使用两位数提高预测精度 Adexa 专有的机器学习算法

传统的单变量预测算法只寻找基本趋势而不是原因。 他们利用季节性或趋势模式等模式来提供更准确的预测。 这些算法非常擅长挑选模式并为稳定的跑步者进行预测。 但是，如果有多种因素影响预测，通常情况下，那么机器学习可以帮助显着改善预测，甚至可以解释结果和因果关系。

我们发现只需添加少量的解释性数据和 ML 逻辑即可确定使用哪些数据以及如何使用（回归和分类逻辑）， 可以将预测准确度提高至少 10 个百分点. 对于新产品或受外部因素严重影响的产品，它甚至可能更高。 ML 不会对季节性非常可预测的大批量稳定卖家产生很大影响，但对于高价值波动产品、新产品和中低批量产品，影响可能很大，尤其是对于更准确的空头期限预测。 ML 算法可以使用的除运输数据之外的一些因素示例包括销售点数据、产品生命周期阶段、价格、假期、人口统计数据和行业趋势数据。

在供应链计划策略方面，ML 的一个典型应用是生成更准确的需求预测，如上所述。 但是，机器学习可以使供应方计划受益，与需求计划一样多，甚至更多。 例如管理产品组合、确定服务水平 产品优化 利润，确定安全库存水平，根据属性或产品和设备预测准确的处理时间，以进行更准确的计划，甚至根据供应商的行为预测供应何时到达。 有关 ML 在供应链计划中的应用以及它如何改进运营的更多信息，请单击 这里.

想了解更多请联系我们 info@adexa