Prognosemodelle

Y	Erwarteter Jahresbedarf.
N	Anzahl der Perioden pro Jahr.
Dt	Beobachteter Bedarf in Periode t
LT	Geschätztes Niveau in Periode t
TT	Geschätzter Trend in Periode t
	Prognose in Periode t für eine n Perioden in der Zukunft liegende Periode
t=0	Erste Periode mit historischem Bedarf.
t=h	Letzte Periode mit historischem Bedarf.
x	Anzahl der für den einfachen gleitenden Durchschnitt verwendeten Perioden.
n	Anzahl der zu prognostizierenden Perioden.
a	Alpha: eine Glättungskonstante für Niveau, .
b	Beta: eine Glättungskonstante für Trend, .
r	Rho: ein Parameter zur Verringerung des langfristigen Trends, .

1. Manuelle Prognose

Dieses Modell liefert auf der Basis eines festen Jahresbedarfs den durchschnittlichen Bedarf pro Periode. Die Prognose, die in Periode t beginnt und für zukünftige Perioden (t + n) gültig ist, wird durch die folgende Formel gegeben:

2. Einfacher gleitender Durchschnitt

Beim gleitenden Durchschnitt wird angenommen, dass in kurzem zeitlichen Abstand gemachte Beobachtungen mit hoher Wahrscheinlichkeit ähnliche Werte aufweisen. Daher sollte der Durchschnitt mehrerer Zeitpunkte, die sich in der Nähe eines bestimmten Zeitpunktes befinden, einen brauchbaren Schätzwert für den Trendzyklus während dieser Periode ergeben. Durch die Berechnung des Durchschnitts wird die Zufallsverteilung in den Daten reduziert und eine geglättete Trendzykluskomponente erzeugt. Das Prognosemodell besitzt keinen expliziten Trend, die Prognose entspricht daher für jede zukünftige Periode dem Durchschnitt der letzten x Beobachtungsperioden.

Zur Beschreibung dieses Verfahrens wurde der Begriff "gleitender Durchschnitt" gewählt, da jeder Durchschnittswert berechnet wird, indem die älteste Beobachtung durch die jüngste Beobachtung ersetzt wird. Angenommen, es soll ein dreimonatiger gleitender Durchschnitt verwendet werden. Die Prognose wird für Januar als Summe des Bedarfs im Oktober, November und Dezember, dividiert durch 3, berechnet. Bei der Berechnung der Februar-Prognose wird der Oktober-Bedarf durch den Januar-Bedarf ersetzt.

Die allgemeine Prognose auf der Grundlage des gleitenden Durchschnitts wird mit der folgenden Formel berechnet:

3. Exponentielle Glättung

Bei diesem Modell werden die historischen Daten unterschiedlich gewichtet. Die Gewichte nehmen typischerweise vom jüngsten zum ältesten Datenpunkt exponentiell ab, d. h., das Modell berechnet einen gewichteten Durchschnitt von historischen Beobachtungen und verwendet dazu leicht sinkende Gewichte.

Der Gewichtungsparameter wird auch Glättungsparameter genannt. Wenn der Glättungsparameter auf 0,20 gesetzt wird, wird die letzte Periode mit 20 %, die vorletzte Periode mit 16 % (= 0,20 * (1 - 0,20)) und die vorvorletzte Periode mit 12,8 % gewichtet. Dieser Vorgang wird fortgesetzt, bis die älteste Periode innerhalb der exponentiellen Berechnung erreicht wurde. Die Summe dieser Gewichte wird arithmetisch auf 1,0 korrigiert.

Wenn der Glättungsparameter auf den höchsten empfohlenen Wert 1,0 gesetzt wird, ist der vom Modell für die nächste Periode prognostizierte Wert gleich dem Wert der jüngsten Periode. Bei einem Glättungsparameter von 0,0 haben die zurückliegenden Perioden keinen Einfluss auf die Prognose, die ihr ursprüngliches Niveau beibehält.

Zur Berechnung des Anfangswerts der Prognose verwendete Formel

Der anfängliche Prognosewert ist der Schnittpunkt der Regressionslinie des historischen Bedarfs. Siehe L-1 in der Formel für exponentielle Glättung, korrigierter Trend weiter unten.

Zur Berechnung aktueller Prognosen verwendete Formeln

Ausgehend von der ersten historischen Periode wird das Niveau mit der folgenden Formel aktualisiert:

Die in Periode t erstellte Prognose für eine zukünftige Periode (t + n) ist durch folgende Formel gegeben:

4. Exponentielle Glättung mit Niveau und Trend

Wenn die Entwicklung des Bedarfs einem stetigen Trend folgt, bleiben Prognosen auf der Grundlage des gleitenden Durchschnitts oder der exponentiellen Glättung hinter dem aktuellen Bedarf zurück. Daher bedarf es einer weiteren Komponente, mit deren Hilfe dieses Zurückbleiben eliminiert wird. Neue Werte sollten signifikant höher oder tiefer als die vorherigen Werte sein. Der Trendzyklus T gibt einen Schätzwert für die Steigung der Prognose an. Da es in den laufenden Bedarfsbeobachtungen noch eine gewisse Zufälligkeit geben kann, wird der Trend T durch Glättung mit einem Parameter b modifiziert.

Die Aktualisierungen von Niveau und Trend folgen dem gleichen Prinzip und verwenden die folgenden Formeln:

,

.

Die Werte für Schnittpunkt L_-1 und Steigung T_-1werden durch die folgenden Formeln initialisiert:

Schnittpunkt

Steigung

Die in Periode t berechnete Prognose für eine zukünftige Periode (t + n) ist durch folgende Formel gegeben:

Es ist zu beachten, dass der Reduktionsfaktor R, der den Trendeffekt impliziert, reduziert wird. Langfristig nähert er sich an 0 an. r sollte nahe 1,0 festgelegt werden. Wenn r gleich 1,0 gewählt wird, erfolgt keine Reduzierung des Trendeffekts.

5. Naive Prognose

Auch als ?Random Walk? bezeichnet. Diese Prognose verwendet nur den Umsatz der vorherigen Periode als Prognose für diese Periode.

Zur Berechnung aktueller Prognosen verwendete Formeln

6. Adaptive exponentielle Glättung

Dieses Modell ist der exponentiellen Glättung sehr ähnlich. Es wird auch ARRSES genannt: Adaptive Response Rate Single Exponential Smoothing (adaptive exponentielle Glättung der Reaktionsrate). Der Unterschied zwischen der normalen exponentiellen Glättung und diesem Modell besteht darin, dass es bei diesem Modell möglich ist, den Wert für Alpha in kontrollierter Weise an Änderungen in den Datenmustern anzupassen. Die Formeln dieses Modells sind gleich den Formeln der exponentiellen Glättung, außer dass der Wert von a (Alpha) durch a(t) ersetzt wird:

Zur Berechnung aktueller Prognosen verwendete Formeln

Ausgehend von der ersten historischen Periode wird das Niveau mit der folgenden Formel aktualisiert:

Die in Periode t erstellte Prognose für eine zukünftige Periode (t + n) ist gegeben durch:

Startwerte sind:

L-1 entspricht der exponentiellen Glättung.

A-1 = B-1 = 0

Der Startwert für Alpha für die h/4 Perioden wird auf den Anfangswert gesetzt. Dann werden die Alpha-Werte allmählich korrigiert. Wenn zum Beispiel ein Artikel 24 Perioden historischen Bedarfs aufweist, wird Alpha für die 24/4 = 6 ersten Perioden des Bedarfs auf den Anfangswert gesetzt.

7. Regression

Dieses Prognosemodell ist eine lineare Anpassung der historischen Perioden entsprechend der Methode der kleinsten Quadrate.

Regressionsgerade

Schnittpunkt

Steigung

Zur Berechnung aktueller Prognosen verwendete Formeln

8. Brownsche Glättung mit Niveau und Trend

Dieses Modell ist dem oben erwähnten Modell Exponentielle Glättung, korrigierter Trend sehr ähnlich. Der einzige Unterschied besteht darin, dass a und b in der Prognosegleichung durch ab und bb ersetzt werden. Sie geben nur einen Parameter a ein, der gemäß den folgenden Gleichungen verwendet wird.

Ein Sonderfall ist, wenn a auf 0 gesetzt wird, dann ist a b=0 und b b=0.

Zur Berechnung aktueller Prognosen verwendete Formeln

Niveau und Trend werden mit den folgenden Formeln aktualisiert:

Die Prognose, die in Zukunft für eine zukünftige Periode (t+n) erstellt wird, ist gegeben durch:

Hinweis: Der Verkleinerungsfaktor r, der den Trendeffekt beeinflusst, wird reduziert; langfristig nähert er sich an 0 an. r sollte nahe 1,0 festgelegt werden. Wenn r gleich 1,0 gewählt wird, erfolgt keine Reduzierung des Trendeffekts.

Startwerte sind:

Die Werte für L _-1 und Steigung T_-1 entsprechen denjenigen des Modells Exponentielle Glättung, korrigierter Trend (siehe oben).

9. Optimale Größe

Bei diesem Prognosemodell werden alle Modelle ausgeführt, die für den letzten bekannten historischen Bedarf Werte liefern. Das Modell mit dem besten Ergebnis wird als Prognosemodell für diesen Artikel ausgewählt. Sie können auswählen, welche Fehlermaße die Basis für die Mitbewerber werden sollen. Sie können auswählen, ob Sie den Parameter MAE oder MSE optimieren wollen. Siehe Erweiterte Servereinstellungen definieren zu Auswahl der optimierten Messung. Die Prognosemodelle werden mit verschiedenen Parametern ausgeführt, so dass auch die Parameter optimiert werden.

Bei der Suche nach den optimalen Parametern wird eine lineare Schrittgröße verwendet. Bei einer Schrittgröße von 0,025 funktioniert der Optimierungsalgorithmus wie folgt: Beginnend mit Parameter1 = 0, dann wird Parameter 2 in 0,025-Schritten von 0 auf 1 erhöht. Anschließend Parameter1 um 0,05 erhöhen, und einen weiteren Lauf mit Parameter2 durchführen. Ist nur ein Parameter vorhanden, wird nur ein Lauf ausgeführt. Die Schrittgröße wird durch den Eintrag BestFitNoOfAlphaSteps oder BestFitNoOBetaSteps der erweiterten Servereinstellungen festgelegt (siehe unten). Das Modell "Gleitender Durchschnitt" wird mit allen möglichen Längen für die Anzahl der Perioden (2..n) ausgeführt.

Bei der Auswahl des optimalen Modells werden die folgenden Prognosemodelle ausgeführt:

1. Manuelle Prognose (auf jährlichem Bedarf basierend)
2. Einfacher gleitender Durchschnitt
3. Exponentielle Glättung mit Niveau
4. Exponentielle Glättung mit Niveau und Trend
5. Naive Prognose
6. Adaptive exponentielle Glättung mit Niveau
7. Regressionsgerade (kleinste Quadrate)
8. Brownsche Glättung mit Niveau und Trend

Jedes Prognosemodell wird ausgeführt, wobei die Parameter folgendermaßen ausgewählt werden:

Gleitender Durchschnitt

Es werden alle möglichen Varianten für die Anzahl der Perioden von min_average_period_number bis n getestet. N = Anzahl der historischen Perioden für diesen Artikel. Der Standardwert für die Mindestanzahl der Perioden für die Durchschnittsberechnung ist 1.

• Mindestanzahl der Perioden für die Durchschnittsberechnung: ForecastModels/BestFitMovingAverageMinPeriods

Kleinste Quadrate-Methode

Keine einstellbaren Parameter.

EWMA (Niveau)

Der Alpha-Wert wird hierbei in 25 Schritten zwischen 0,01 und 0,3 geändert (Standard). Die Grenzwerte können in den folgenden Einträgen der erweiterten Servereinstellungen geändert werden:

• Unterer Alpha-Grenzwert ForecastModels\BestFit\EWMA_AlpaStart
• Oberer Alpha-Grenzwert ForecastModels\BestFit\EWMA_AlpaStop
• Anzahl der Alpha-Schritte ForecastModels\BestFit\NoOfAlphaSteps

EWMA (Niveau/Trend)

Der Alpha-Wert wird hierbei in 25 Schritten zwischen 0,02 und 0,51 geändert. Beta wird zwischen 0,005 und 0,18 in 25 Schritten geändert (Standard). Die Grenzwerte können in den folgenden Einträgen der erweiterten Servereinstellungen geändert werden:

• Unterer Alpha-Grenzwert ForecastModels\BestFit\EWMATREND_AlpaStart
• Oberer Alpha-Grenzwert ForecastModels\BestFit\EWMATREND_AlpaStop
• Unterer Beta-Grenzwert ForecastModels\BestFit\EWMATREND_BetaStart
• Oberer Beta-Grenzwert ForecastModels\BestFit\EWMATREND_BetaStop
• Anzahl der Alpha-Schritte ForecastModels\BestFit\NoOfAlphaSteps
• Anzahl der Beta-Schritte ForecastModels\BestFit\NoOfAlphaSteps

AEWMA

Hierbei wird der Startwert von Alpha auf 0,2 gesetzt. Die Beta-Werte werden in 25 Schritten zwischen 0,1 and 0,3 geändert (Standard). Die Grenzwerte können in den folgenden Einträgen der erweiterten Servereinstellungen geändert werden:

• Unterer Beta-Grenzwert ForecastModels\BestFit\AEWMA_BetaStart
• Oberer Beta-Grenzwert ForecastModels\BestFit\AEWMA_BetaStop
• Anzahl der Beta-Schritte ForecastModels\BestFit\NoOfAlphaSteps

Es ist zu beachten, dass es in den erweiterten Servereinstellungen gemeinsame Variablen gibt, die die Anzahl der Schritte für die Alpha- und Beta-Parametersuche festlegen.

Die Rho-Verkleinerung wird nicht geändert. Wenn ein Prognosemodell mit einem Saisonprofil verknüpft ist, wird das Saisonprofil bei der Ausführung des Optimierungsalgorithmus auf alle Berechnungen angewendet.

Niveau und Trend nach Brown

Hierbei werden die Alpha-Werte in 25 Schritten zwischen 0,01 und 0,3 geändert (Standard). Die Grenzwerte können in den folgenden Einträgen der erweiterten Servereinstellungen geändert werden:

• Unterer Alpha-Grenzwert ForecastModels\BestFit\Brown_AlpaStart
• Oberer Alpha-Grenzwert ForecastModels\BestFit\Brown_AlpaStop
• Anzahl der Alpha-Schritte ForecastModels\BestFit\NoOfAlphaSteps

10. Crostons intermittierendes Modell

Dieses Prognosemodell ist ein speziell für Artikel mit sporadischem Bedarf (schwer verkäufliche Artikel) zu verwendendes Modell. Es berechnet die Häufigkeit des Bedarfs und die Bedarfshöhe getrennt voneinander.

Definitionen

n	Seriennummer einer Periode mit tatsächlichem Bedarf ungleich 0.
n'	Zur Initialisierung verwendete verknüpfte Seriennummer für Bedarf ungleich 0.
	Erwartete Höhe des Bedarfs.
	Erwartetes Intervall zwischen zwei Bedarfsfällen.
	Tatsächliches Intervall zwischen zwei Bedarfsfällen.

Installation

Im ursprünglichen Algorithmus ist für die Initialisierung des Modells eine recht große Menge von Daten erforderlich. In vielen Fällen liegt diese Datenmenge aufgrund der sporadischen Natur des Bedarfs nicht vor. Hier wird eine Erweiterung des ursprünglichen Algorithmus vorgestellt, die auf einem Verfahren zur Bildung einer empirischen Verteilung beruht. Zur Initialisierung des Modells sind 5 historische Bedarfsfälle erforderlich. Zunächst müssen diese 5 historischen Bedarfsfälle auf 25 Vorkommnisse erweitert werden, indem 5 Wiederholungen der vorhandenen Serie aneinandergeknüpft werden. Dann werden die folgenden Gleichungen angewendet.

Rekursive Aktualisierung

Die in Periode t erstellte Prognose für eine zukünftige Periode (t + n) ist gegeben durch:

Hinweis zu Fehlermessgrößen und der Croston-Methode

Die normalen Maße MAE, MAE-Wert, MSE und ME lassen sich anwenden, da sie die Prognose, die für alle Perioden einen Erwartungswert darstellt, mit dem tatsächlichen Bedarf vergleichen und damit korrekt ist.

Wenn der tatsächliche Bedarf gleich 0 ist, führt MAPE, WMAPE und RME zur Division durch 0 und kann daher nur bei Perioden mit einem Bedarf ungleich 0 aktualisiert werden. Dieses Maß ist daher für Artikel mit intermittierendem Bedarf irrelevant.

PVE und Verfolgungssignal lassen sich für Artikel mit intermittierendem Bedarf nicht sinnvoll interpretieren. Daher sollte der Anwender darauf verzichten, sie einzusetzen.

Das Konfidenzintervall ist relativ groß, da es um den prognostizierten Wert liegt und auf der Messgröße MAE basiert. Es ist nicht sinnvoll, es zum Erkennen von Ausreißern zu verwenden, aber es vermittelt eine Vorstellung von der Schwankung des mittleren Bedarfs für alle Perioden.

Hinweis zu Croston und Prognoseanpassungen

Wenn Sie das Crostonsche Prognosemodell verwenden und die Prognose anpassen wollen, müssen Sie den erwarteten Bedarf in der Detailansicht nach oben oder unten ändern, sodass die Formel Erwartete Bedarfsgröße = durchschnittliche angepasste Prognose * Intervall zwischen Bedarfen gültig ist. Der Anwender kann auch das Feld ?Intervall zwischen Bedarfen? in der Detailansicht anpassen. Dies ändert wiederum die erwartete Bedarfsgröße, sodass die obige Gleichung gültig ist. Das Feld Sys. Erwartete Bedarfsgröße und Sys. Das Intervall zwischen den Bedarfen in der Detailansicht ist das Ergebnis der obigen Berechnung.

11. Mehrfachregression

Bei der mehrfachen Regression wird eine vorherzusagende Variable (z. B. Verkauf) auf der Grundlage von zwei oder mehr Erklärungsvariablen vorhergesagt. (Die allgemeine mathematische Formel folgt weiter unten.) Ist also etwa der Verkauf die vorherzusagende Variable, können mehrere Faktoren wie beispielsweise das Bruttosozialprodukt, Reklame, Preise, Konkurrenz und Zeit den Verkauf beeinflussen. Alle oder ein Teil dieser Variablen können zur Berechnung der Verkaufsprognose dieses Produkts verwendet werden. Erklärungsvariablen können auch zur Erklärung der zeitabhängigen Auswirkungen auf den Umsatz wie saisonale Änderungen, Schwankungen an Handelstagen, variable Auswirkungen von Feiertagen etc. verwendet werden. So können beispielsweise saisonale Änderungen betrachtet und vierteljährliche Periodenversionen zum Hinzufügen von Erklärungsvariablen für saisonale Änderungen angenommen werden. Es werden drei Erklärungsvariablen mit den folgenden Werten hinzugefügt:

Mehrfachregression - Modell

Die Regression beginnt in der ersten Periode, in der für alle Erklärungsvariablen und für den historischen Bedarf des Artikels Daten vorliegen. Falls für eine Erklärungsvariable in keiner Prognoseperiode Daten vorliegen, wird die letzte Periode in die fehlenden Perioden kopiert.

Wobei Y_i, X_1i, ..., X_k die i-ten Betrachtungen der Variablen Y, X_i, ..., X_i (Y ist der Artikelverbrauch, die X sind die Erklärungsvariablen) sind, b₀, b₁,..., b_k sind feste aber unbekannte Parameter, und e_i ist der geschätzte Fehler.

Die Regressionskoeffizienten auflösen

Die Methode der kleinsten Quadrate wird verwendet, um die kleinste Summe der Fehlerquadrate zu ermitteln und so den Ausdruck b₀ ,b₁,...,b_k zu minimieren.

Partielle Abweichungen von S in Bezug auf einzelne der unbekannten Koeffizienten b₀ ,b₁,..., b_k ,diese Abweichungen auf 0 (null) setzen und eine Reihe von k Gleichungen mit k Unbekannten lösen, um die geschätzten Werte zu erhalten b₀ ,b₁,..., b_k.

.....

Der Gleichungssatz AX=B wird durch Gaußsche Eliminierung gelöst.

Die in Periode t erstellte Prognose für eine zukünftige Periode (t + n) ist gegeben durch:

12. Berechnungsmodell nach Bayes

Diese Prognose stellt 1/4 der 4 anderen Prognosemodelle dar. Die 4 verwendeten Modelle sind:

1. Gleitender Durchschnitt
2. Adaptive EWMA
3. Regression (kleinste Quadrate)
4. Brownsche Glättung mit Niveau und Trend

Um die Parameter für die verschiedenen Modelle zu finden, wird eine Suche nach dem Parameter für die optimale Anpassung ausgeführt, siehe Optimale Anpassung. Dies bedeutet, dass wir den "optimalen" Parametersatz für jedes der 4 Modelle finden. Dann besteht dieses Modell aus 1/4 jedes der 4 Modelle.

Beachten Sie, dass Sie auch feste Parameter für die verschiedenen Modelle im Bayes?schen Prognosemodell verwenden können. Siehe Erweiterte Servereinstellungen.

Im Eintrag ForecastModels\Bayesian\BayesianInitPeriods der erweiterten Servereinstellungen können Sie definieren, für wie viele Perioden der Artikel Historien haben muss, bevor das Bayes-Modell angewendet werden kann. Wenn das Bayes?sche Modell ausgewählt wird und der Artikel nicht genug historische Werte aufweist, wird der gleitende Durchschnitt (über alle Perioden) als Prognosemodell verwendet. Beachten Sie, dass der Artikel noch nach dem Bayes?schen Prognosemodell behandelt wird. Normal Bayes wird zur Erstellung der Prognose verwendet, sobald der Artikel den Grenzwert erreicht. Standardwert ist 4. Siehe Erweiterte Servereinstellungen definieren.

13. Lebenszyklus

Dieses Prognosemodell besteht aus 2 separaten Formeln. Eine zur Berechnung der Phase ?Gültig ab? und eine zur Berechnung der Phase ?Gültig bis?.

Gültig ab:

Unter den Parametern für die Phase ?Gültig ab? befindet sich die Sättigungsstufe. Sie bezeichnet das erwartete Niveau der Umsätze beim Erreichen der Fälligkeit, die Startstufe ist der erwartete Absatz in der ersten Periode, die Startperiode und die Endperiode (Periodenlänge der Phase) der Phase ?Gültig ab?.

<![if!msEquation]> <![if !vml]><![endif]><![endif]>

<![if!msEquation]> <![if !vml]><![endif]><![endif]>

<![if!msEquation]> <![if !vml]><![endif]><![endif]>

<![if!msEquation]> <![if !vml]><![endif]><![endif]>

<![if!msEquation]> <![if !vml]><![endif]><![endif]>

<![if!msEquation]> <![if !vml]><![endif]><![endif]>

<![if!msEquation]> <![if !vml]><![endif]><![endif]>

<![if!msEquation]> <![if!vml]><![endif]><![endif]>

<![if!msEquation]> <![if!vml]><![endif]><![endif]>

<![if!msEquation]> <![if!vml]><![endif]><![endif]>

Dann wird die Prognose angegeben von:

<![if!msEquation]> <![if !vml]><![endif]><![endif]>

<![if !msEquation]>Gültig bis:<![endif]>

<![if !msEquation]><![endif]>Unter den Parametern für ?Gültig bis? befindet sich die Sättigungsstufe. Sie bezeichnet das erwartete Niveau der Umsätze beim Erreichen der Fälligkeit und die Länge der Periode ?Gültig bis?.<![if !msEquation]><![endif]>

<![if !msEquation]><![if!vml]><![endif]><![endif]>

<![if!msEquation]> <![if!vml]><![endif]><![endif]>

<![if!msEquation]> <![if!vml]><![endif]><![endif]>

Dann wird die Prognose angegeben von:

<![if!msEquation]> <![if!vml]><![endif]><![endif]>

<![if !msEquation]>Saturation Update<![endif]>

<![if !msEquation]>Während der Phasen ?Gültig ab? und der Phase ?Gültig bis? wird die Sättigungsstufe abhängig davon, ob der tatsächliche Absatz über oder unter den prognostizierten Werten liegt, angepasst. Wenn der tatsächliche Absatz unter diesem Wert liegt, wird die Sättigungsstufe gesenkt; wenn er darüber liegt, wird die Sättigungsstufe erhöht. Dies geschieht durch die exponentielle Glättung mit der Alfa-Glättungskonstante.<![endif]>

<![if !msEquation]>Dies wird mit der folgenden Formel bestimmt:<![endif]>

<![if !msEquation]><![if!vml]><![endif]><![endif]>

<![if!msEquation]> <![if!vml]><![endif]><![endif]>

<![if !vml]><![endif]>

<![if!msEquation]> <![if!vml]><![endif]><![endif]>

<![if!msEquation]> <![if !vml]><![endif]><![endif]>

14. Regelbasiert

Dieses Modell kann basierend auf der Anzahl der verfügbaren historischen Datenperioden automatisch verschiedene Prognosemodelle anwenden, z. B. ?Manuell?, ?Gleitender Durchschnitt? und ?Bayes? für Prognoseartikel/-gruppe/-abfrage.

Im Eintrag ForecastModels\RuleBased\Period_Start_Moving _Average der erweiterten Servereinstellungen können Sie definieren, wie viele historische Datenperioden der Artikel haben muss, bevor das gleitende Durchschnittsmodell verwendet wird. Der Standardwert ist 3. Wenn das regelbasierte Modell ausgewählt wird und der Artikel nicht genug historische Werte aufweist, wird das manuelle Modell als Prognosemodell verwendet. Hinweis: In der Detailansicht des Prognoseartikels wird weiterhin ?Regelbasiert? als Standardprognosemodell und ?Manuell? als Prognosemodell verwendet.

Im Eintrag ForecastModels\RuleBased\Period_Start_Bayesian der erweiterten Servereinstellungen können Sie definieren, wie viele historische Datenperioden der Artikel haben muss, bevor das gleitende Bayes-Modell verwendet wird. Der Standartwert ist 6. Wenn das regelbasierte Modell ausgewählt wird und der Artikel nicht genug historische Werte aufweist, wird das gleitende Durchschnittsmodell oder das manuelle Modell als Prognosemodell verwendet. Hinweis: In der Detailansicht des Prognoseartikels wird weiterhin ?Regelbasiert? als Standardprognosemodell und ?Gleitender Durchschnitt? oder ?Manuell? als Prognosemodell verwendet. Wenn die Anzahl verfügbarer historischer Datenperioden mehr als 6 beträgt, wird Bayes als Prognosemodell angezeigt. Unter Erweiterte Servereinstellungen definieren finden Sie ausführliche Informationen zur Auswahl von Eintragswerten für erweiterte Servereinstellungen.

15. ML-Wetter

Bei diesem Prognosemodell handelt es sich um ein Kurzzeitmodell (1 bis 14 Tage), das ein Zeitreihenvorhersagemodell auf der Grundlage von Wetterdaten bietet. Es verwendet nichtlineare Regression mit hoher Flexibilität zur Anpassung an beliebige Daten ohne Vorannahmen über die tatsächlichen Datenmuster. Das Modell nutzt einen externen Wetterdienstleister, um historische Wetterdaten zu sammeln. Diese Daten werden zusammen mit den historischen Artikeldaten zum Trainieren des Modells und der Wetterprognosebedingungen verwendet, um den Bedarf oder die Prognose 14 Tage im Voraus vorherzusagen bzw. zu erstellen. Wie bei den meisten Prognosemodellen wird das Ergebnis besser, je mehr historische Daten vorhanden sind. Das Modell sucht nach Korrelationen zwischen den Verkäufen/Verbräuchen und den verschiedenen Wetterparametern. Die künftige Prognose ist das Ergebnis der gefundenen Korrelationen und der Wettervorhersage für die nächsten 14 Tage. Das Vorhersagemodell nach Bayes wird zur Berechnung der Vorhersage verwendet, die die ersten 14 Tage auf die letzte Vorhersageperiode erweitert, sodass Artikel, die dieses Modell verwenden, immer noch die gleiche Vorhersageperiode wie die anderen Modelle haben.
Jedes Modell repräsentiert einen bestimmten Artikel, wobei die Wetterdaten auf einem geografischen Ort basieren, an dem der Artikel verwendet/verbraucht wird. Dieser Ort ist mit dem Basis-Flow in der Bedarfsplanung verbunden.

Die Wetterdaten enthalten die folgenden Merkmale:

1. Durchschnittliche Temperatur
2. Min. Temperatur
3. Max. Temperatur
4. Gesamtniederschlag
5. Windgeschwindigkeit
6. Luftfeuchtigkeit
7. Schneefall insgesamt
8. Visibility
9. Windböen
10. Bewölkung
11. Windrichtung

Hinweis: Damit dieses Modell funktioniert, muss das maschinelle Lernen auf dem Bedarfsplanungs-Server aktiviert sein und alle erforderlichen Einstellungen müssen vorhanden sein

• Einrichtung der Machine Learning Engine
  • Muss mit den Ausführungszeiten des Bedarfsplanungsauftrags synchronisiert werden (nach Abschluss des Jobs ?Täglich zusammenfassen?)
• Einrichtung des Bedarfsplanungs-Servers
  • Bedarfsplanungs-Server, maschinelles Lernen aktivieren
  • Basis-Flows, Standortdetails
  • Job ?Täglich zusammenfassen?, Planung für tägliche Ausführung
• Die Artikel müssen eine Historie von mindestens 180 Tagen haben.

Es gibt auch eine Vorlaufzeit, bevor Sie die berechneten Ergebnisse erhalten. Diese Vorlaufzeit beträgt maximal 7 Tage. Der Grund dafür ist, dass dieses Modell ein Training der Algorithmen erfordert und dieses Training nur einmal pro Woche durchgeführt wird. Artikel mit weniger als 180 Tagen an historischen Daten werden nicht trainiert/berechnet.