Supply Chain Wissenschaft
Back to the blog ›
Big Data im Einzelhandel, ein Reality-Check
Aufgrund von Personalmangel machen Einzelhändler sehr wenig mit ihren Marktkorbdaten. Erfahren Sie, was Big Data leisten kann.
Out-of-shelf kann 1/4 des Geschäftsprognosefehlers erklären
OOS can do a lot worse that just degrade the forecasting accuracy, OOS can also improve it...
Saisonalität veranschaulicht
Lange Zeitreihen sind visueller und ansprechender. Lokad hingegen bevorzugt kurze Zeitreihen – entdecken Sie warum!
Zwei KPIs für deinen OOS-Detektor
Entdecken Sie, warum Sensibilität und Präzision die beiden grundlegenden Metriken bei der Bewertung eines OOS-Systems sind.
Geschäft ist HOCH aber Prognosen sind RUNTER
Lerne, wie du dein Denken umkehrst und gegen das scheinbar Logische gehst, um eine genauere Nachfrageprognose zu erzielen.
Neue Prognosetechnologie FAQ
Entdecken Sie unsere neuen FAQs, die Themen wie Saisonalität, Trend, Produktlebenszyklus, Promotionen und mehr abdecken.
Fehlannahmen bei der Datenbereinigung für (kurzfristige) Verkaufsprognosen
Erfahren Sie, warum Lokad keine explizite Funktion zur Unterstützung der Datenbereinigung bereitstellt.
Reverse supply chain-Falle bei der Nachfrageprognose
Verstehen Sie, warum wir bestreben, Nachfrageprognosen anstelle von Verkaufsprognosen zu liefern.
Fehlbestand vs. Lagerbestand, die Prognosegenauigkeit zählt
Die Beziehung zwischen Servicelevel, Sicherheitsbestand und Prognosegenauigkeit ist manchmal unklar. Lasst es uns klären.
Modellierung variierender Lieferzeit
Hohe Servicelevels kommen nicht kostenlos. Entdecken Sie den Einfluss variierender Durchlaufzeiten darauf.