Méthode de prévision automatique de la meilleure méthode

La méthode de prévision Automatic Best Method est la méthodologie la plus sophistiquée proposée dans le domaine de la gestion des effectifs ( ). Il comprend

• Fonctionnalités intégrées et automatisées pour le nettoyage des données historiques
• Identification des valeurs aberrantes et des effets de calendrier
• Détection de modèles, y compris la saisonnalité et les tendances
• La meilleure des meilleures modélisations pour sélectionner parmi plus de 20 méthodologies, notamment ARIMA, WM, Decomp

Cette méthode de prévision alimentée par l'IA crée des prévisions individuelles avec l'erreur la plus faible possible en utilisant : 

• Meilleures pratiques
• Détection des valeurs aberrantes
• Corrections mathématiques pour les données manquantes
• Techniques avancées de prévision de séries chronologiques

Prévision d'ensemble

Si un modèle personnalisé basé sur plusieurs méthodologies pondérées de manière égale produit un meilleur résultat qu'un modèle unique, la prévision est classée comme ensemble. La prévision d'ensemble est une activité de post-traitement qui évalue plusieurs modèles de prévision et les combine pour créer une prévision. Le modèle d'ensemble consiste en une combinaison de différents modèles de prévision tels que ARIMA, Holt Winters, Random Walk et Moving Average. La combinaison des différents modèles augmente la précision globale de la prévision et évite de surévaluer les pics ou les creux d'un modèle spécifique.

Dans la mise en œuvre actuelle, les modèles sous-jacents d'une prévision d'ensemble peuvent varier d'une prévision à l'autre. Cet écart se produit en raison de la façon dont l'ensemble fusionne plusieurs modèles en un seul.

Ensemble sélectionne les meilleurs modèles pour votre ensemble de données et les combine, ce qui signifie que deux ensembles de données différents peuvent être prévus à l'aide d'ensemble. Cependant, les modèles sous-jacents de chaque prévision d'ensemble peuvent différer les uns des autres. Par exemple, le premier ensemble de données pourrait utiliser un mélange de Holt Arima et de Walking Average. Le deuxième ensemble de données pourrait utiliser un mélange de moyennes pondérées thêta et d'estimation ponctuelle.

Actuellement, tous les modèles sous-jacents de l'ensemble doivent avoir la même pondération. Par exemple, si l'ensemble utilise deux modèles, chacun est pondéré à 50 %. Si l'ensemble utilise quatre modèles, chacun est pondéré à 25 pour cent. Dans une future mise à jour, nous afficherons les modèles sous-jacents et le poids qu'une prévision d'ensemble a utilisés.