Наука о цепочках поставок
Назад к блогу ›
Большие данные в ритейле: проверка реальности
Due to manpower constraints, retailers do very little of their market basket data. Learn what Big Data can do.
Отсутствие на полке может объяснить 1/4 ошибки прогноза магазина
OOS can do a lot worse that just degrade the forecasting accuracy, OOS can also improve it...
Иллюстрированная сезонность
Long time-series are more visual and appealing. Lokad opposes instead short time-series - discover why!
Два ключевых показателя для вашего детектора отсутствия товара
Узнайте, почему чувствительность и точность являются двумя основными метриками при оценке системы обнаружения отсутствия товара.
Бизнес растет, но прогнозы падают
Узнайте, как изменить свое мышление и пойти против кажущейся логики для более точного прогнозирования спроса.
Новые часто задаваемые вопросы по технологии прогнозирования
Discover our new FAQs covering the topics of seasonality, trend, product life-cycle, promotions and more.
Ложные доводы в очистке данных для (краткосрочного) прогнозирования продаж
Learn why Lokad does not provide any explicit feature supporting data cleaning.
Ловушка обратной цепочки поставок в прогнозировании спроса
Поймите, почему мы стремимся предоставлять прогнозы спроса, а не прогнозы продаж.
Дефицит против запасов, точность прогнозирования имеет значение
Взаимосвязь между уровнем сервиса, резервными запасами и точностью прогнозирования иногда неясна. Давайте проясним.
Моделирование изменяющегося времени выполнения заказа
Высокий уровень обслуживания не бесплатен. Узнайте, как изменяющееся время выполнения заказа влияет на это.