AI Demand Forecasting
Updated
by
Daniel Sjögren
Inleiding
Het doel van de AI Demand forecasting-module is om prognoses te maken op een niveau van 15, 30 of 60 minuten of dagelijks niveau op basis van historische gegevens. Deze prognoses kunnen worden gebruikt om een personeelsbezetting te creëren als basis voor planning. Personeelsbezetting kan worden berekend via Quinyx Labour Standards of Static/Dynamic Rule-oplossing of via klantspecifieke berekeningen buiten Quinyx.
Hyperlokale prognoses
De Quinyx Demand Forecasting-oplossing omvat het concept van hyperlokale prognoses. Hyperlokale prognoses gaan ervan uit dat, hoewel verschillende units dezelfde gegevensvariabele, bijvoorbeeld verkoop, voorspellen, elke individuele locatie een uniek gegevenspatroon en klant-/gebruikersgedrag heeft. Daarom is een enkele prognosemethode niet noodzakelijkerwijs de beste prognosemethode voor alle gegevensvariabelen op alle locaties.
De Quinyx Demand Forecasting-oplossing omvat meerdere prognosemethoden, waarbij elke methode historische gegevens op een andere manier analyseert om toekomstige gegevenswaarden te voorspellen. Daarom zijn sommige specifieke methoden meer geschikt in bepaalde scenario's dan andere. De prognosemethoden variëren bijvoorbeeld van Machine Learning-modellen tot Time Series-modellen. De methode die de meest nauwkeurige prognoses biedt voor een specifieke variabele in een specifieke unit, op basis van de historische gegevens, wordt geselecteerd. Elke locatie- en variatiecombinatie wordt daarom individueel beschouwd en de beste methode wordt voor elk van hen geselecteerd.
De prognoses voor de vraag worden regelmatig opnieuw getraind, afhankelijk van het interval waarop uw werkelijke gegevens worden bijgewerkt. Elke keer dat de prognosemodellen opnieuw worden getraind, wordt de meest recente werkelijke/historische gegevens opgenomen, worden alle prognosemethoden door het selectieproces geleid en wordt opnieuw de methode geselecteerd die de meest nauwkeurige prognoses biedt. Op die manier kunnen nieuwe datapatronen worden vastgelegd terwijl de prognoses nauwkeuriger blijven in vergelijking met werkelijke gegevens.
Vereisten
- Er moeten invoergegevensvariabelen en prognoseconfiguratievariabelen zijn geconfigureerd in Quinyx die de te prognosticeren variabelen vertegenwoordigen
- Er moet voldoende historische gegevens van goede kwaliteit zijn. Voldoende historische gegevens kunnen meerdere jaren betekenen als u jaarlijkse of seizoensgebonden trends in uw gegevens heeft. Meer historische gegevens zijn vereist als de COVID-19-pandemie een grote impact had op uw gegevensniveaus. Goede kwaliteit gegevens betekent gegevens zonder te veel ontbrekende gegevens of onrealistische gegevens.
- De module voor vraagprognoses moet worden ingeschakeld en geconfigureerd door Quinyx.
Configuratie van de vraagprognose
Afgezien van de bovenstaande vereisten is er geen specifieke configuratie vereist om vraagprognoses te kunnen maken. U kunt er echter voor zorgen dat de prognoses rekening houden met uw openingstijden en eventuele gebeurtenissen en/of feestdagen.
Als u openingstijden hebt geconfigureerd, kan de oplossing voor vraagprognoses ervoor zorgen dat er geen prognoses worden gemaakt buiten uw openingstijden. Dit is belangrijk in gevallen waarin de openingstijden regelmatig veranderen en waarbij de nieuwe openingstijden korter zijn dan de vorige openingstijden. Openingstijden kunnen worden geconfigureerd in Quinyx of in Pythia (AI-Optimalisatie).
Als u gebeurtenissen hebt geconfigureerd in Quinyx om de verwachte variabele waarden te verhogen of te verlagen, wordt het effect van de gebeurtenis automatisch toegepast op de prognosevariabelen in Quinyx. Als u echter wilt zorgen dat de optimale personeelbezetting wordt bijgewerkt volgens uw gebeurtenissen, moet u ofwel handmatig het algoritme voor vraagprognoses uitvoeren om de gebeurtenis op te nemen in de berekening van de optimale personeelbezetting, of u moet wachten tot de vraagprognose automatisch wordt uitgevoerd om nieuwe prognoses te maken.
Als u gebeurtenissen hebt geconfigureerd in Pythia (AI-Optimalisatie) om de verwachte variabele waarden te verhogen of te verlagen, moet u het vraagprognose-algoritme uitvoeren om ervoor te zorgen dat de effecten van die gebeurtenissen worden toegepast. U moet vervolgens het vraagprognose-algoritme handmatig uitvoeren om de gebeurtenis op te nemen in de berekening van de optimale personeelsbezetting, of u moet wachten tot de Vraagprognose automatisch wordt uitgevoerd om nieuwe prognoses te maken.
Het maken van een vraagprognose
Prognoses kunnen automatisch of handmatig worden gemaakt voor één of meerdere gegevensvariabelen. Over het algemeen wordt de automatische frequentie voor het maken van de prognoses geconfigureerd door Quinyx bij de initiële configuratie van uw Vraagprognose-module. Bij het configureren van de automatische creatiedetails kunt u aangeven hoe vaak het algoritme moet worden uitgevoerd, hoe ver van tevoren het algoritme prognoses moet maken (bijvoorbeeld één maand van tevoren) en voor welke periodelengte de prognose moet worden gemaakt (bijvoorbeeld één week per keer).
Wanneer er wijzigingen zijn in de inputoverwegingen van het algoritme, zoals openingstijden of gebeurtenissen, en u wilt ervoor zorgen dat deze worden meegenomen, dan kunt u op elk moment de Prognose van de Vraag handmatig uitvoeren vanuit Quinyx of Pythia (AI-Optimalisatie).
Analyseer de resultaten
De resulterende prognoses kunnen worden bekeken in Quinyx binnen de planningsstatistieken of prognosegrafieken en tabellen voor de specifieke prognoseconfiguratievariabelen of in Pythia (AI-Optimalisatie).
Vergelijk de gecreëerde prognose met uw verwachtingen voor die variabele op elk moment. Als de prognosewaarden hoger of lager zijn dan verwacht, controleer dan of er voldoende historische gegevens zijn om op te prognosticeren of dat er een gebeurtenis moet worden overwogen die nog niet is toegevoegd.
