tablet=”0px” header_4_text_shadow_vertical_length_tablet=”0px” header_4_text_shadow_blur_strength_tablet=”1px” header_5_text_shadow_horizontal_length_tablet=”0px” header_5_text_shadow_vertical_length_tablet=”0px” header_5_text_shadow_blur_strength_tablet=”1px” header_6_text_shadow_horizontal_length_tablet=”0px” header_6_text_shadow_vertical_length_tablet=”0px” header_6_text_shadow_blur_strength_tablet=”1px” box_shadow_horizontal_tablet=”0px” box_shadow_vertical_tablet=”0px” box_shadow_blur_tablet=”40px” box_shadow_spread_tablet=”0px” use_border_color=”off” global_colors_info=”{}”]<\/p>\n

Automatische prognoses zijn de populairste en meest gebruikte functie van SmartForecasts en Smart Demand Planner. Automatische prognoses maken is eenvoudig. Maar de eenvoud van Automatic Forecasting maskeert een krachtige interactie van een aantal zeer effectieve prognosemethoden. In deze blog bespreken we een deel van de theorie achter deze kernfunctie. We richten ons op automatische prognoses, deels vanwege de populariteit ervan en deels omdat veel andere prognosemethoden vergelijkbare resultaten opleveren. Kennis van automatische prognoses wordt onmiddellijk overgedragen naar eenvoudig voortschrijdend gemiddelde, lineair voortschrijdend gemiddelde, enkele exponenti\u00eble afvlakking, dubbele exponenti\u00eble afvlakking, Winters' exponenti\u00eble afvlakking en promoprognoses.<\/p>\n

\u00a0<\/strong><\/p>\n

Prognose toernooi<\/strong><\/p>\n

Automatische prognoses werken door een toernooi uit te voeren met een reeks concurrerende methoden. Omdat personal computers en cloud computing snel zijn, en omdat we zeer effici\u00ebnte algoritmen hebben gecodeerd in de automatische voorspellingsengine van SmartForecasts, is het praktisch om een puur empirische benadering te volgen om te beslissen welke extrapolatieve voorspellingsmethode moet worden gebruikt. Dit betekent dat u het zich kunt veroorloven om een aantal benaderingen uit te proberen en vervolgens degene te behouden die het beste presteert bij het voorspellen van de betreffende gegevensreeks. SmartForecasts automatiseert dit proces volledig voor u door de verschillende voorspellingsmethoden uit te proberen in een gesimuleerd voorspellingstoernooi. De winnaar van het toernooi is de methode die het dichtst bij het voorspellen van nieuwe gegevenswaarden van oude komt. Nauwkeurigheid wordt gemeten aan de hand van de gemiddelde absolute fout (dat wil zeggen de gemiddelde fout, waarbij eventuele mintekens worden genegeerd). Het gemiddelde wordt berekend over een reeks voorspellingen, die elk een deel van de gegevens gebruiken, in een proces dat bekend staat als glijdende simulatie.<\/p>\n

\u00a0<\/strong><\/p>\n

Glijdende simulatie<\/strong><\/p>\n

De glijdende simulatie veegt herhaaldelijk door steeds langere delen van de historische gegevens, waarbij in elk geval het gewenste aantal perioden in uw prognosehorizon wordt voorspeld. Stel dat er 36 historische gegevenswaarden zijn en dat u zes perioden vooruit moet voorspellen. Stel je voor dat je de voorspellingsnauwkeurigheid van een bepaalde methode, bijvoorbeeld een voortschrijdend gemiddelde van vier waarnemingen, wilt beoordelen op de gegevensreeks die voorhanden is.<\/p>\n

Op een gegeven moment in de glijdende simulatie worden de eerste 24 punten (alleen) gebruikt om de 25e tot en met 30e historische gegevenswaarden te voorspellen, die we tijdelijk als onbekend beschouwen. We zeggen dat de punten 25-30 buiten de analyse worden gehouden. Het berekenen van de absolute waarden van de verschillen tussen de zes prognoses en de overeenkomstige werkelijke historische waarden levert \u00e9\u00e9n exemplaar op van elk een 1-staps, 2-staps, 3-staps, 4-staps, 5-staps en 6-staps vooruit absolute voorspelling fout. Als u dit proces herhaalt met de eerste 25 punten, krijgt u meer voorbeelden van 1-staps, 2-staps, 3-staps vooruit-fouten, enzovoort. Het gemiddelde van alle absolute foutschattingen die op deze manier zijn verkregen, geeft een samenvatting van de nauwkeurigheid in \u00e9\u00e9n getal.<\/p>\n

\u00a0<\/strong><\/p>\n

Methoden die worden gebruikt bij automatische prognoses<\/strong><\/p>\n

Normaal gesproken zijn er zes extrapolatieve voorspellingsmethoden die meedoen aan het automatische voorspellingstoernooi:<\/p>\n