Demand Forecast — Dự báo nhu cầu
Tải chuỗi lịch sử lên, nhận dự báo VÀ điểm số trung thực: mô hình có thắng nổi dự báo ngây thơ hay không. Dữ liệu mẫu là chuỗi hành khách hàng không kinh điển.
Phần holdout (12 kỳ cuối) là dữ liệu mô hình CHƯA nhìn thấy khi huấn luyện. Chỉ đoạn đó mới nói được mô hình có dự báo được hay không.
MASE là MAE của mô hình chia MAE của 'kỳ này bằng kỳ trước'. Từ 1 trở lên nghĩa là mô hình không tạo ra giá trị nào so với quy tắc đơn giản nhất có thể.
Đo trên 12 kỳ holdout mà mô hình chưa từng nhìn thấy. Đo trên dữ liệu huấn luyện luôn cho kết quả đẹp hơn thực tế.
Sai số lệch hẳn một phía nghĩa là mô hình có thiên lệch hệ thống — chỗ này sửa được, khác với nhiễu ngẫu nhiên.
Dựng từ độ lệch chuẩn phần dư trên holdout. Nó rộng, và đó là sự thật về mức bất định — con số điểm duy nhất che mất điều đó.
| Số điểm dữ liệu | 48 (train 36 · holdout 12) |
| Chu kỳ mùa vụ | 12 |
| MAE mô hình / naive | 14.7529 / 26.8333 |
| Bias | -14.7529 — dự báo thấp hơn thực tế |
| Dự báo 6 kỳ | 190.84 · 196.43 · 212.75 · 202.76 · 202.13 · 222.83 |
| Khoảng 90% kỳ tới | 176.69 – 204.99 |
| Phương pháp | Holt–Winters cộng tính (α=0.4, β=0.1, γ=0.3) |
Phần holdout (12 kỳ cuối) là dữ liệu mô hình CHƯA nhìn thấy khi huấn luyện. Chỉ đoạn đó mới nói được mô hình có dự báo được hay không.
Cột sáng thấp hơn cột tối ở đa số kỳ thì mô hình mới thực sự thắng, chứ không phải chỉ thắng ở trung bình.
| Số điểm dữ liệu | 48 (train 36 · holdout 12) |
| Chu kỳ mùa vụ | 12 |
| MAE mô hình / naive | 14.7529 / 26.8333 |
| Bias | -14.7529 — dự báo thấp hơn thực tế |
| Dự báo 6 kỳ | 190.84 · 196.43 · 212.75 · 202.76 · 202.13 · 222.83 |
| Khoảng 90% kỳ tới | 176.69 – 204.99 |
| Phương pháp | Holt–Winters cộng tính (α=0.4, β=0.1, γ=0.3) |
MASE = MAE(mô hình) / MAE(naive) — dưới 1 mới có giá trị
Đây là công thức thật mà mã nguồn chạy, không phải mô tả gần đúng.
API tại /api/v1/tools/ts-forecast gọi đúng hàm
này, nên kết quả trên trang và qua API không thể lệch nhau.
1.234.567 lẫn 1.234,56.Dự báo nhu cầu là đầu vào của gần như mọi quyết định vận hành: mua hàng, xếp ca, thuê xe. Sai số dự báo không tự triệt tiêu mà khuếch đại dọc chuỗi cung ứng — hiệu ứng bullwhip.
| MAPE / WMAPE | sai số phần trăm, có trọng số theo doanh thu |
| Bias | sai lệch có hệ thống |
| Forecast value added | dự báo của bạn có tốt hơn naive không |
Phần quan trọng nhất của trang này. Một phương pháp được mô tả mà không nói chỗ nó hỏng là phiên bản quảng cáo của phương pháp đó.
Chưa có mô hình nào gắn riêng cho chủ đề này. Đây là những mô hình của cả ngành — liên quan ở cấp ngành, không phải cấp chủ đề.
Dự báo nhu cầu là đầu vào của gần như mọi quyết định vận hành: mua hàng, xếp ca, thuê xe. Sai số dự báo không tự triệt tiêu mà khuếch đại dọc chuỗi cung ứng — hiệu ứng bullwhip.
1. Dự báo ở mức tổng hợp phù hợp; dự báo từng SKU từng ngày thường nhiễu hơn tín hiệu. 2. Tách mùa vụ nhiều chu kỳ: tuần, tháng, năm, và các dịp đặc biệt. 3. Xử lý riêng các sản phẩm bán chậm bằng mô hình Croston. 4. Đưa ra khoảng dự báo để quyết định mức tồn kho an toàn.
Không so với baseline naive. Rất nhiều mô hình phức tạp thua 'nhu cầu tuần này bằng tuần trước'. Dùng dữ liệu bán hàng làm dữ liệu nhu cầu — bán hàng bị chặn trên bởi tồn kho, nên hết hàng làm nhu cầu thật bị che.
MAPE / WMAPE — sai số phần trăm, có trọng số theo doanh thu; Bias — sai lệch có hệ thống; Forecast value added — dự báo của bạn có tốt hơn naive không.
Chưa xây dựng. Mục này hiện là điều hướng và tài liệu tham chiếu; chúng tôi không gắn nhãn 'live' cho thứ chưa chạy.