Leo Yeh's Blog

SAS 預測分析 (9)

教學目標

初步了解 SAS Visual Forecasting 進行預測分析的過程之基本概念。

重點概念

首先通常預測準確度作為衡量預測和計劃需求能力的關鍵指標,但更建議使用因果資料作為理解歷史需求和預測和計劃未來需求的關鍵輸入,因為預測準確度並不是說明需求計劃流程是否可以提高公司競爭力的唯一參數,其中與總體不確定性有關,但是較差的預測準確度通常不僅會降低對預測數字和後續計劃的承諾,還會降低流程本身的承諾。此外統計預測目前為針對未來最佳的預測,主要是基於歷史資料中有系統的模式,而在商業預測環境中我們主要能夠透過監督式和實作統統方法和基於關於未來事件的可靠資訊調整統計預測。

接著預測分析的過程主要以兩種方式發展,分別為組織和處理協作流程和參與流程的人員的能力,以及技術處理過程中使用的軟體和資料,並且再分為四個階段,分別為:

  1. 臨時預測階段:在企業中各個部門可能會進行預測,並且與其它部門共享,但很少在其所在部門之外使用,此階段的業務計劃缺乏統一性,並且預測通常偏向部門的需求。
  2. 協作預測階段:在企業中定期召開會議以調整預測,通常會針對預測資料進行協調,並且同意進行預測,此階段目的是將來自不同部門的知識包括到預測中,並將對不同部門的過程部分的責任進行劃分,以利為銷售和市場行銷帶來了預測,為研發帶來了新產品的計劃,為運營部門檢查了計劃的可行性,隨著時間的推移,該過程將會逐漸得到改善。
  3. 時間序列預測階段:在企業中主要在特定部門使用專業的預測軟體進行時間序列的進階預測,主要透過數學模型用於計算準確的預測,識別趨勢,季節性以及其中的變化,並且由於預測軟體沒有意見,因此預測沒有偏見,所以能夠作為預測演算法的基準。
  4. 市場趨動預測階段:在企業中主要使用領域知識,像是有關市場和產品的知識針對預測演算法的基準進行修改,為了整合會影響需求的事情上的知識,所以針對預測進行覆寫的功能非常重要,更進行一步來說,預測演算法透過進行覆寫的能力將能夠進行儲存,否則針對該預測過程的信任將很快消失,以及透過覆寫功能將預測專案拉回至協作預測階段,請注意進行覆寫時可能會發生衝突,像是發生在兩個以上建立不可行的預測結果。

其中臨時預測階段和協作預測階段不一定要有預測分析軟體,僅需要基本簡易工具就能夠滿足需求,像是 Excel、Python、R、… 等,但是時間序列預測階段和市場趨動預測階段就會需要有專業的預測分析平台,像是 SAS Visual Forecasting on SAS Viya 分析平台。

再來大量資料主要是提高預測準確度的關鍵因素,因為僅有透過使用其它資料我們才能夠識別、解釋和分析預期需求與實際需求之間的差異,然後將這些資訊用於將來的預測規劃,雖然傳統的時間序列資料可以很好地解釋趨勢,季節性和週期,但是它們無法將因果關係因素考慮在其中,此時就會需要透過資料來解釋為什麼存在偏差,這些有助於解釋需求變化的因果和獨立資料集稱為需求動因。此外最近機器學習技術已經被引入預測,機器學習能夠在資料中尋找模式並得出結論,並且最大的優勢是可以用於預測的資料量沒有限制,以及通常認為使用的資料越多,預測的準確度就越好,所以在某些預測情況下,機器學習演算法技術可能會提供非常不錯的預測結果。

最後如果是針對新產品預測或沒有或只有少量需求資料的產品,則機器學習演算法技術就會考慮所有可用因果資料,比傳統方法更準確地預測需求,另一個是針對由於促銷,價格變化等導致波動性很高的產品,則因果資料的應用可以更好地解釋需求的外觀。所以關鍵是將機器學習預測模型與傳統模型一起使用,以利我們能夠選擇最佳擬合以最大化預測準確度,更進一步提高競爭力。

相關資源

⬅️ Go back