Hva er forretningsvarsel?

Forretningsvarsling er en prosess som brukes til å estimere eller forutsi fremtidige mønstre. Ledere, ledere og analytikere bruker de forventede resultatene til å hjelpe til med å ta bedre informerte forretningsavgjørelser. For eksempel brukes forretningsprosedyrer for å estimere kvartalsvis salg, lagernivå, ombestillinger i forsyningskjeden, nettstedstrafikk og risikoeksponering. Mens virksomhetsprognoser vanligvis oppnås ved bruk av statistiske teknikker, har data mining også vist seg å være et nyttig verktøy for bedrifter med mye historisk data.

Verktøy som brukes til bedriftsvarsling avhenger av virksomhetens behov og datamengden involvert. Disse verktøyene inkluderer regneark, planlegging av bedriftsressurser, avanserte styringssystemer for forsyningskjeder og andre nettverks- eller webteknologier. Generelt bør verktøyene som brukes tillate enkel deling av data mellom avdelinger eller forretningsenheter, opplasting av data fra flere kilder, et utvalg av analyseteknikk og grafisk visning av resultater.

Tre metoder for bedømmelse av virksomheter er tilgjengelige for forskjellige typer data og analyse. Tidsseriemodellen er den vanligste, der data blir projisert fremover. Statistiske beregninger for denne modellen inkluderer glidende gjennomsnitt, eksponentiell utjevning og Box-Jenkins-metodene. Tidsseriemodeller er enkle ved at når formelen er bestemt, vil innsetting av historiske data gi ut de prognoserte resultatene. Det er bare nyttig når de historiske dataene viser et sterkt mønster, uten regnskap for uregelmessigheter.

Forklarende modeller er en annen metode for bedømmelse av virksomheten. Disse modellene trenger ikke så mye historiske data som tidsserie-analysen for å motta nyttige forretningsforutsigelser. Lineære regresjoner, ikke-parametriske tilsetningsstoffer og etterslep regresjoner er ofte brukte metoder. For eksempel kan en lineær regresjon brukes til å bestemme hvor mye nettstedstrafikk som vil gi inn for ønsket annonseinntekt.

Data mining er en tredje metode for bedømmelse av virksomheter, og den øker i popularitet når bedrifter samler og lagrer mer av dataene sine i digitalt format. Denne metoden er avhengig av å sile gjennom historiske data for mønstre. Disse dataene blir vanligvis hentet og kombinert fra forskjellige avdelinger, e-postmeldinger og rapporter. Algoritmer kan være basert på data-gruvedrift for automatisk å gjøre forutsigelser, for eksempel Amazon.coms system for å tilby sine kunder anbefalte bøker.

Feil i bedriftsvarsling er vanlig på grunn av programvareproblemer, matematiske feil, unødvendig finjustering og skjevheter. Å redusere eller eliminere feil kan oppnås ved å beregne på nytt, sammenligne resultatene når du bruker en annen formel eller metode, minimere justeringer og fjerne muligheter for skjevheter. Estimater bør identifiseres tydelig med en forklaring på hvordan estimeringen ble opprettet. Innledende prognoser kan vise seg å være unøyaktige sammenlignet med faktiske resultater, så det kan være nødvendig med konstant finjustering for å produsere sterkere fremtidige spådommer.