As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
Componentes de padrões de demanda
A análise dos padrões de demanda ocorre em três dimensões:
-
Padrões de demanda (com base em como a demanda muda ao longo do tempo e em quantidade)
-
Demanda anual (quantidade total demandada em um período de 12 meses)
-
Duração do histórico (o período para o qual os dados históricos de demanda estão disponíveis)
A análise categoriza seus padrões de demanda em quatro tipos distintos: suave, intermitente, irregular e irregular. Cada um é determinado pela análise da frequência e variabilidade da demanda. Se houver produtos elegíveis no escopo sem dados históricos, eles serão agrupados na seção Zero Forecast Demand. Para obter mais informações, consulte Padrão de demanda.
A distribuição dos padrões de demanda em seus produtos fornece informações valiosas sobre a confiabilidade esperada das previsões. Produtos com padrões de demanda suaves (mostrando volumes e frequências de pedidos consistentes) normalmente produzem as previsões mais confiáveis, porque seu comportamento é mais previsível. Em contraste, padrões irregulares ou irregulares, caracterizados por picos irregulares e frequências de ordem variadas, geralmente resultam em menor confiabilidade da previsão devido à sua natureza imprevisível. Ao entender essa distribuição, os planejadores de demanda podem definir expectativas apropriadas e tomar medidas proativas.
O sistema também analisa sua demanda final de 12 meses (sujeita à configuração de corte), também conhecida como Demanda Anual, imediatamente anterior à data de início da previsão. Por exemplo, suponha que a data de início da previsão seja 15 de janeiro de 2024 (segunda-feira) e o período de planejamento seja semanal. O sistema considera que o período final de análise de 12 meses é de 16 de janeiro de 2023 a 14 de janeiro de 2024. A análise de demanda final de 12 meses ajuda os planejadores de demanda a distinguir entre produtos ativos e inativos, ao mesmo tempo em que identifica produtos em transição entre esses estados — padrões que afetam diretamente a confiabilidade da previsão. Ao se concentrar na história recente em vez de nos padrões de dados mais antigos, você pode tomar decisões mais informadas sobre quais produtos precisam de atenção especial ou abordagens alternativas de previsão, especialmente para casos como itens sazonais, produtos descontinuados ou itens em eliminação progressiva. Para obter mais informações, consulte Forecast Algorithms.
A duração do histórico em anos é calculada para cada granularidade de previsão (por exemplo, combinação produto-localização) com base nas datas mais antigas e mais recentes disponíveis em seus dados históricos de demanda pré-processados, depois de ajustar as datas ao início padrão do período. Essa análise ajuda a determinar se os produtos acumularam dados históricos suficientes para gerar previsões confiáveis, com um mínimo de dois anos normalmente necessários para capturar padrões sazonais e tendências de longo prazo.
