Czy używasz tych kosztownych
i nieodpowiednie metody prognozowania?

Przegląd istniejących procesów prognozowania

Dokonaliśmy przeglądu procesu prognozowania w dużej firmie przemysłowej i porównaliśmy ich historyczną dokładność prognoz do 10 najlepszych międzynarodowych ekspertów prognozowania. Pod koniec projektu włączyliśmy model statystyczny i byliśmy oszołomieni wynikiem: model statystyczny przewyższył je wszystkie. Skąd wzięły się odchylenia dokładności i jak można ich uniknąć?

Po rozmowach z prognozami z branży i sektora bankowego
Odkryliśmy, że firmy, które stosowały metodę jakościową, opierały się na indywidualnym podejmowaniu decyzji. Było to zaskoczeniem, biorąc pod uwagę, że ta metoda jest silnie narażona na uprzedzenia w podejmowaniu decyzji, takie jak błąd koniunkcji. Przeprowadzenie prognozy w ramach decyzji grupowej zmniejszyłoby wpływ tych uprzedzeń i pomogłoby zmniejszyć indywidualne uprzedzenia.

Przypadek stosowania wielu metod prognozowania
Oprócz korzystania z decyzji grupowych, widzieliśmy, że innym sposobem zmniejszenia stronniczości jest użycie wielu metod prognozowania, takich jak analiza szeregów czasowych, ponieważ umożliwia to prognozom wzajemne potwierdzenie. Na podstawie zdobytych doświadczeń zbudowaliśmy Indicio. Ale wyżej wymienione kwestie są tylko częścią problemu. Jeśli pomniejszymy i spojrzymy na szerszy obraz, znajdziemy liczne wady w sposobie prowadzenia prognoz dzisiaj.

Nie wyróżnia się w Excelu

Jeśli chodzi o modele statystyczne i prognozy, Excel może jak dotąd zdobyć tylko statystyka.

Korzystanie z programu Excel do prognozowania pośrednio zakłada, że arkusze kalkulacyjne są używane jako bazy danych; żądanie tego obowiązku od Excela jest jedną z najbardziej znanych przyczyn nieefektywności biznesowej. Identyfikacja wiodących wskaźników wymaga użycia korelacji w celu znalezienia związków przyczynowych. Robienie tego w programie Excel może dać miejsce na zabawne korelacje, które są koszmarem prognostycy.

Zabawna/fałszywa korelacja występuje, gdy model statystyczny znajduje związek przyczynowy między dwiema pozornie odłączonymi korelacjami, które nie mają ze sobą nic wspólnego. W rezultacie otrzymywanie zabawnych korelacji jest niczym innym jak katastrofą, jeśli dążysz do dokładnej prognozy.

Przykłady zabawnych korelacji

Wpływ niedojrzałości nauki o danych na dokładność prognozy

Kiedy organizacje zaczęły zbierać dane około 60 lat temu, dane te były czyszczone i prezentowane w standardowych raportach, które ostatecznie zostały zdigitalizowane do tego, co dziś nazywamy oprogramowaniem ERP (Enterprise Resource Planning) i BI (Business Intelligence).

Pierwszy działa jako zbieracz danych, a drugi to analiza zebranych danych. Tych dwóch łączy to, że mają wbudowane modele prognozowania, ale są zbudowane tylko w celu opisania rozwoju historycznego, co czyni je mniej dokładnymi. W przeciwieństwie do tego jest pojawienie się uczenia maszynowego, które umożliwiło modele predykcyjne, które są zoptymalizowane pod kątem opisywania przyszłości, a zatem są dokładniejsze.

Wiele organizacji używa dziś pewnego rodzaju konstelacji ERP/IB, która może generować zrozumienie przeszłych wydarzeń, a tym samym czerpać z niej spostrzeżenia, aby odpowiednio zmienić produkcję i budżet, ale niestety brak miar predykcyjnych i niska dokładność zmusza użytkowników do czerpania spostrzeżeń opartych na niewystarczającej dokładności w porównaniu z faktycznymi danymi predykcyjnymi.

Programowanie modeli statystycznych w R -
Dobry, zły i brzydki

Programowanie modeli statystycznych w R do prognozy jest dość powszechne. Wiele firm zatrudnia do tego statystyka. Jednak może szybko stać się kosztownym i czasochłonnym przedsięwzięciem, biorąc pod uwagę, że wszystkie używane modele muszą zostać zbadane, a wszystkie zmienne muszą zostać przetestowane. Nie ma również gwarancji, że statystyk mógłby to zrobić samodzielnie, chyba że ma wiedzę zarówno w zakresie programowania, jak i statystyki.

Zaletą jest również bycie wykwalifikowanym matematykiem w celu zrozumienia, czy nowe teorie i modele są przydatne w tym celu. Ale znalezienie osoby, która ma zarówno wiedzę na wiele tematów, jak i jednocześnie rozumie czynniki rynkowe, jest rzadkością. Jeśli chodzi o niechęć do ryzyka, rozsądnie jest unikać posiadania tylko jednego pracownika, biorąc pod uwagę, jak trudno jest komuś w pełni zrozumieć kod zbudowany przez kogoś innego.

Platforma taka jak Indicio jest zbudowana z myślą o użytkowniku - w celu uproszczenia prognozowania. Zbudowany w oparciu o uczenie maszynowe interfejs umożliwia bezproblemowe przeprowadzanie prognoz opartych na najnowszych badaniach oraz uruchamianie zaawansowanych modeli statystycznych i jednoczesne włączanie dużych zbiorów danych.

Wybiera najbardziej odpowiednie algorytmy uczenia maszynowego, a następnie automatycznie optymalizuje wstępne przetwarzanie danych, inżynierię funkcji i parametry dostrajania dla każdego algorytmu w celu tworzenia i uszeregowania wysoce dokładnych modeli. Następnie zaleca najlepszy ważony zestaw modeli do wdrożenia dla danych firmy i docelowych prognoz.

Tak więc, zamiast tworzyć modele statystyczne, których opracowanie zajęłoby statystykowi miesiące, Indicio może zbudować setki modeli i wdrożyć najlepiej działający model w ciągu kilku godzin.