Wat is bedrijfsvoorspelling?
Bedrijfsvoorspelling is een proces dat wordt gebruikt om toekomstige patronen te schatten of te voorspellen. Leidinggevenden, managers en analisten gebruiken de voorspelde resultaten om beter geïnformeerde zakelijke beslissingen te nemen. Zakelijke voorspellingen worden bijvoorbeeld gebruikt om driemaandelijkse verkopen, voorraadniveaus, herschikkingen in de toeleveringsketen, websiteverkeer en risicoblootstelling te schatten. Hoewel bedrijfsvoorspelling meestal wordt bereikt met behulp van statistische technieken, is datamining ook een nuttig hulpmiddel gebleken voor bedrijven met veel historische gegevens.
Hulpmiddelen die worden gebruikt voor bedrijfsvoorspelling hangen af van de behoeften van de onderneming en de hoeveelheid gegevens die daarbij betrokken zijn. Deze tools omvatten spreadsheets, enterprise resource planning, geavanceerde supply chain management systemen en andere netwerk- of webtechnologieën. Over het algemeen moeten de gebruikte tools het mogelijk maken om eenvoudig gegevens tussen afdelingen of bedrijfseenheden te delen, gegevens uit meerdere bronnen te uploaden, een assortiment analysetechnieken en grafische resultaten te bekijken.
Er zijn drie methoden voor bedrijfsvoorspelling beschikbaar voor verschillende soorten gegevens en analyses. Het tijdseriemodel is het meest gebruikelijk, waarbij gegevens naar voren worden geprojecteerd. Statistische berekeningen voor dit model omvatten het voortschrijdend gemiddelde, exponentiële afvlakking en Box-Jenkins-methoden. Tijdreeksmodellen zijn eenvoudig omdat nadat de formule is bepaald, het invoegen van historische gegevens de voorspelde resultaten oplevert. Het is alleen nuttig wanneer de historische gegevens een sterk patroon vertonen, zonder rekening te houden met anomalieën.
Verklarende modellen zijn een andere methode van bedrijfsvoorspelling. Deze modellen hebben niet zoveel historische gegevens nodig als de tijdreeksanalyse om nuttige bedrijfsvoorspellingen te ontvangen. Lineaire regressies, niet-parametrisch additief en lag-regressies zijn veelgebruikte methoden. Een lineaire regressie kan bijvoorbeeld worden gebruikt om te bepalen hoeveel websiteverkeer de gewenste advertentie-inkomsten zal opleveren.
Datamining is een derde methode voor bedrijfsvoorspelling en wint aan populariteit naarmate bedrijven meer van hun gegevens verzamelen en opslaan in digitaal formaat. Deze methode is gebaseerd op het doorzoeken van historische gegevens voor patronen. Deze gegevens worden meestal opgehaald en gecombineerd van verschillende afdelingen, e-mails en rapporten. Algoritmen kunnen worden gebaseerd op data-mining voor het automatisch doen van voorspellingen, zoals het systeem van Amazon.com om door klanten aanbevolen boeken aan te bieden.
Fouten in bedrijfsvoorspellingen komen vaak voor vanwege softwareproblemen, wiskundige fouten, onnodige aanpassingen en vooroordelen. Het verminderen of elimineren van fouten kan worden bereikt door opnieuw te berekenen, de resultaten te vergelijken bij het gebruik van een andere formule of methode, het minimaliseren van tweaks en het verwijderen van kansen voor vooroordelen. Schattingen moeten duidelijk worden geïdentificeerd met een uitleg over hoe de schatting is gemaakt. Aanvankelijke voorspellingen kunnen onnauwkeurig blijken te zijn in vergelijking met werkelijke resultaten, dus constante aanpassingen kunnen nodig zijn om sterkere toekomstige voorspellingen te produceren.