Supply Chain Science
Retour au blog ›
Big data dans le retail, un électrochoc à la réalité
En raison des contraintes de main-d'œuvre, les détaillants font très peu usage de leurs données de panier d'achat. Découvrez ce que big data peut accomplir.
L’out-of-shelf peut expliquer 1/4 de l’erreur de prévision du magasin
L'OOS peut faire bien pire que de simplement dégrader la précision des prévisions, l'OOS peut également l'améliorer...
Saisonnalité illustrée
Les séries temporelles longues sont plus visuelles et attrayantes. Lokad s'oppose plutôt aux séries temporelles courtes - découvrez pourquoi !
Deux KPI pour votre détecteur OOS
Découvrez pourquoi la sensibilité et la précision sont les deux métriques fondamentales pour évaluer un système OOS.
L’activité est en hausse mais les prévisions sont en baisse
Learn how to reverse your thinking and go against what seems logical for more accurate demand forecasting.
Nouvelle FAQ sur la technologie de prévision
Découvrez nos nouvelles FAQ couvrant les sujets de la saisonnalité, de la tendance, du cycle de vie du produit, des promotions et plus encore.
Sophismes dans le nettoyage des données pour les prévisions de ventes (court terme)
Découvrez pourquoi Lokad ne fournit aucune fonctionnalité explicite pour le nettoyage des données.
Le piège de la reverse supply chain pour la prévision de la demande
Comprenez pourquoi nous nous efforçons de livrer des prévisions de la demande plutôt que des prévisions de ventes.
Pénurie vs. Stock, la précision des prévisions compte
La relation entre taux de service, stocks de sécurité & précision des prévisions est parfois floue. Clarifions.
Modélisation d’un délai variable
Des taux de service élevés n’arrivent pas gratuitement. Découvrez l’impact des délais variables sur ce sujet.