Modèle statistique de prévision

Les limitations posent des obstacles au-delà desquels les méthodes de prévision ne peuvent pas prédire. Il existe de nombreux événements et valeurs qui ne peuvent pas être prévisionnels de manière fiable. Les événements tels que le roulement d`un dé ou les résultats de la loterie ne peuvent pas être prévus parce qu`ils sont des événements aléatoires et qu`il n`y a pas de relation significative dans les données. Lorsque les facteurs qui conduisent à ce qui est prévu ne sont pas connus ou bien compris comme en stock et les prévisions des marchés des changes sont souvent inexactes ou erronées car il n`y a pas assez de données sur tout ce qui affecte ces marchés pour les prévisions à être fiables, en outre, les résultats des prévisions de ces marchés modifient le comportement des personnes impliquées dans le marché, réduisant ainsi la précision des prévisions. [16] notre but ici est de présenter un aperçu de ce domaine en discutant de la façon dont une entreprise devrait aborder un problème de prévision, décrivant les méthodes disponibles, et expliquant comment faire correspondre la méthode au problème. Nous illustrerons l`utilisation des différentes techniques de notre expérience avec eux à Corning, puis nous nous rapprochons de nos propres prévisions pour l`avenir des prévisions. De même, différents produits peuvent nécessiter différents types de prévisions. Deux produits de CGW qui ont été manipulés tout à fait différemment sont les principaux composants en verre pour les tubes de TV de couleur, dont Corning est un fournisseur principal, et les ustensiles de cuisine de Corning Ware, une ligne de produit de consommateur propriétaire. Nous allons tracer les méthodes de prévision utilisées à chacune des quatre étapes de maturité de ces produits pour donner un aperçu de première main sur le choix et l`application de certaines des techniques majeures disponibles aujourd`hui. Encore une fois, si la prévision est de définir une «norme» à l`égard de laquelle évaluer les performances, la méthode de prévision ne doit pas prendre en compte des actions spéciales, telles que les promotions et autres dispositifs de marketing, car ceux-ci sont censés changer les modèles historiques et relations et donc faire partie de la «performance» à évaluer. La saisonnalité est une caractéristique d`une série temporelle dans laquelle les données font l`expérience de changements réguliers et prévisibles qui reviennent chaque année calendaire.

Tout changement prévisible ou modèle dans une série temporelle qui se reproduit ou se répète sur une période d`un an peut être dit saisonnier. Il est fréquent dans de nombreuses situations – comme l`épicerie [14] ou même dans un bureau du médecin légiste [15] – que la demande dépend du jour de la semaine. Dans de telles situations, la procédure de prévision calcule l`indice saisonnier de la «saison» – sept saisons, une pour chaque jour – qui est le ratio de la demande moyenne de cette saison (calculée en moyenne mobile ou lissage exponentiel en utilisant des données correspondant à cette saison) à la demande moyenne à toutes les saisons. Un indice supérieur à 1 indique que la demande est supérieure à la moyenne; un indice inférieur à 1 indique que la demande est inférieure à la moyenne. Les modèles de prévision quantitative sont utilisés pour prévoir les données futures en fonction des données passées. Ils sont appropriés à utiliser lorsque les données numériques passées sont disponibles et quand il est raisonnable de supposer que certains des modèles dans les données sont censés se poursuivre dans l`avenir. Ces méthodes sont généralement appliquées aux décisions de courte ou moyenne portée. Des exemples de méthodes de prévision quantitative sont la demande de dernière période, les moyennes mobiles simples et pondérées de la période N, le lissage exponentiel simple, les prévisions basées sur le modèle de processus de poisson [2] et les index saisonniers multiplicatifs.