Tag: forecasting

Advanced Analytics | Analytics
Patricia Neri 0
An introduction to SAS Visual Forecasting 8.2

This post is an introduction to SAS Visual Forecasting 8.2. We'll build a Visual Forecasting (VF) Pipeline, which is a process flow diagram whose nodes represent tasks in the VF Process. The objective is to show how to perform the full analytics life cycle with large volumes of data: from accessing data and assigning variable roles accurately, to building forecasting models, to select a champion model and overriding the system generated forecast.

Analytics | Artificial Intelligence | Customer Intelligence | Machine Learning
John Hawkins 0
Energy and electricity, market disruption and new dynamics

There is general agreement that the electricity and energy market is changing in a wide variety of ways. There is, however, less agreement on the likely effects of these changes. This makes it extremely hard for energy companies to know precisely where to target investment, but there are ways of

Advanced Analytics | Analytics | Artificial Intelligence | Data Management | Machine Learning
Charlie Chase 0
Why do we rely on judgment when analytics outperforms it?

Wherever there is uncertainty there has got to be judgment, and wherever there is judgment there is an opportunity for human fallibility. Donald Redelmeirer, physician-researcher Over the holidays, I read a fascinating book titled The Undoing Project: A Friendship That Changed Our Mind by Michael Lewis (W.W. Norton & Company,

Analytics
Hans Bonde 0
Forecasting tender demand

When I talk to companies on how to improve their forecasting process they often share their difficulties with handling demand from potential large orders, where they are in a tender situation. Further, demand originating from tenders is increasing. Tender demand have characteristics which makes it difficult to handle in traditional

Advanced Analytics | Analytics | Machine Learning
Charlie Chase 0
Straight talk about forecasting and machine learning

Are you caught up in the machine learning forecasting frenzy? Is it reality or more hype?  There's been a lot of hype about using machine learning for forecasting. And rightfully so, given the advancements in data collection, storage, and processing along with technology improvements, such as super computers and more powerful

Advanced Analytics | Analytics
Dr. Laurie Miles 0
Results-as-a-Service - Aussagekräftige Analysen für alle!

In seinem Buch „Competing on Analytics“ benennt Tom Davenport die Analytik als Grundlage nachhaltiger Wettbewerbsvorteile. Der Grund dafür ist der prädiktive Ansatz. Heutzutage ist es nicht mehr möglich, ein Unternehmen alleine mit Blick in den Rückspiegel zum Erfolg zu führen. Und Analytik erlaubt den dringend erforderlichen Blick in die Zukunft.

Data Management | Machine Learning
Charlie Chase 0
Machine learning changes the way we forecast in retail and CPG

Machine learning is taking a significant role in many big data initiatives today. Large retailers and consumer packaged goods (CPG) companies are using machine learning combined with predictive analytics to help them enhance consumer engagement and create more accurate demand forecasts as they expand into new sales channels like the

Advanced Analytics | Analytics
小林 泉 0
ビジネスで「需要予測機能」を活用するために必要な3つの要素

ビジネスに使える「良い予測結果」を得るために 今回は、8月にリリースされたSAS Forecast Serverの新しい機能を紹介しながら、データが理想どおりに画一的にはなっていない実際のビジネスの現場で「良い予測結果」を得るために必要な3つの要素についてご紹介します。 はじめに 需要予測はもともと、天候などの不確実なばらつきをもつ外的要因という制約のもとで、顧客満足度や販売機会を最大化(欠品による損失の最小化)しつつ、売れ残りや在庫保有といったコストを最小限にするための手段のひとつです。生産から販売までのリードタイムが長い商品の販売量の予測や、一定期間先の需要量の取引を行うエネルギーの売買に携わる企業にとっては、正確な需要予測が不可欠です。今回は、予測結果そのものの精度をビジネス上の課題解決に見合う精度にするために、欠かせない要素ついてご紹介します。 欠かせない三つの工夫 SASは長年、SAS/ETSやSAS Forecast Serverなど、時系列予測機能を提供してきましたが、それらツールを使用して実際に成果を出している企業に共通するのは、これらのツールに用意されている時系列予測アルゴリズムを単に使用するのではなく、精度を高めるためのなんらかの"工夫"をしているということです。それをまとめると以下の3つに集約されます。 予測対象の実績データ(以下、時系列データ)のセグメンテーション マルチステージ(他段階の)予測モデリング 予測結果の追跡 予測のためのアルゴリズムは世の中に多数存在しますが、それを単純に適用するだけでは、ビジネス上の意思決定に利用可能な精度を実現するのは実は困難です。従来は、上記3つの工夫をシステム構築の際に考慮し独自に仕組みを作りこむ必要がありました。SASはこれらをベストプラクティス化し、ツールそのものの機能としてリリースしました。新たにSAS Forecast Serverに備わった、それら3つの機能について簡単にご紹介します。 1.時系列データのセグメンテーション どの店舗でいつ何が売れるのかを予測しなければいけない小売業 客室の埋まり方を予測しなければならないホテル業 顧客満足度を落とさずに欠品率をコントロールするために、どの施設レベルで予測すべきかに頭を悩ませる流通業 エネルギーの使用量を予測しなければならないデータセンター事業者やエネルギー供給企業 乗客数や交通量を予測する航空関連企業 コールセンターの需要を予測して従業員の配置を計画する通信会社 など、どのような予測業務においても、最初のステップは、自社の時系列データがどのようになっているかを理解することです。 理想的な時系列データ 従来の予測技術にとって最も完璧な(うれしい)時系列データはこのような形(図1)をしています。量が多く、データ期間が長く、安定していて、同じパターンが繰り返され、欠損値がほとんどなくパターンが予測しやすいという特徴があります。   このような理想的な時系列データが仮に存在したとすれば、自動化された予測エンジンと単一の予測モデリング戦略で簡単に良い予測結果が得られます。 実世界の時系列データ しかし現実世界では、企業が保有する時系列データはもっと多様です(図2)。   洗剤のようにいつでも売れる安定した(Stable)需要 バーベキューセットのように季節性(Seasonal)のある需要 あるいはレベルシフト(Level Shift)があるような需要-例えば、市場や販売チャネルを拡大したタイミングなど- 新製品の投入や新市場への進出など、データ期間が非常に限定されている(Short History)。 自動車の特定の補修部品のようにスパースなデータ(あるいは間歇需要とも言います)(Intemittent)。 ハロウィングッズのように一年に一回のある週や月しか売れないものもあります(Holiday)。 このようにそれぞれまったく異なる時系列パターンに対して単一の予測モデリング戦略を適用しても良い予測結果は得られません。これらにどのように対処するかが「良い予測結果」を得られるかどうかの分かれ道になります。 時系列データのセグメンテーション この問いに対する解決策は、時系列データのセグメンテーションです。時系列データのセグメンテーションとは、時系列データのパターンに応じて異なるパターンに分類する方法です。これは、需要予測プロセスにおいて最も重要な最初のステップのひとつです。分類した後にそれぞれのパターンに応じた予測モデリング戦略を適用することが「良い予測結果」を得るための秘訣となります。 これにより、 Stableなデータに対しては、ロバストなARIMAモデルを適用し、 季節性を示すデータには季節性モデルを、 Level Shiftタイプにはレベルシフトの要素を説明変数に利用できるARIMAX手法を、 新製品パターンには類似性分析のテクニックを用い、 スパースなデータに対しては間歇需要のための予測モデルを、 Holidayパターンにはカスタマイズした時間間隔モデルを使用する

Learn SAS
Cindy Puryear 0
How my SAS Press book was born

This guest blog post comes from Dr. David Dickey, one of our original SAS Press authors. Hope you enjoy! In the late 1970s, shortly after SAS was founded, I was approached by Herbert Kirk and John  Brocklebank from SAS to put together a course on time series.  This was reasonably

Machine Learning
Sascha Schubert 0
What’s new with machine learning?

Machine learning is all about automating the development process for analytical models. One way to extend the use of machine learning is to broaden your library of machine learning algorithms. Another way is to scale your machine learning process by reducing the time required to process machine learning algorithms on

1 2 3 4