Typen voorspelmodel

Profit gebruikt voorspelmodellen om een verwachte afzet te berekenen. Profit kijkt daarbij niet alleen naar het gemiddelde. Ook de spreiding rond het gemiddelde is belangrijk. Een artikel met een stabiele vraag vraagt meestal om minder voorraad dan een artikel met sterk wisselende vraag. Het gewenste servicelevel bepaalt hoeveel zekerheid je wilt inbouwen. Hoe hoger het servicelevel, hoe meer voorraad je nodig hebt.

Om een juiste voorspelling te maken, heeft Profit minimaal 8 historische perioden nodig. Dit geldt voor alle modellen, tenzij anders beschreven bij het model.

SMA: Simple Moving Average

SMA berekent de voorspelling met het gemiddelde van een vast aantal recente perioden. Het model kijkt dus vooral naar wat er kort geleden is gebeurd.

SMA past vooral bij artikelen met een stabiele vraag. Denk aan artikelen die elke periode ongeveer even vaak worden verkocht of verbruikt. Het model reageert traag op veranderingen. Daardoor past SMA minder goed bij artikelen met duidelijke groei, daling of seizoen.

ARIMA: AutoRegressive Integrated Moving Average

ARIMA kijkt naar patronen in historische gegevens. Het voorspelmodel gebruikt vorige waarden, trends en eerdere afwijkingen. Daardoor kan ARIMA beter omgaan met gegevens waarin de vraag stijgt of daalt.

ARIMA houdt geen rekening met seizoenspatronen. Het model past daarom vooral bij artikelen met een trend, maar zonder duidelijke seizoenpiek. ARIMA is complexer dan een gemiddelde berekening. Profit gebruikt het model om te bepalen of dit betere resultaten geeft dan eenvoudigere modellen.

SARIMA: Seasonal ARIMA

SARIMA is een uitbreiding van ARIMA. Dit model houdt ook rekening met seizoenspatronen. Denk aan artikelen die elk jaar, elk kwartaal of elke maand een terugkerende piek hebben.

Het model heeft meer historische perioden nodig dan eenvoudige modellen. Dat komt doordat Profit veel historie nodig heeft om het seizoen te herkennen, namelijk minimaal 29 maanden of 116 weken. Als er te weinig historie is, gebruikt Profit een ander model.

Exponential Smoothing: Recente periodes meer gewicht dan oudere data

Exponential Smoothing geeft recente perioden meer gewicht dan oudere perioden. Recente afzet telt dus zwaarder mee in de voorspelling. Daardoor reageert het model sneller op veranderingen dan SMA.

Dit voorspelmodel past vooral bij stabiele vraag zonder duidelijke trend of seizoen. Het model is eenvoudig en effectief als recente afzet belangrijker is dan oude afzet. Bij sterke seizoensinvloed past meestal een ander model beter.

Holt-Winters: Exponential Smoothing inclusief trend en seizoenspatronen

Holt-Winters is een uitbreiding van Exponential Smoothing. Dit model kijkt naar drie onderdelen: het basisniveau, de trend en het seizoen. Daardoor past het model bij artikelen met groei of daling én een terugkerend seizoen.

Holt-Winters heeft meer historische perioden nodig dan eenvoudige modellen. Profit moet namelijk genoeg gegevens hebben om trend en seizoen te herkennen. Het minimale aantal perioden dat Profit als historie nodig heeft bij dit model is 35 maanden of 139 weken. Als er te weinig historie is, gebruikt Profit een ander model.

Niet voorspellen

Je kunt een artikel uitsluiten van de afzetvoorspelling door bij het veld Afwijkend voorspelmodel de waarde Niet voorspellen te selecteren.

Let op:

Als je de waarde wijzigt naar Niet voorspellen, stopt Profit met voorspellen voor dit onderdeel.

Heeft de geplande taak Afzetvoorspelling al gedraaid, dan leegt Profit het tabblad Afzetvoorspelling. Dit gebeurt bij de volgende uitvoering van de taak.

Profit gebruikt ook de waarde Niet voorspellen wanneer er geen of niet genoeg historische perioden zijn om een afzetvoorspelling op te genereren. Je ziet op het tabblad Afzetvoorspelling in de eigenschappen van het artikel, voorraaddimensie en samenstelling welk model Profit heeft gebruikt.