SmartForecast – Prognozowanie i analiza zapasów w systemie Microsoft Dynamics NAV

Algorytmy prognozowania sprzedaży uwzględniają historyczne dane dotyczące wielkości sprzedaży poszczególnych zapasów w minionych okresach, a także informacje zawarte w systemie dotyczące promocji, kampanii marketingowych oraz wielkości cen. Jeśli dysponujemy dodatkowymi danymi, np. prognozami zakupu od nabywcy, możemy zasilić nimi system. Algorytmy prognozujące wykrywają w danych trendy, sezonowość, zdarzenia kalendarzowe (np. święta). Przy pomocy metod statystycznych wskazują planowaną sprzedaż w przyszłych okresach.

SmartForecast1

Metody prognozowania, z których można skorzystać przy budowaniu prognozy to m.in.:

  • Prosta regresja liniowa – jest przykładem prognozy przyczynowej, w której poszukuje się związku lub przyczyny, jakie można wykorzystać w prognozie. Pozwala określić ilościową zależność popytu od jednej lub większej liczby zmiennych ekonomicznych.
  • Metoda najmniejszych kwadratów – ma na celu wyznaczenie linii regresji, linii trendu dla zebranych danych.
  • Metoda średniej ruchomej prostej – zwana również metodą średniej kroczącej, jest jedną z metod prognostycznych dotyczącą analizy szeregów czasowych bez tendencji. Metoda ta polega na tym, iż uśredniamy wartości z ubiegłych okresów (np. dwóch lub trzech). Tak otrzymany wynik jest prognozą na kolejny okres.
  • Metoda średniej ruchomej ważonej – jest także jedną z metod prognostycznych dotyczącą analizy szeregów czasowych bez tendencji, Stosowana jest przy stałym poziomie zjawiska i znacznych wahaniach przypadkowych.
  • Metoda wykładniczej średniej kroczącej – jest odmianą średniej ważonej, w której znaczenie coraz bardziej odległych w czasie okresów maleje w sposób wykładniczy.
  • Metoda wygładzania wykładniczego – metoda obróbki szeregu czasowego zmniejszająca jego wariancję za pomocą ważonej średniej ruchomej z przeszłych wartości, o wagach malejących wykładniczo wraz z odległością w czasie. Stosowana do prostego usuwania szumu, lub wizualizacji różnych danych. Jest również przydatna w prognozowaniu szeregów czasowych o niewielkim stosunku sygnału do szumu, szczególnie niemających wyraźnego trendu i wahań sezonowych.

SmartForecast2

 

WYKORZYSTANIE SIECI NEURONOWYCH W PROGNOZOWANIU SPRZEDAŻY

SmartForecast3Sieci neuronowe są powszechnie stosowane w wielu dziedzinach nauki i przemysłu jako metody, które rozwiązują problemy, na które nie istnieją klasyczne metody rozwiązań. Sieci neuronowe to jedna z gałęzi sztucznej inteligencji, która swoją popularność zawdzięcza równoległości obliczeń przez nie prowadzonych, braku konieczności programowania, a także możliwości sieci do dopasowania współczynników do problemu czy samoistnym poszukiwaniu algorytmu rozwiązującego dany problem. Pierwowzorem sztucznych sieci neuronowych jest biologiczny układ nerwowy. Sztuczne sieci neuronowe są strukturami złożonymi ze sztucznych neuronów, będących uproszczonymi odpowiednikami komórek nerwowych.

Istota efektywnego funkcjonowania sieci neuronowej polega na jej wcześniejszym „nauczeniu” przy wykorzystaniu odpowiedniego zbioru danych związanych z analizowanym zagadnieniem, zawartych w tzw. ciągu uczącym. Wiedza (np. o określonych zależnościach sezonowości sprzedaży) nie jest tu uprzednio przekazywana sieci, ale w trakcie iteracyjnego procesu uczenia, polegającego na wielokrotnej prezentacji poszczególnych wzorców wchodzących w skład ciągu uczącego. W wyniku tego procesu następuje „dostrojenie” dużej liczby adaptowalnych parametrów sieci – wag połączeń pomiędzy jej poszczególnymi komórkami – w taki sposób, że sieć potrafi prawidłowo reagować na wzorce, których się nauczyła, oraz – co więcej – na inne wzorce, które nie występowały podczas fazy uczenia. Nauczona sieć jest wykorzystywana do generowania właściwych prognoz lub do sugerowania poprawnych reakcji na aktualne dane pochodzące z analizowanego systemu.

Zaletami wykorzystania sieci neuronowych w procesie prognozowania sprzedaży są:

  • Ich możliwość uczenia się oraz uogólniania wiedzy nabytej w procesie trenowania,
  • Zdolność do adaptacji,
  • Odporność na uszkodzenia,
  • Równoległe i rozproszone przetwarzanie dużej ilości danych,
  • Brak konieczności programowania przy poszukiwaniu algorytmu rozwiązania danego problemu.

Sztuczne sieci neuronowe dzięki swoim zaletom znajdują coraz szersze zastosowania. W stosunkowo niedługim czasie powstało wiele neuronowych modeli, które sprawdziły się w prognozowaniu, dając często lepsze rezultaty niż klasyczne modele ekonometryczne. Jako metody nieliniowe i nieparametryczne, stanowią silną alternatywę (lub narzędzie uzupełniające) dla klasycznych modeli statystycznych.

SmartForecast4

 

OPRACOWANIE PROGNOZY

Wiele metod prognozowania pozwala na wybranie optymalnej. Istnieje możliwość stosowania różnych metod w opracowywaniu jednej prognozy, np. w zależności od grupy produktowej.

Nad przygotowaniem prognoz może pracować jednocześnie wielu użytkowników systemu, a co najważniejsze z wyników prognozowania będzie mógł skorzystać każdy. System umożliwia wyeksportowanie prognozy do arkusza Excel, dzięki czemu możliwe jest także wykorzystanie narzędzi znanych użytkownikom z pakietu Office.

OD PROGNOZOWANIA SPRZEDAŻY DO PLANOWANIA ZAPOTRZEBOWANIA

Istotą funkcjonalności prognozowania w systemie Microsoft Dynamics NAV jest bezpośrednia dostępność danych, wykorzystanie popularnych metod statystycznych jak również sztucznej inteligencji w postaci sieci neuronowych oraz możliwość automatycznego wygenerowania zapotrzebowania na podstawie opracowanej prognozy. System zintegrowany przetwarza dane o zapasach pochodzące z różnych modułów – magazynu, sprzedaży, zakupów, marketingu, dzięki temu ma pełny obraz historii związanej z zapasem. Ponadto zmiany wprowadzane w innych niż samo planowanie obszarach systemu są automatycznie uwzględniane przy tworzeniu kolejnej prognozy.

SmartForecast5

Dzięki uzupełnieniu kartoteki zapasów i określeniu algorytmów uzupełniania zapasów system jest w stanie obliczyć plan zapotrzebowania. Plan ten możemy wyświetlać na osi czasu na poziomie szczegółowości choćby dla konkretnego wariantu zapasu w danej lokalizacji. Plan zapotrzebowania uwzględnia różne metody uzupełniania i proponuje np. zamówienie od dostawcy, przesunięcie międzymagazynowe bądź zlecenie montażu, produkcji. Jeśli plan zostanie zaakceptowany automatycznie utworzą się wskazane w nim zlecenia. Wszystkie zmiany można na bieżąco obserwować i modyfikować na osi czasu.