Демантра Двигатель Тюнинг

Управляющее резюме

Многие компании продолжают бороться с плохими прогнозами даже после внедрения модулей Demantra Demand Management (DM) или Advanced Forecasting (AFDM). Обещание более точного прогноза после внедрения Demantra остается невыполненным, так как планировщики спроса вынуждены прибегать к ручным переопределениям для большого количества записей, что приводит к длительному процессу анализа прогноза, вызывающему значительные задержки в общем процессе управления спросом.

Самая распространенная причина плохих прогнозов, генерируемых Demantra, заключается в том, что механизм не настраивается для учета требований конкретного набора данных клиента.

В идеале, во время реализации нужно потратить много времени на анализ набора данных и настройку параметров механизма, учитывая при этом конкретную модель данных клиента. К сожалению, было замечено, что упражнению по настройке двигателя Demantra уделяется наименьшее значение, и его часто оставляют до окончания периода эксплуатации.

Много раз во время внедрения Demantra, как консультанты, так и бизнес-пользователи были настолько сосредоточены на удовлетворении требований, связанных с рабочими листами, сериями, рабочими процессами и т. Д., Что они склонны принимать лучшую точность прогноза из Demantra как должное и игнорировать выполнение. должная осмотрительность для настройки двигателя Demantra.

Кроме того, так как тюнинг двигателя Demantra является специализированным навыком; это требует глубокого понимания различных факторов, которые способствуют лучшей точности прогноза, и понимания различных параметров двигателя, которые необходимо настроить для получения лучших результатов.

Хотя это специализированная область и должна выполняться высококвалифицированными и опытными консультантами, но пользователи Demantra и специалисты по планированию спроса также должны быть знакомы с различными факторами, которые могут повлиять на точность прогноза.

Есть несколько факторов, влияющих на точность прогноза Demantra, но некоторые из наиболее важных перечислены ниже:

• Профили данных спроса

• нодальная настройка

• Причинно-следственные

• Дерево прогноза

• Функция Proport

Профили данных спроса

Первым шагом к лучшему прогнозу Demantra является знание различных профилей спроса, которые относятся к бизнесу клиента.

Модель данных о спросе может быть прерывистой, регулярной, гладкой и т. Д., И знание этих моделей спроса для различных продуктов поможет настроить Demantra для использования правильной статистической модели для прогнозирования.

Oracle Demantra использует различные статистические методы и алгоритмы для прогнозирования спроса в будущем. Модель Demantra DM использует восемь статистических методов, тогда как Demantra AFDM использует четырнадцать различных методов статистического прогнозирования. И модули Demantra DM, и AFDM используют байесовский подход для генерации окончательного прогноза для конкретной комбинации местоположения объекта.

Байесовский подход объединяет результаты отдельных моделей. Каждая модель оценивается, и каждая модель, в свою очередь, тестирует ряд подмножеств системы и предоставленных пользователем причинных факторов. Всем комбинациям моделей и подмножеств причинных факторов присваиваются веса, указывающие на их актуальность. Каждая комбинация вносит свой вклад в окончательный прогноз в зависимости от ее веса.

Таким образом, понимание структуры спроса на ваши продукты может помочь вам применить правильный метод прогноза к комбинации товара и местоположения в Demantra, что значительно улучшит точность прогноза.

например если вы уже знаете, что существует линейка продуктов, в которой представлены только периодические модели спроса, то отключение других моделей прогнозирования для этой комбинации может значительно повысить точность прогноза, поскольку другие методы прогнозирования не будут влиять на окончательное число прогнозов.

Следующие модели прогнозирования используются Demantra:

• регрессия

• регрессия

• Журнал (преобразование журнала до регрессии)

• CMReg (выбор цепей Маркова подмножества причинных факторов)

• Elog (использует цепочку Маркова после преобразования журнала)

• Экспоненциальное сглаживание

• Холт

• Бвинт

• прерывистые модели

• CMReg для прерывистого

• регрессия для прерывистого

• Кростон

• Модели временных рядов

• ARX и ARIX

• Логистик и АР Логистик

• другие модели

• BWint (смесь регрессии и экспоненциального сглаживания)

Нодальный тюнинг

Одна из причин низкой точности прогноза для клиентов, использующих модуль Demantra Demand Management (DM), заключается в том, что статистические методы и алгоритмы применяются либо ко всем комбинациям, либо не применяются вообще. Нет гибкости в выборе статистических моделей, специфичных для одной конкретной комбинации, отличной от остальной части населения, даже если структура спроса, демонстрируемая этой комбинацией предмет-местоположение, может отличаться от остальных комбинаций. Это оказывается основным препятствием при настройке прогноза для клиентов модуля Demantra DM.

Это ограничение преодолевается в модуле Demantra AFDM, который обеспечивает расширенные аналитические возможности с помощью функции настройки узлов.

Nodal Tuning — это мощная функциональность, доступная в модуле Demantra Advanced Forecasting and Demand Management (AFDM).

Nodal Tuning позволяет планировщикам спроса выбирать и выбирать статистические модели, которые механизм должен применять к определенной комбинации позиции-объекта для генерации системного прогноза, а также позволяет устанавливать параметры двигателя для этой комбинации.

Узловая настройка также позволяет точно настроить параметры двигателя Demantra, характерные для данной комбинации.

Эта функция предоставляет специалистам Demantra инструмент для точной настройки двигателя для повышения точности прогноза. Эта функция наряду со знанием типа шаблонов спроса, как упоминалось в предыдущем разделе, позволит пользователям включать только те модели прогнозирования, которые соответствуют шаблону спроса. Это значительно повышает точность прогноза.

Причинные Факторы / Акции

Нужно быть очень осторожным, моделируя причинные факторы в Demantra. Если в модели данных много причинных факторов и поощрений, они, как правило, размывают прогноз базовой линии и приводят к крайне искаженному прогнозу.

Хорошая практика введения причинных факторов в модель заключается в том, чтобы сначала начать с данных о причинных факторах и промо-акциях, чтобы получить базовый прогноз по Демантре. Как только базовый прогноз настроен, другие причинные факторы должны быть введены один за другим, имея в виду эффект от введения любого причинного фактора в базовый прогноз.

Таким образом, влияние причинных факторов на базовый прогноз можно легко отследить и проанализировать, и в любое время, когда введение причинно-следственной связи не дает желаемого эффекта, его следует отключить.

Дерево прогноза

Дерево прогноза определяет, на какую комбинацию элементов / местоположений будет прогнозироваться механизм. Механизм проверяет каждый уровень в дереве прогноза и проверяет, достаточно ли данных истории продаж, доступных для прогнозирования, или сгенерированный прогноз имеет достаточную точность на этом уровне. В случае сбоя проверки двигатель переходит на следующий уровень и продолжает этап проверки, пока не найдет уровень, на котором он может сгенерировать прогноз.

В случае, если механизм заканчивает прогнозирование на более высоком уровне агрегации в дереве прогноза, прогноз разделяется на более низкие уровни.

Дерево прогноза — это конфигурация системы, которая напрямую влияет на точность прогноза.

Это одна из первых настроек, которую необходимо выполнить после тщательного анализа истории продаж и после обсуждения с пользователями. Прогнозные уровни должны быть значимыми для бизнес-пользователей, и рекомендуется иметь от 3 до 6 уровней, которые механизм может пересекать и прогнозировать.

Полезно, чтобы дерево прогноза включало уровень, на котором измеряется точность, если это возможно.

пропор

Пропорции очень важны и используются во время агрегации прогноза с самого низкого уровня до более высоких уровней и деагрегации прогноза, производимого на более высоком уровне, до более низких уровней.

Окончательный результат сгенерированного Demantra прогноза может сильно отличаться в зависимости от пропорций.

Пропорции рассчитываются и сохраняются во время загрузки данных истории продаж. Несколько параметров контролируют расчет пропорций.

Одним из параметров, влияющих на пропорции, является объем данных истории продаж, который система использует для расчета пропорций. Пропорции, рассчитанные на основе данных о продажах за 12 месяцев, будут отличаться от пропорций, рассчитанных на основе данных за 6 месяцев. Поэтому правильная установка этого параметра имеет решающее значение для расчета пропорций, которые, в свою очередь, влияют на окончательный прогноз.

Выводы

Тюнинг двигателя Demantra — сложное упражнение, и для него не существует универсального решения.

Основные настройки двигателя должны проводиться каждые несколько лет и всякий раз, когда происходит изменение структуры спроса на продукцию. Упражнение по настройке должно быть адаптировано к конкретной реализации Demantra для клиента, но знание факторов, влияющих на точность прогноза, будет иметь большое значение для дальнейшего повышения точности прогноза.

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *