AI-efterfrågeprognoser
Uppdaterad
av
Daniel Sjögren
Introduktion
Målet med AI Demand Forecasting-modulen är att skapa prognoser på 15, 30, 60 minuter eller dagligen baserat på historiska data. Dessa prognoser kan användas för att skapa ett antal anställda som grund för schemaläggning. Antalet anställda kan beräknas antingen genom Quinyx arbetsnormer eller statisk/dynamisk regellösning eller genom kundspecifika beräkningar utanför Quinyx.
Hyperlokala prognoser
Quinyx lösning för prognostisering av efterfrågan innehåller konceptet hyperlokala prognoser. Hyperlokala prognoser utgår från att även om olika enheter prognostiserar samma datavariabel, t.ex. försäljning, har varje enskild plats ett unikt datamönster och beteende hos kunder/användare. Därför är en enda prognosmetod inte nödvändigtvis den bästa prognosmetoden för alla datavariabler på alla platser.
Quinyx lösning för prognostisering av efterfrågan innehåller flera prognosmetoder, där varje metod analyserar historiska data på olika sätt för att förutsäga framtida datavärden. Därför är vissa specifika metoder lämpligare för vissa scenarier än andra. Prognosmetoderna sträcker sig till exempel från maskininlärningsmodeller till tidsseriemodeller. Den metod som ger de mest exakta prognoserna för en specifik variabel i en specifik enhet, baserat på de historiska uppgifterna, väljs ut. Varje kombination av plats och variabel beaktas därför individuellt, och den bästa metoden väljs för var och en av dem.
Efterfrågeprognoserna omskolas regelbundet, beroende på med vilket intervall dina faktiska data uppdateras. Varje gång prognosmodellerna omskolas införlivas de senaste faktiska/historiska uppgifterna, alla prognosmetoder körs genom metodvalsprocessen och återigen väljs den metod som ger de mest exakta prognoserna. På så sätt kan nya datamönster fångas upp samtidigt som prognoserna förblir de mest exakta jämfört med faktiska data.
Förutsättningar
- Det måste finnas indatavariabler och prognoskonfiguration som representerar de variabler som ska prognostiseras konfigurerade i Quinyx.
- Det måste finnas tillräckligt med historisk data av god kvalitet. Tillräcklig historisk data kan innebära flera år om du har årliga eller säsongsbetonade trender i din data. Mer historisk data krävs om covid-19-pandemin hade en stor inverkan på dina datanivåer. Data av god kvalitet innebär data utan alltför mycket saknad data eller orealistisk data.
- Modulen för efterfrågeprognoser måste aktiveras och konfigureras av Quinyx.
Konfigurera efterfrågeprognos
Förutom förutsättningarna ovan krävs ingen särskild konfiguration för att kunna skapa prognoser för efterfrågan. Du kan dock se till att prognoserna tar hänsyn till dina öppettider och eventuella händelser och/eller helgdagar.
Om du har konfigurerat öppettider kan lösningen för prognostisering av efterfrågan se till att inga prognoser skapas utanför öppettiderna. Detta är viktigt i fall där öppettiderna ändras regelbundet och där de nya öppettiderna är kortare än de tidigare öppettiderna. Öppettider kan konfigureras antingen i Quinyx eller i Pythia (AI-optimering).
Om du har konfigurerat händelser i Quinyx för att öka eller minska de förväntade variabelvärdena tillämpas händelsens effekt automatiskt på prognosvariablerna i Quinyx. Men om du vill se till att det optimala antalet anställda uppdateras enligt dina händelser måste du antingen köra algoritmen för efterfrågeprognoser manuellt för att införliva händelsen i beräkningen av det optimala antalet anställda, eller så måste du vänta tills efterfrågeprognosen körs automatiskt för att skapa nya prognoser.
Om du har konfigurerat händelser i Pythia (AI-optimering) för att öka eller minska de förväntade variabelvärdena måste du köra algoritmen för prognostisering av efterfrågan för att se till att effekterna av dessa händelser tillämpas. Du måste sedan antingen köra algoritmen för prognostisering av efterfrågan manuellt för att införliva händelsen i den optimala beräkningen av antalet anställda, eller så måste du vänta tills prognostiseringen av efterfrågan körs automatiskt för att skapa nya prognoser.
Skapa en efterfrågeprognos
Prognoser kan skapas automatiskt eller manuellt för en enda eller flera datavariabler. Generellt sett konfigureras den automatiska frekvensen för skapandet av prognoser av Quinyx vid den första konfigurationen av din modul för prognoser av efterfrågan. När du konfigurerar detaljerna för automatiskt skapande kan du ange hur ofta algoritmen ska köras, hur långt i förväg algoritmen ska skapa prognoser för (t.ex. en månad i förväg) och för vilken periodlängd prognosen ska skapas (t.ex. en vecka i taget).
Närhelst det sker förändringar i algoritmens indata, t.ex. öppettider eller händelser, och du vill försäkra dig om att de beaktas, kan du också köra efterfrågeprognosen manuellt från Quinyx eller Pythia (AI-optimering) vid vilken tidpunkt som helst.
Analysera resultaten
De resulterande prognoserna kan visas antingen i Quinyx i schemastatistik eller prognosgrafer och -tabeller för de specifika prognoskonfigurationsvariablerna eller i Pythia (AI-optimering).
Jämför den skapade prognosen med dina förväntningar för variabeln vid varje tidpunkt. Om prognosvärdena är högre eller lägre än förväntat, kontrollera då om det har funnits tillräckligt med historiska data för att göra en prognos baserad på eller om det borde finnas en händelse som inte har lagts till.
