Il mio cliente sta attualmente lavorando alla previsione della domanda per i suoi prodotti. Mi hanno chiesto un consiglio sulla previsione della domanda utilizzando JMP. Penso che la piattaforma Time Series Forecast andrà bene nel loro caso perché hanno migliaia di elementi da prevedere. Apprezzerei se qualcuno potesse condividere con me qualche consiglio quando si eseguono previsioni della domanda utilizzando Time Series Forecast.
La loro situazione è la seguente:
- Vogliono prevedere la domanda per i prossimi mesi per migliaia di articoli utilizzando i dati di vendita mensili storici (alcuni anni).
- Attualmente stanno utilizzando un semplice approccio a media mobile per le previsioni.
- Esiste una varietà di modelli di vendita. Alcuni articoli hanno un motivo stagionale. Alcuni elementi possono essere previsti utilizzando l'approccio della media mobile.
Ecco alcune domande:
- Qualcuno conosce un cliente che effettua previsioni della domanda utilizzando JMP? Sarebbe utile imparare dalle vostre/loro esperienze, comprendere le lezioni apprese ed esplorare le strategie che hanno utilizzato per migliorare l'accuratezza delle previsioni della domanda.
- Quanto spesso dovremmo aggiornare le nostre previsioni della domanda per garantire la precisione? Esistono best practice per il monitoraggio e l'adeguamento delle nostre previsioni man mano che diventano disponibili nuovi dati?
- Ci sono potenziali sfide o insidie di cui dovremmo essere consapevoli quando effettuiamo la previsione della domanda?
Qualsiasi altro approfondimento o consiglio che puoi fornire in merito alla previsione della domanda sarebbe molto apprezzato.
Ciao Yuichi San,
L'unica volta che ho affrontato qualcosa di simile è stato un cliente che voleva prevedere il tempo del progetto e il piano delle risorse necessarie (ore uomo) nelle diverse fasi del processo, dalla fase di pianificazione all'ordine, alla produzione e alla consegna per prevedere meglio la tempistica per il cliente e allineare meglio le risorse umane interne. Tutti classificati in base al livello di innovazione, al livello di importanza e ad alcuni altri fattori.
Tuttavia, per fornire almeno qualche indicazione, provo a rispondere ad alcune delle tue domande:
1. Hanno davvero bisogno di analizzare i modelli del loro comportamento di vendita dei prodotti. Se c'è una tendenza stagionale allora dovrebbe essere inclusa. Se è coinvolta qualche altra tendenza regolare, si potrebbe voler scoprire quale modalità AR corrisponde meglio alle serie temporali per avere un rischio inferiore nella previsione. Questo è un lavoro, sì, ma se vogliono ottenere qualcosa di più preciso della media mobile della forza bruta, questo potrebbe aprire la strada.Spesso un grafico di tendenza del generatore di grafici con un commutatore di colonna è sufficiente per identificare i pochi prodotti che potrebbe avere più senso diventare più specifici.
2. L'aggiornamento del modello dipende spesso dalla frequenza con cui si notano cambiamenti nel comportamento di vendita. Di solito per la modellazione delle serie temporali direi che una volta al trimestre è un buon punto di controllo. Se ho un prodotto molto nuovo, diventa davvero più difficile in quanto il modello potrebbe dover adattare diverse fasi di acquisto. Lancio iniziale con poca conoscenza del prodotto, quindi la fase di hype, quindi la fase costante prima della fase di raffreddamento e infine di nuovo la fase costante. Qui consiglierei di controllare più spesso se il modello ha bisogno di essere adattato (anche perché potresti iniziare a vedere le tendenze stagionali dopo molti mesi o addirittura anni (a meno che non sia chiaro dal prodotto stesso, come gli scarponi da sci 
) e regolare il prodotto è meno spesso sarà necessario aggiornare il modello.
3. Le insidie sono spesso se ci sono eventi speciali che distraggono i tuoi dati e la tendenza regolare. Solo un esempio che puoi tradurre in questi prodotti per i clienti:
- una società di telecomunicazioni aveva fatto una previsione per le proprie entrate SMS (molto tempo fa
) e ad un certo punto ha visto un picco molto alto nei dati per un giorno. È stato allora che WhatsApp ha avuto un'interruzione. Se lasci tali punti dati nei dati per la previsione, potresti ottenere una previsione errata o meno accurata.
- Se disponi di una struttura sottostante nei dati come i prodotti a seconda, ad esempio, dell'utilizzo dei giorni del fine settimana/della settimana, potresti voler suddividere i dati e creare un modello per entrambi separatamente. Altrimenti diventi di nuovo meno preciso.
- Un'altra cosa è pensare a quanto lontano nel passato voglio guardare. Alcune tecnologie sono state importanti ma dopo un po' di tempo sono diventate meno importanti (basta pensare ai dvd/raggi blu, i raggi blu dove si diceva fossero la grande novità, ma prima che decollassero davvero lo streaming era la grande novità).
- Pensa anche a quanto lontano nel futuro vuoi prevedere e conta sulla previsione. Fondamentalmente per motivi simili a quelli sopra indicati
Spero che questo aiuti un po 'anche se potrebbe non rispondere a tutte le tue domande nei dettagli di cui avresti bisogno.
Maggio @jiancao ha qualcosa da aggiungere come guida?
CIAO @martindemel ,
Grazie per la risposta.Il tuo consiglio è molto istruttivo per me. Credo che aiuterà il mio cliente.
Grazie mille per il tuo gentile aiuto.
Yuichi
