آموزش KPIهای پیش بینی تقاضا برای برنامه ریزی زنجیره تامین

دانلود Demand Forecasting KPIs for Supply Chain Planning hot and new

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.

نمونه ویدیوها: (صرفا برای مشاهده نمونه ویدیو، ممکن هست نیاز به شکن داشته باشید.)

توضیحات دوره: چگونه از معیارهای پیش بینی برای ارزیابی پیش بینی ها استفاده کنیم؟ نحوه محاسبه RMSE، MAE، MAPE، WMAPE و Bias مزایا و معایب هر یک از معیارهای پیش‌بینی از کدام معیار(های) پیش‌بینی هنگام ارزیابی کیفیت پیش‌بینی استفاده شود. ارزیابی کیفیت پیش‌بینی با استفاده از KPIهای مرتبط چرا MAPE بدترین پیش‌بینی است KPI و به جای آن چه باید کرد پیش نیازها:اصول اکسل

این دوره به شما می آموزد که چگونه از معیارهای پیش بینی مختلف (Bias، MAE، MAPE، WMPAE و RMSE) برای انتخاب بهترین پیش بینی تقاضا استفاده کنید. هدف نهایی این است که شما بتوانید (به عنوان یک برنامه ریز تقاضا یا رهبر S OP) به طور خودکار کیفیت پیش بینی ها را در مقیاس ارزیابی کنید - حتی اگر سبد محصولات گسترده ای داشته باشید (شامل دوره های متناوب و محصولات با قیمت های مختلف).

به طور خاص، یاد خواهید گرفت:

مزایا و معایب Bias، MAE، MAPE، و RMSE،
نحوه واکنش آنها به تقاضای متناوب و موارد پرت،
چرا MAPE بدترین KPI پیش‌بینی‌کننده است،
از کدام معیار برای متعادل کردن دقت و تعصب استفاده شود؟
نحوه استفاده از KPIهای دارای وزن برای ارزیابی کیفیت پیش‌بینی‌های خود، حتی اگر با محصولات مختلف با قیمت‌های متفاوت سروکار دارید.

این دوره تئوری را با تمرین‌های خودت انجام بده در اکسل جایگزین می‌کند. شما با انجام کار یاد خواهید گرفت و تجربه عملی را با مثال های عملی و مطالعات موردی به دست خواهید آورد. شما قادر خواهید بود این مفاهیم را (و از الگوهای اکسل استفاده کنید) مستقیماً در محیط کار خود برای تأثیرگذاری فوری اعمال کنید.

این دوره شامل یک ساعت ویدئو است و محتوای آن بر اساس کتاب های من (علوم داده برای پیش بینی زنجیره تامین و بهترین روش های پیش بینی تقاضا) و محتوای دوره ای است که به متخصصان و دانشجویان تدریس می کنم.
این دوره است. باید 2 تا 4 ساعت طول بکشد تا آن را کامل کنید.

این دوره فقط به تجربه محدودی در اکسل نیاز دارد (مانند استفاده از فرمول های معمولی مانند میانگین و مجموع).

سرفصل ها و درس ها

مقدمه Introduction

مقدمه Introduction

نحوه محاسبه متریک های پیش بینی How to Compute Forecasting Metrics

تعصب در مقابل دقت Bias vs. Accuracy
کدام پیش بینی را ترجیح می دهید؟ Which Forecast do you Prefer?
نحوه محاسبه متریک های پیش بینی How to Compute Forecasting Metrics
کدام پیش بینی را ترجیح می دهید؟ Which Forecast do you Prefer?
تعصب Bias
DIY در اکسل: تعصب DIY in Excel: Bias
MAE MAE
DIY در اکسل: MAE DIY in Excel: MAE
MAPE MAPE
DIY در اکسل: MAPE DIY in Excel: MAPE
بازی با MAPE Playing with MAPE
RMSE RMSE
DIY در اکسل: RMSE DIY in Excel: RMSE
فرمول ها را شناسایی کنید Identify formulas
WMAPE در مقابل MAE% WMAPE vs. MAE%

انتخاب بهترین متریک پیش بینی Selecting the Best Forecasting Metric

بهترین پیش بینی را با استفاده از متریک انتخاب کنید Select the Best Forecast using Metrics
بهترین پیش بینی کدام است؟ Which is the Best Forecast?
بهترین معیار(های) را انتخاب کنید Select the Best Metric(s)
بهترین معیار(های) را انتخاب کنید Select the Best Metric(s)
بهترین سازش The Best Compromise

معیارهای وزنی ارزش Value Weighted Metrics

از یک محصول واحد گرفته تا چندین محصول From a single product to multiple products
برخورد با چندین محصول Dealing with multiple products
معیارهای ارزشی وزن Value-Weighted Metrics
با استفاده از معیارهای وزنی ارزش Using value-weighted metrics