Hvad er forretningsprognoser?
Forretningsprognoser er en proces, der bruges til at estimere eller forudsige fremtidige mønstre. Ledere, ledere og analytikere bruger de forventede resultater til at hjælpe med at tage bedre informerede forretningsbeslutninger. For eksempel bruges forretningsprognoser til at estimere kvartalsvise salg, lagerniveauer, forsyningskæden genordrer, webstedstrafik og risikoeksponering. Mens forretningsprognoser normalt opnås ved at bruge statistiske teknikker, har datamining også vist sig at være et nyttigt værktøj for virksomheder med meget historiske data.
værktøjer, der bruges til forretningsprognose, afhænger af behovene i virksomheden og mængden af involverede data. Disse værktøjer inkluderer regneark, planlægning af virksomhedsressourcer, avancerede forsyningskædestyringssystemer og andre netværk eller webteknologier. Generelt skal de anvendte værktøjer muliggøre let deling af data mellem afdelinger eller forretningsenheder, upload af data fra flere kilder, et udvalg af analyseteknik og grafisk visning af resultater.
Tre metoderaf forretningsprognoser er tilgængelige for forskellige typer data og analyse. Tidsserie-modellen er den mest almindelige, hvor data projiceres fremad. Statistiske beregninger for denne model inkluderer det glidende gennemsnit, eksponentielle udjævning og box-Jenkins-metoder. Tidsserie-modeller er enkle, at efter at formlen er bestemt, udsender indsættelse af historiske data de forventede resultater. Det er kun nyttigt, når de historiske data viser et stærkt mønster, der ikke er anført for anomalier.
Forklarende modeller er en anden metode til forretningsprognose. Disse modeller har ikke brug for så meget historiske data som tidsserieanalysen for at modtage nyttige forretningsprognoser. Lineære regressioner, ikke -parametriske additive og forsinkelsesregressioner er ofte anvendte metoder. F.eksenue.
Data Mining er en tredje metode til forretningsprognoser, og den vinder popularitet, når virksomheder indsamler og gemmer flere af dets data i digitalt format. Denne metode er afhængig af at sile gennem historiske data for mønstre. Disse data hentes typisk og kombineres fra forskellige afdelinger, e -mails og rapporter. Algoritmer kan være baseret på datamining til forudsigelser automatisk, såsom Amazon.coms system til at tilbyde sine kunder anbefalede bøger.
Fejl i forretningsprognoser er almindelige på grund af softwareproblemer, matematiske fejl, unødvendig finjustering og partier. Reduktion eller eliminering af fejl kan udføres ved at beregne igen, sammenligne resultaterne, når man bruger en anden formel eller metode, minimerer justeringer og fjerner muligheder for forspændinger. Estimationer bør tydeligt identificeres med en forklaring på, hvordan estimeringen blev oprettet. De oprindelige prognoser kan vise sig at være unøjagtige sammenlignet med faktiske resultater, så konstant finjustering kan værenødvendigt for at producere stærkere fremtidige forudsigelser.