Netstock Integrated Business Planning führt neue Funktionen für Machine Learning ein
Netstock Integrated Business Planning (IBP) – ehemals Demand Works – bietet Kunden jetzt die Möglichkeit, die Auswirkungen von Werbeaktionen und anderen Ereignissen auf die Nachfrage vorherzusagen.
Diese spannende neue, auf Machine Learning basierende Funktionalität hilft Kunden, die finanziellen und betrieblichen Auswirkungen von erwarteten Ereignissen auf ihr Geschäft schnell zu verstehen. So wird Flexibilität und Bereitschaft sichergestellt, während gleichzeitig die Kosten minimiert werden.
Was beinhaltet die neue Netstock IBP ML Casual Event Forecasting-Funktion?
- Casual – Es ist die erste kausale Ereignis-Prognosefunktion, die der IBP-Lösung hinzugefügt wurde
- Machine Learning – Verwendet „Random Forest Regression“ und wird mit früheren Ereignissen bei ähnlichen Artikeln, Regionen, Kunden usw. „trainiert“.
- Einfach – Im Gegensatz zu den meisten Machine Learning Anwendungen benötigen Sie keine Unterstützung durch ein Team von Datenwissenschaftlern.
- Nützlich – Es werden bessere Prognosen erstellt, insbesondere für Produkte mit hohem Volumen.
- Transparent – Sie können die prognostizierten Auswirkungen früherer Ereignisse sowie die erwarteten Auswirkungen künftiger Ereignisse sehen.
Besonders hervorzuheben ist die Tatsache, dass das ML in Netstock IBP auf dem Training eines Multi-Attribut-Modells basiert und somit nützliche Prognosen der Auswirkungen von Ereignissen auf Artikel oder Kunden liefert, die noch nie beworben wurden.
So funktioniert das neue ML Casual Event Forecasting:
- Erstellen Sie „Ereignistypen“ und verknüpfen Sie sie mit Artikeln, Kunden, Regionen usw.
- Die ML-Technologie „trainiert“ auf den historischen Ereignissen und lernt die Auswirkungen der Ereignisse auf der Grundlage eines fortlaufenden Vergleichs der tatsächlichen und erwarteten Werte, als die Ereignisse eintraten.
- Die Funktion prognostiziert dann automatisch die Auswirkungen zukünftiger Ereignisse auf die Nachfrage.
Ereignisse wie Verbraucher- oder Handelsaktionen werden mit Artikeln, Kunden und Zeiträumen verknüpft. Sobald das System mit historischen Ereignissen trainiert wurde, kann es die Auswirkungen zukünftiger Ereignisse genau abschätzen.
