如何決定預測層級結構 ?
許多軟件支持分層預測，您可以在其中定義產品和位置的層次關係，在一個或多個層次上創建預測，然後在整個層次結構中協調預測。
採用自上而下的方法，您可以生成最高層級的預測，並將它們分配到較低的層級。在自下而上的預測中，您可以在層次結構的底部（最細粒度）級別生成預測，然後進行匯總以獲取更高級別的預測。在常用的中間方法中，您可以在某個中間層級生成預測，將它們匯總到更高的層級，並將它們分配到更細化的層級。
從這個問題開始，“它可以更簡單嗎？”Eric Stellwagen指出，層次結構應該只包括預測所需的最少層級。很明顯，存在與過於繁雜的層級相關的成本：更多的數據存儲和處理（降低系統性能），以及為預測分析人員提供更多工作（需要更多層級的預測來監控和維護）。
一旦定義了層次結構，下一個決策就是生成統計預測的層級。 Stellwagen說明了最細粒度的級別如何可能表現不佳，或缺乏足夠的數據來預測使用統計方法。因此，通常最好在更高的層面進行預測（數據的表現足夠好），然後使用分配方案將預測分攤到較低的層次。
儘管在 Stellwagen 的文章中沒有涉及，但是由於報告需要混淆了預測需要，導致層級過多的常見“最差做法”的原因之一。例如，服裝製造商可能需要知道預計有多少件白色，黑色，紅色和黃色的T恤衫，因此可以採購適量的染料。但這並不意味著顏色需要成為層次結構中的一個層次。
顏色是產品屬性。 預測顏色需求的正確方法是將品項層級的預測輸出到報告系統，然後根據顏色屬性匯總這些品項預測。 通過這種方式，可以在預測層次結構之外處理報告所需的其他級別。
許多組織需要在非常詳細的層面上生成預測。例如，一家消費品公司可能需要按客戶預測進行SKU，鞋製造商可能需要按尺寸進行預測，或者汽車製造商可能需要進行零件級預測。生成低低層級預測的一種方法是將統計預測方法直接應用於最低層級的需求歷史。另一種方法是對更多匯總數據使用統計預測方法，然後應用分配方案來生成較低層級的預測。
決定產生統計預測的最低層級並決定如何將統計預測分配到較低層級可能對預測準確性產生重大影響。本文將探討這些決策的一些問題，包括數據“預測性”如何在不同級別的聚合中發生變化。
它可以更簡單嗎？
在決定使用統計模型預測什麼級別的預測層次結構之前，先考慮一下您的預測層級結構是否可以簡化。僅僅因為你可以獲得非常詳細的信息，並不意味著它應該被預測。如果預測層級別不是嚴格要求的，則不應將其包含在預測層級結構中。您的目標是始終保持您的預測層級盡可能簡單，同時仍能完成工作。
如果您的管理層詢問您是否可以產生比您目前預測的層級更低的預測值，則可能需要向他們說明為什麼這可能不是最佳選擇。您需要說明的是，預測可能不如您當前的預測準確，預測層級較低會使預測過程變得複雜，並懷疑組織是否真正需要這樣的預測。正如愛因斯坦所說：“一切都應該盡可能簡單，但並不要過簡單了。”
你有足夠的結構嗎？
下圖顯示了一個品牌的止咳糖漿的月銷售額。 下圖下方也顯示了特定 SKU 的月銷售額。 該公司為其生產的每種口味瓶裝大小組合分配一個唯一的SKU編號。
考慮這兩個圖。 請注意，在品牌層面，數據結構更多。 季節模式顯而易見，“噪音”（隨機變化）較少。 在品牌層面上有三年以上的需求歷史，而最近推出的 SKU 只有10個月的歷史。 一般來說，當拆解數據時，結果是量更小，結構更少，而且使用統計方法難以預測的數據集。
品牌的止咳糖漿的月銷售額
特定止咳糖漿 SKU 的月銷售額
採用自上而下的方法，您可以生成最高層級的預測，並將它們分配到較低的層級。在自下而上的預測中，您可以在層次結構的底部（最細粒度）級別生成預測，然後進行匯總以獲取更高級別的預測。在常用的中間方法中，您可以在某個中間層級生成預測，將它們匯總到更高的層級，並將它們分配到更細化的層級。
從這個問題開始，“它可以更簡單嗎？”Eric Stellwagen指出，層次結構應該只包括預測所需的最少層級。很明顯，存在與過於繁雜的層級相關的成本：更多的數據存儲和處理（降低系統性能），以及為預測分析人員提供更多工作（需要更多層級的預測來監控和維護）。
一旦定義了層次結構，下一個決策就是生成統計預測的層級。 Stellwagen說明了最細粒度的級別如何可能表現不佳，或缺乏足夠的數據來預測使用統計方法。因此，通常最好在更高的層面進行預測（數據的表現足夠好），然後使用分配方案將預測分攤到較低的層次。
儘管在 Stellwagen 的文章中沒有涉及，但是由於報告需要混淆了預測需要，導致層級過多的常見“最差做法”的原因之一。例如，服裝製造商可能需要知道預計有多少件白色，黑色，紅色和黃色的T恤衫，因此可以採購適量的染料。但這並不意味著顏色需要成為層次結構中的一個層次。
顏色是產品屬性。 預測顏色需求的正確方法是將品項層級的預測輸出到報告系統，然後根據顏色屬性匯總這些品項預測。 通過這種方式，可以在預測層次結構之外處理報告所需的其他級別。
許多組織需要在非常詳細的層面上生成預測。例如，一家消費品公司可能需要按客戶預測進行SKU，鞋製造商可能需要按尺寸進行預測，或者汽車製造商可能需要進行零件級預測。生成低低層級預測的一種方法是將統計預測方法直接應用於最低層級的需求歷史。另一種方法是對更多匯總數據使用統計預測方法，然後應用分配方案來生成較低層級的預測。
決定產生統計預測的最低層級並決定如何將統計預測分配到較低層級可能對預測準確性產生重大影響。本文將探討這些決策的一些問題，包括數據“預測性”如何在不同級別的聚合中發生變化。
它可以更簡單嗎？
在決定使用統計模型預測什麼級別的預測層次結構之前，先考慮一下您的預測層級結構是否可以簡化。僅僅因為你可以獲得非常詳細的信息，並不意味著它應該被預測。如果預測層級別不是嚴格要求的，則不應將其包含在預測層級結構中。您的目標是始終保持您的預測層級盡可能簡單，同時仍能完成工作。
如果您的管理層詢問您是否可以產生比您目前預測的層級更低的預測值，則可能需要向他們說明為什麼這可能不是最佳選擇。您需要說明的是，預測可能不如您當前的預測準確，預測層級較低會使預測過程變得複雜，並懷疑組織是否真正需要這樣的預測。正如愛因斯坦所說：“一切都應該盡可能簡單，但並不要過簡單了。”
你有足夠的結構嗎？
下圖顯示了一個品牌的止咳糖漿的月銷售額。 下圖下方也顯示了特定 SKU 的月銷售額。 該公司為其生產的每種口味瓶裝大小組合分配一個唯一的SKU編號。
考慮這兩個圖。 請注意，在品牌層面，數據結構更多。 季節模式顯而易見，“噪音”（隨機變化）較少。 在品牌層面上有三年以上的需求歷史，而最近推出的 SKU 只有10個月的歷史。 一般來說，當拆解數據時，結果是量更小，結構更少，而且使用統計方法難以預測的數據集。
特定止咳糖漿 SKU 的月銷售額
許多需要生成低層級預測的組織發現，在最低層級數據沒有足夠的結構來直接生成有意義的統計預測。 在這些情況下，別無選擇，不能使用統計模型生成最低層級預測，而是使用某種類型的自上而下(top-down)分配方案。
層級之間的關係是否隨時間變化？
統計模型使用過去的需求歷史來預測銷量(或事情)如何隨時間變化。如果您的層級結構中的兩個層級之間隨時間變化彼此獨立，那麼您可以定義一個分配方式來預測較低層級，而不是根據歷史記錄來預測它。
例如，製造商需要針對每種尺寸製造的男士跑鞋進行預測。對這種特定風格鞋子的需求正在發生變化，因此這種鞋類預測應該使用統計方法來生成用以捕捉它隨時間的變化。另一方面，跑步者的腳的大小並不會隨時間而改變，所以，通過使用歷史數據的尺寸大小分佈圖將此鞋級預測可以依此比例分配來生成不同尺寸大小的預測。
另一個例子可能是汽車製造商使用統計模型來預測汽車銷售，然後通過物料清單(BOM表)進行分配以生成零件級預測。
在這兩個例子中，因為層級之間的關係是已知確定的並且不會隨時間而更改，所以分配方法可能比嘗試統計建模較低級別數據更準確。
概要
決定如何組織預測層級以及如何預測每個層級可能會對預測準確性產生深刻影響。在做出這些重要決定時，您需要：（1）詢問您是否盡可能簡化了層級結構; （2）確定哪些層級具有足夠的結構，以便直接將統計方法應用於數據;（3）了解各層級之間的關係 - 特別是那些可以使用分配邏輯方式來生成較低層級的預測。
留言
張貼留言