Na het volgen van deze cursussen voel ik me zeker genoeg om professionele visualisaties en dashboards te maken
Shoebur RahmanInkoopspecialist, Giz Bangladesh
Cursusbeschrijving
De vraag naar producten nauwkeurig voorspellen helpt een bedrijf om de markt voor te blijven. Als je weet welke factoren de vraag bepalen, kun je beter sturen op gedrag rond je producten. Deze cursus laat je stap voor stap zien hoe je productvraag voorspelt met R. Je leert belangrijke drijfveren van vraag herkennen, seizoenseffecten bekijken en de vraag voorspellen voor een producthiërarchie aan de hand van een praktijkvoorbeeld. Aan het einde van de cursus kun je de vraag voorspellen voor meerdere producten in een regio binnen een Amerikaanse staat. Daarna agregreer je deze voorspellingen over meerdere regio’s van dezelfde staat tot een compleet hiërarchisch forecastsysteem.
Vereisten
Lesprogramma
Cursusoverzicht
1
Vraag voorspellen met tijdreeksen
Voor forecasting is modelleren met tijdreeksen een uitstekend startpunt! Je wilt toekomstige waarden van verkoopvraag voorspellen, en een goed basisaanpak zijn ARIMA-modellen. In dit hoofdstuk leer je hoe je snel ARIMA-modellen toepast en sterke eerste voorspellingen maakt voor toekomstige productvraag.
- Data laden in een xts-object50 XP
- Gegevens importeren100 XP
- Data plotten/visualiseren100 XP
- ARIMA-tijdreeks 10150 XP
- auto.arima()-functie100 XP
- auto.arima interpreteren50 XP
- Voorspellen en Evalueren50 XP
- Forecast-functie100 XP
- MAPE en MAE berekenen100 XP
- Forecast visualiseren100 XP
- Betrouwbaarheidsintervallen voor de voorspelling100 XP
2
Componenten van vraag
De economische theorie heeft veel te zeggen over het voorspellen van vraag. Externe factoren zoals prijs, seizoensinvloeden en het moment van promoties bepalen duidelijk een deel van de productvraag. In dit hoofdstuk maak je kennis met de basis van prijselasticiteitsmodellen en leer je hoe je seizoens- en promotietiming meeneemt in onze vraagvoorspellingen voor producten.
3
Regressie combineren met tijdreeksen
Tijdreeksmodellen en prijsregressies hoef je niet als losse benaderingen van vraagvoorspelling te zien. Je kunt ze combineren! In dit hoofdstuk leer je twee manieren om de informatie uit beide modelaanpakken te “combineren”: transferfuncties en forecast-ensembling.
4
Hiërarchisch voorspellen
Tot nu toe hebben we steeds afzonderlijke modellen gemaakt om de vraag naar producten te voorspellen. Maar we hebben nog niet benut dat al deze producten samen een verkoophiërarchie vormen. Producten vormen regio’s en regio’s vormen staten. Hoe zorg je ervoor dat je voorspellingen kloppen omhoog en omlaag in de hiërarchie? In dit hoofdstuk leer je over hiërarchisch voorspellen en hoe je dit inzet om je productvraag beter te voorspellen.
R
Vraag naar producten voorspellen in R
Cursus
voltooid
