AI Demand Forecasting
Updated
durch
Daniel Sjögren
Einführung
Das Ziel des KI-Bedarfsprognose-Moduls besteht darin, Prognosen auf 15-, 30- oder 60-Minuten- oder täglicher Basis auf der Grundlage historischer Daten zu erstellen. Diese Prognosen können als Grundlage für die Personalplanung genutzt werden. Die Personalstärke kann entweder durch Quinyx Labour Standards oder durch eine statische/dynamische Regelungslösung oder durch kundenspezifische Berechnungen außerhalb von Quinyx berechnet werden.
Hyperlokale Prognose
Die Quinyx Bedarfsprognose-Lösung beinhaltet das Konzept der hyperlokalen Prognose. Die hyperlokale Prognose geht davon aus, dass jeder Standort trotz gleicher Datenvariable, z.B. Verkaufszahlen, ein einzigartiges Datenmuster und Kunden-/Benutzerverhalten aufweist. Daher ist eine einzige Prognosemethode nicht unbedingt die beste Prognosemethode für alle Datenvariablen an allen Standorten.
Die Quinyx Bedarfsprognose-Lösung umfasst mehrere Prognosemethoden, bei denen jede Methode historische Daten auf unterschiedliche Weise analysiert, um zukünftige Datenwerte vorherzusagen. Daher sind bestimmte Methoden in bestimmten Szenarien besser geeignet als andere. Die Prognosemethoden reichen von Machine-Learning-Modellen bis hin zu Zeitreihenmodellen. Die Methode, die auf der Grundlage der historischen Daten die genauesten Prognosen für eine bestimmte Variable an einem bestimmten Standort liefert, wird ausgewählt. Jede Standort- und Variablenkombination wird daher individuell betrachtet, und die beste Methode wird für jede von ihnen ausgewählt.
Die Nachfrageprognosen werden regelmäßig neu trainiert, abhängig davon, in welchem Intervall Ihre tatsächlichen Daten aktualisiert werden. Jedes Mal, wenn die Prognosemodelle neu trainiert werden, werden die aktuellsten tatsächlichen/historischen Daten eingebunden, alle Prognosemethoden werden durch den Methodenauswahlprozess durchlaufen und erneut wird die Methode ausgewählt, die die genauesten Prognosen liefert. Auf diese Weise können neue Datenmuster erfasst werden, während die Prognosen im Vergleich zu den tatsächlichen Daten am genauesten bleiben.
Voraussetzungen
- Es müssen Eingabedatenvariablen und Prognosekonfigurationsvariablen konfiguriert sein, die die zu prognostizierenden Variablen repräsentieren, in Quinyx
- Es muss ausreichend historische Daten von guter Qualität geben. Ausreichend historische Daten können mehrere Jahre bedeuten, wenn Sie jährliche oder saisonale Trends in Ihren Daten haben. Mehr historische Daten sind erforderlich, wenn die COVID-19-Pandemie einen großen Einfluss auf Ihre Daten hatte. Gute Qualität bedeutet Daten ohne zu viele fehlende Daten oder unrealistische Daten.
- Das Nachfrageprognosemodul muss von Quinyx aktiviert und konfiguriert werden.
Konfiguration der Nachfrageprognose
Abgesehen von den oben genannten Voraussetzungen ist keine spezifische Konfiguration erforderlich, um Nachfrageprognosen erstellen zu können. Sie können jedoch sicherstellen, dass die Prognosen Ihre Öffnungszeiten sowie Ereignisse und/oder Feiertage berücksichtigen.
Wenn Sie Öffnungszeiten konfiguriert haben, kann die Demand Forecasting-Lösung sicherstellen, dass keine Prognosen außerhalb Ihrer Öffnungszeiten erstellt werden. Dies ist wichtig in Fällen, in denen sich die Öffnungszeiten regelmäßig ändern und die neuen Öffnungszeiten kürzer sind als die vorherigen Öffnungszeiten. Öffnungszeiten können entweder in Quinyx oder in Pythia (KI-Optimierung) konfiguriert werden.
Wenn Sie Ereignisse in Quinyx konfiguriert haben, um die erwarteten Variablenwerte zu erhöhen oder zu verringern, wird die Wirkung des Ereignisses automatisch auf die Prognosevariablen in Quinyx angewendet. Wenn Sie jedoch sicherstellen möchten, dass die optimale Mitarbeiterzahl gemäß Ihren Ereignissen aktualisiert wird, müssen Sie entweder den Demand Forecasting-Algorithmus manuell ausführen, um das Ereignis in die Berechnung der optimalen Mitarbeiterzahl einzubeziehen, oder Sie müssen warten, bis die Demand Forecast automatisch ausgeführt wird, um neue Prognosen zu erstellen.
Wenn Sie Ereignisse in Pythia (KI-Optimierung) konfiguriert haben, um die erwarteten Variablenwerte zu erhöhen oder zu verringern, müssen Sie den Nachfrageprognosealgorithmus ausführen, um sicherzustellen, dass die Auswirkungen dieser Ereignisse angewendet werden. Sie müssen dann entweder den Nachfrageprognosealgorithmus manuell ausführen, um das Ereignis in die Berechnung der optimalen Mitarbeiterzahl einzubeziehen, oder Sie müssen warten, bis die Nachfrageprognose automatisch ausgeführt wird, um neue Prognosen zu erstellen.
Erstellung einer Nachfrageprognose
Prognosen können automatisch oder manuell für eine oder mehrere Datenvariablen erstellt werden. Im Allgemeinen wird die automatische Häufigkeit für die Erstellung der Prognosen von Quinyx bei der initialen Konfiguration Ihres Nachfrageprognosemoduls festgelegt. Bei der Konfiguration der automatischen Erstellungsdetails können Sie angeben, wie oft der Algorithmus ausgeführt werden soll, wie weit im Voraus der Algorithmus Prognosen erstellen soll (z.B. einen Monat im Voraus) und für welchen Zeitraum die Prognose erstellt werden soll (z.B. eine Woche pro Zeitraum).
Immer wenn es Änderungen bei den Eingabeüberlegungen des Algorithmus gibt, wie z.B. Öffnungszeiten oder Ereignisse, und Sie sicherstellen möchten, dass sie berücksichtigt werden, können Sie die Bedarfsprognose auch manuell von Quinyx oder Pythia (KI-Optimierung) ausführen.
Analyse der Ergebnisse
Die resultierenden Prognosen können entweder in Quinyx innerhalb der Zeitplan-Statistiken oder Prognosegrafiken und -tabellen für die spezifischen Prognose-Konfigurationsvariablen oder in Pythia (KI-Optimierung) angezeigt werden.
Vergleichen Sie die erstellte Prognose mit Ihren Erwartungen für diese Variable zu jedem Zeitpunkt. Wenn die Prognosewerte höher oder niedriger als erwartet sind, prüfen Sie, ob genügend historische Daten zur Prognose vorhanden waren oder ob ein Ereignis berücksichtigt werden sollte, das nicht hinzugefügt wurde.
