Virksomheder bruger tidsserieprognoser til at træffe kerneplanlægningsbeslutninger, der hjælper dem med at navigere gennem usikker fremtid. Dette indlæg er beregnet til at henvende sig til forsyningskædens interessenter, som deler et fælles behov for at bestemme, hvor mange færdigvarer, der er nødvendige over en blandet række af planlægningstidshorisonter. Ud over at planlægge, hvor mange enheder varer der er behov for, har virksomheder ofte brug for at vide, hvor de bliver nødvendige, for at skabe et geografisk optimalt lager.
Den delikate balance mellem over- og underforsyning
Hvis producenterne producerer for få dele eller færdigvarer, kan det resulterende underudbud få dem til at træffe svære valg af rationering af tilgængelige ressourcer blandt deres handelspartnere eller forretningsenheder. Som følge heraf kan indkøbsordrer have lavere acceptprocenter med færre realiserede overskud. Længere nede i forsyningskæden, hvis en detailhandler har for få produkter at sælge i forhold til efterspørgslen, kan de skuffe kunder på grund af udsolgte varer. Når detailhandleren har et øjeblikkeligt behov, kan disse mangler resultere i køb fra en alternativ forhandler eller et substituerbart mærke. Denne substitution kan være en churn-risiko, hvis suppleanten bliver den nye standard.
I den anden ende af forsyningspendulet kan et overudbud af varer også medføre bøder. Overskydende varer skal nu føres på lager, indtil de sælges. En vis grad af sikkerhedslager forventes at hjælpe med at navigere gennem forventet efterspørgselsusikkerhed; men overskydende beholdning fører til ineffektivitet, der kan udvande en organisations bundlinje. Især når produkter er letfordærvelige, kan et overudbud føre til tab af hele eller en del af den oprindelige investering, der er foretaget for at erhverve den sælgelige færdigvare.
Selv når produkter ikke er letfordærvelige, bliver de under opbevaring faktisk en ledig ressource, der kunne være tilgængelig på balancen som gratis kontanter eller bruges til at forfølge andre investeringer. Bortset fra balancer er opbevarings- og transportomkostninger ikke gratis. Organisationer har typisk en begrænset mængde af arrangerede lager- og logistikkapaciteter. De skal operere inden for disse begrænsninger og bruge de tilgængelige ressourcer effektivt.
Stillet over for valget mellem overudbud og underudbud foretrækker de fleste organisationer i gennemsnit at overudbud ved eksplicit valg. De målbare omkostninger ved underudbud er ofte højere, nogle gange med flere multipla, sammenlignet med omkostningerne ved overudbud, som vi diskuterer i de følgende afsnit.
Hovedårsagen til skævheden mod overudbud er at undgå de immaterielle omkostninger ved at miste goodwill hos kunder, når produkter er utilgængelige. Producenter og detailhandlere tænker på langsigtet kundeværdi og ønsker at fremme brandloyalitet – denne mission hjælper med at informere deres forsyningskædestrategi.
I dette afsnit undersøgte vi uligheder som følge af at allokere for mange eller for få ressourcer efter en efterspørgselsplanlægningsproces. Dernæst undersøger vi tidsserieprognoser, og hvordan efterspørgselsforudsigelser kan matches optimalt med forsyningsstrategier på vareniveau.
Klassiske tilgange til salgs- og driftsplanlægningscyklusser
Historisk set er prognoser blevet opnået med statistiske metoder, der resulterer i punktprognoser, som giver en højst sandsynlig værdi for fremtiden. Denne tilgang er ofte baseret på former for glidende gennemsnit eller lineær regression, som søger at passe til en model ved hjælp af en almindelig mindste kvadraters tilgang. En punktprognose består af en enkelt middel forudsigelsesværdi. Fordi punktprognoseværdien er centreret om et middel, forventes det, at den sande værdi vil være over middelværdien, cirka 50 % af tiden. Dette efterlader en resterende 50% af tiden, hvor det sande tal vil falde under punktprognosen.
Punktprognoser kan være interessante, men de kan resultere i, at forhandlere løber tør for must-have varer 50 % af tiden, hvis de følges uden ekspertgennemgang. For at forhindre underservicering af kunder anvender udbuds- og efterspørgselsplanlæggere manuelle bedømmelsestilsidesættelser eller justerer punktprognoser ved hjælp af en sikkerhedslagerformel. Virksomheder kan bruge deres egen fortolkning af en sikkerhedslagerformel, men ideen er at hjælpe med at sikre, at produktforsyningen er tilgængelig gennem en usikker kortsigtet horisont. I sidste ende bliver planlæggere nødt til at beslutte, om de vil puste op eller deflatere middelpunktprognoseforudsigelserne i henhold til deres regler, fortolkninger og subjektive syn på fremtiden.
Moderne, state-of-the-art tidsserieprognoser muliggør valg
For at imødekomme prognosebehov i den virkelige verden tilbyder AWS et bredt og dybt sæt funktioner, der leverer en moderne tilgang til tidsserieprognoser. Vi tilbyder maskinlæringstjenester (ML), der inkluderer, men ikke er begrænset til Amazon SageMaker lærred (for detaljer, se Træn en tidsserieprognosemodel hurtigere med Amazon SageMaker Canvas Quick build), Amazon prognose (Start din succesrige rejse med tidsserieprognoser med Amazon Forecast), Og Amazon SageMaker indbyggede algoritmer (Dyb efterspørgselsprognose med Amazon SageMaker). Derudover udviklede AWS en open source softwarepakke, AutoGluon, som understøtter forskellige ML-opgaver, herunder dem i tidsseriedomænet. For mere information, se Nem og præcis prognose med AutoGluon-TimeSeries.
Overvej punktprognosen diskuteret i det foregående afsnit. Data fra den virkelige verden er mere kompliceret, end det kan udtrykkes med et gennemsnit eller en lige regressionslinjeestimat. På grund af ubalancen mellem over- og underforsyning har du desuden brug for mere end et enkelt punktestimat. AWS-tjenester imødekommer dette behov ved at bruge ML-modeller kombineret med kvantilregression. Kvantilregression giver dig mulighed for at vælge fra en lang række planlægningsscenarier, der udtrykkes som kvantiler, i stedet for at stole på enkeltpunktsprognoser. Det er disse kvantiler, der giver valgmuligheder, som vi beskriver mere detaljeret i næste afsnit.
Prognoser designet til at betjene kunder og generere forretningsvækst
Følgende figur giver et billede af en tidsserieprognose med flere udfald, muliggjort gennem kvantil regression. Den røde linje, angivet med p05, giver en sandsynlighed for, at det reelle tal, uanset hvad det måtte være, forventes at falde under p05-linjen, omkring 5 % af tiden. Omvendt betyder dette, at 95% af tiden vil det sande tal sandsynligvis falde over p05-linjen.
Derefter skal du observere den grønne linje, angivet med p70. Den sande værdi vil falde under p70-linjen omkring 70 % af tiden, hvilket giver en 30 % chance for, at den overskrider p70. P50-linjen giver et midtpunktsperspektiv om fremtiden, med en chance på 50/50, at værdierne i gennemsnit falder over eller under p50. Dette er eksempler, men enhver kvantil kan fortolkes på samme måde.
I det følgende afsnit undersøger vi, hvordan man måler, om kvantilforudsigelserne giver et over- eller underudbud pr. vare.
Måling af over- og underudbud ud fra historiske data
Det foregående afsnit demonstrerede en grafisk måde at observere forudsigelser på; en anden måde at se dem på er i tabelform, som vist i følgende tabel. Når man opretter tidsseriemodeller, holdes en del af dataene tilbage fra træningsoperationen, hvilket gør det muligt at generere nøjagtighedsmålinger. Selvom fremtiden er usikker, er hovedideen her, at nøjagtighed under en tilbageholdelsesperiode er den bedste tilnærmelse af, hvordan morgendagens forudsigelser vil klare sig, alt andet lige.
Tabellen viser ikke nøjagtighedsmålinger; snarere viser den sande værdier kendt fra fortiden sammen med adskillige kvantilforudsigelser fra p50 til p90 i trin på 10. I løbet af de seneste historiske fem tidsperioder var den sande efterspørgsel 218 enheder. Kvantilforudsigelser tilbyder en række værdier, fra et lavpunkt på 189 enheder til et maksimum på 314 enheder. Med følgende tabel er det nemt at se p50 og p60 resultere i et underforsyning, og de sidste tre kvantiler resulterer i et overforsyning.
Vi har tidligere påpeget, at der er en asymmetri i over- og underudbud. De fleste virksomheder, der træffer et bevidst valg om at overudbud, gør det for at undgå at skuffe kunder. Det kritiske spørgsmål bliver: "For fremtiden forude, hvilket kvantil forudsigelsestal skal forretningsplanen mod?" I betragtning af den asymmetri, der eksisterer, skal der træffes en vægtet beslutning. Dette behov behandles i næste afsnit, hvor forventede mængder, som enheder, omregnes til deres respektive økonomiske betydninger.
Automatisk valg af korrekte kvantile point baseret på maksimering af profit eller kundeservicemål
For at konvertere kvantilværdier til forretningsværdier skal vi finde den straf, der er forbundet med hver enhed af overlager og med hver enhed af underlager, fordi disse sjældent er ens. En løsning på dette behov er veldokumenteret og undersøgt inden for operationsforskning, kaldet et nyhedsleverandørproblem. Whitin (1955) var den første til at formulere en efterspørgselsmodel med prissætningseffekter inkluderet. Nyhedsleverandørproblemet er opkaldt fra en tid, hvor nyhedssælgere skulle beslutte, hvor mange aviser de skulle købe for dagen. Hvis de valgte et tal for lavt, ville de sælge ud tidligt og ikke nå deres indkomstpotentiale på dagen. Hvis de valgte et tal for højt, sad de fast i "gårsdagens nyheder" og ville risikere at miste en del af deres spekulative tidlige morgeninvesteringer.
For at beregne over- og understraffene pr. enhed er der et par stykker data nødvendige for hvert element, du ønsker at forudsige. Du kan også øge kompleksiteten ved at angive dataene som et vare+placeringspar, et vare+kundepar eller andre kombinationer i henhold til forretningsbehov.
- Forventet salgsværdi for varen.
- Samlede omkostninger for varer til køb eller fremstilling af varen.
- Estimerede beholdningsomkostninger forbundet med at føre varen på lager, hvis den ikke er solgt.
- Bjærgningsværdi af varen, hvis usolgt. Hvis den er meget letfordærvelig, kan bjærgningsværdien nærme sig nul, hvilket resulterer i et fuldstændigt tab af de oprindelige investeringsomkostninger. Når hylderne er stabile, kan bjærgningsværdien falde hvor som helst under den forventede salgsværdi for varen, afhængigt af arten af en opbevaret og potentielt ældet vare.
Følgende tabel viser, hvordan kvantilpunkterne blev selvvalgt blandt de tilgængelige prognosepunkter i kendte historiske perioder. Overvej eksemplet med vare 3, som havde en reel efterspørgsel på 1,578 enheder i tidligere perioder. Et p50-estimat på 1,288 enheder ville have underleveret, mens en p90-værdi på 2,578 enheder ville have givet et overskud. Blandt de observerede kvantiler giver p70-værdien en maksimal fortjeneste på $7,301. Når du ved dette, kan du se, hvordan et p50-valg ville resultere i en bøde på næsten $1,300 sammenlignet med p70-værdien. Dette er kun ét eksempel, men hver genstand i tabellen har en unik historie at fortælle.
Løsningsoversigt
Følgende diagram illustrerer en foreslået arbejdsgang. Først, Amazon SageMaker Data Wrangler bruger backtest-forudsigelser produceret af en tidsserieforecaster. Dernæst kombineres backtest-forudsigelser og kendte faktiske værdier med finansielle metadata på varebasis. På dette tidspunkt, ved hjælp af backtest-forudsigelser, beregner en SageMaker Data Wrangler-transformation enhedsomkostningerne for under- og overprognoser pr.
SageMaker Data Wrangler oversætter enhedsprognosen til en økonomisk kontekst og vælger automatisk den varespecifikke kvantil, der giver den højeste fortjeneste blandt de undersøgte kvantiler. Outputtet er et datasæt i tabelform, gemt på Amazon S3 og ligner konceptuelt tabellen i det foregående afsnit.
Endelig bruges en tidsserieforecaster til at producere fremtidsdaterede prognoser for fremtidige perioder. Her kan du også vælge at drive inferensoperationer eller handle på inferensdata, alt efter hvilken kvantil der blev valgt. Dette kan give dig mulighed for at reducere beregningsomkostningerne og samtidig fjerne byrden ved manuel gennemgang af hver enkelt vare. Eksperter i din virksomhed kan have mere tid til at fokusere på varer af høj værdi, mens tusindvis af varer i dit katalog kan have automatiske justeringer. Som et overvejelsespunkt er fremtiden forbundet med en vis grad af usikkerhed. Men alt andet lige bør et blandet udvalg af kvantiler optimere resultaterne i et samlet sæt af tidsserier. Her hos AWS råder vi dig til at bruge to holdback-forudsigelsescyklusser til at kvantificere graden af forbedringer fundet med blandet kvantilvalg.
Løsningsvejledning for at fremskynde din implementering
Hvis du ønsker at genskabe den kvantilvalgsløsning, der er diskuteret i dette indlæg og tilpasse den til dit eget datasæt, leverer vi et syntetisk eksempelsæt af data og en eksempel SageMaker Data Wrangler-flowfil til at komme i gang med GitHub. Hele den praktiske oplevelse bør tage dig mindre end en time at gennemføre.
Vi giver dette indlæg og prøveløsningsvejledning for at hjælpe med at fremskynde din time to market. Den primære mulighed for at anbefale specifikke kvantiler er SageMaker Data Wrangler, en specialbygget AWS-tjeneste, der er beregnet til at reducere den tid, det tager at forberede data til ML-brugssager. SageMaker Data Wrangler giver en visuel grænseflade til at designe datatransformationer, analysere data og udføre feature engineering.
Hvis du er ny til SageMaker Data Wrangler, se Kom godt i gang med Data Wrangler at forstå, hvordan man starter tjenesten igennem Amazon SageMaker Studio. Uafhængigt har vi mere end 150 blogindlæg som hjælper med at opdage forskellige prøvedatatransformationer, der behandles af tjenesten.
Konklusion
I dette indlæg diskuterede vi, hvordan kvantilregression muliggør flere forretningsbeslutningspunkter i tidsserieprognoser. Vi diskuterede også de ubalancerede omkostninger, der er forbundet med over- og underprognoser - ofte er straffen for underforsyning adskillige multipla af overudbudsstraffen, for ikke at nævne underudbud kan forårsage tab af goodwill hos kunder.
Indlægget diskuterede, hvordan organisationer kan evaluere flere kvantilforudsigelsespunkter med hensyn til over- og underforsyningsomkostningerne for hver vare for automatisk at vælge den kvantil, der sandsynligvis vil give mest overskud i fremtidige perioder. Når det er nødvendigt, kan du tilsidesætte valget, når forretningsregler ønsker en fast kvantil frem for en dynamisk.
Processen er designet til at hjælpe med at opfylde forretningsmæssige og finansielle mål, samtidig med at den fjerner friktionen ved manuelt at skulle anvende vurderingskald på hver vare, der er forudsagt. SageMaker Data Wrangler hjælper processen med at køre på en løbende basis, fordi kvantiludvælgelse skal være dynamisk med skiftende data fra den virkelige verden.
Det skal bemærkes, at kvantilvalg ikke er en engangsbegivenhed. Processen bør også evalueres under hver prognosecyklus for at tage højde for ændringer, herunder øgede vareomkostninger, inflation, sæsonjusteringer, introduktion af nye produkter, skiftende forbrugerkrav og mere. Den foreslåede optimeringsproces er placeret efter tidsseriemodelgenereringen, kaldet modeltræningstrinnet. Kvantilvalg foretages og bruges med det fremtidige prognosegenereringstrin, nogle gange kaldet inferenstrinnet.
Hvis du har spørgsmål til dette indlæg eller gerne vil have et dybere dyk ned i dine unikke organisatoriske behov, bedes du kontakte dit AWS-kontoteam, din AWS Solutions Architect eller åbne en ny sag i vores supportcenter.
Referencer
- DeYong, GD (2020). Den prissættende nyhedsleverandør: anmeldelse og udvidelser. International Journal of Production Research, 58(6), 1776–1804.
- Liu, C., Letchford, AN, & Svetunkov, I. (2022). Nyhedsleverandørproblemer: En integreret metode til estimering og optimering. European Journal of Operational Research, 300(2), 590–601.
- Punia, S., Singh, SP, & Madaan, JK (2020). Fra forudsigende til præskriptiv analyse: En datadrevet multi-item nyhedsleverandørmodel. Beslutningsstøttesystemer, 136.
- Trapero, JR, Cardós, M., & Kourentzes, N. (2019). Kvantilprognose optimal kombination for at forbedre estimering af sikkerhedslager. International Journal of Forecasting, 35(1), 239–250.
- Whitin, TM (1955). Lagerstyring og pristeori. Management Sci. 2 61-68.
Om forfatteren
Charles Laughlin er Principal AI/ML Specialist Solution Architect og arbejder i Amazon SageMaker-serviceteamet hos AWS. Han hjælper med at forme servicekøreplanen og samarbejder dagligt med forskellige AWS-kunder for at hjælpe med at transformere deres virksomheder ved hjælp af avancerede AWS-teknologier og tankelederskab. Charles har en MS i Supply Chain Management og en Ph.D. i datavidenskab.
- SEO Powered Content & PR Distribution. Bliv forstærket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk dig selv. Adgang her.
- PlatoAiStream. Web3 intelligens. Viden forstærket. Adgang her.
- PlatoESG. Kulstof, CleanTech, Energi, Miljø, Solenergi, Affaldshåndtering. Adgang her.
- PlatoHealth. Bioteknologiske og kliniske forsøgs intelligens. Adgang her.
- Kilde: https://aws.amazon.com/blogs/machine-learning/beyond-forecasting-the-delicate-balance-of-serving-customers-and-growing-your-business/
- :har
- :er
- :ikke
- :hvor
- ][s
- 1
- 10
- 100
- 2019
- 2020
- 2022
- 420
- 7
- 95 %
- a
- Om
- over
- fremskynde
- accept
- Ifølge
- Konto
- nøjagtighed
- præcis
- opnået
- erhverve
- Lov
- tilpasse
- Desuden
- adresse
- rettet
- justeringer
- rådgive
- Efter
- mod
- alderen
- forude
- AI / ML
- algoritmer
- Alle
- tillade
- tillader
- langs med
- også
- Skønt
- Amazon
- Amazon SageMaker
- Amazon SageMaker lærred
- Amazon Web Services
- blandt
- beløb
- an
- analytics
- analysere
- ,
- En anden
- enhver
- overalt
- anvendt
- Indløs
- tilgang
- tilgange
- cirka
- ER
- anbragt
- AS
- side
- forbundet
- At
- Automatisk Ur
- automatisk
- til rådighed
- gennemsnit
- undgå
- AWS
- tilbage
- Backtest
- Balance
- Balance
- balancer
- baseret
- grundlag
- BE
- fordi
- bliver
- bliver
- været
- være
- jf. nedenstående
- BEDSTE
- mellem
- Beyond
- skævhed
- Blog
- Bund
- brand
- bred
- indbygget
- byrde
- virksomhed
- virksomheder
- men
- by
- kaldet
- Opkald
- CAN
- canvas
- kapaciteter
- gennemføres
- regnskabsmæssige
- tilfælde
- tilfælde
- Kontanter
- katalog
- Årsag
- center
- centreret
- kæde
- chance
- Ændringer
- skiftende
- Charles
- valg
- valg
- Vælg
- vælge
- valgte
- valgt
- kombination
- kombinationer
- Fælles
- Virksomheder
- selskab
- sammenlignet
- fuldføre
- kompleksitet
- kompliceret
- Compute
- Begrebsmæssigt
- bevidst
- Overvej
- overvejelse
- består
- begrænsninger
- forbruger
- sammenhæng
- kontrol
- omvendt
- konvertere
- konverteret
- Core
- korrigere
- Koste
- Omkostninger
- kunne
- koblede
- skabe
- Oprettelse af
- kritisk
- kunde
- Kundeservice
- Kunder
- banebrydende
- cyklus
- cykler
- dagligt
- data
- datalogi
- datastyret
- dag
- beslutte
- beslutning
- afgørelser
- dyb
- dybere
- Standard
- Degree
- levere
- Efterspørgsel
- Forespørgsel om efterspørgsel
- krav
- demonstreret
- demonstrerer
- Afhængigt
- beskrive
- Design
- konstrueret
- ønske
- detail
- detaljer
- bestemmelse
- udviklet
- skuffende
- opdage
- diskutere
- drøftet
- dyk
- forskelligartede
- do
- Er ikke
- domæne
- ned
- køre
- grund
- i løbet af
- dynamisk
- hver
- Tidligt
- let
- effektivt
- effekter
- effektivt
- muliggør
- muliggør
- ende
- Engineering
- forbedre
- sikre
- Hele
- lige
- især
- skøn
- europæisk
- evaluere
- evalueret
- begivenhed
- Hver
- undersøge
- eksempel
- eksempler
- overstige
- overskydende
- eksisterer
- forventet
- erfaring
- ekspert
- eksperter
- udtrykt
- udvidelser
- Fall
- hurtigere
- Feature
- få
- færre
- felt
- Figur
- File (Felt)
- finansielle
- økonomiske mål
- Finde
- Fornavn
- passer
- fem
- fast
- flow
- Fokus
- følger
- efterfulgt
- efter
- Til
- Forecast
- prognoser
- formularer
- Formula
- Foster
- fundet
- Gratis
- friktion
- fra
- fuld
- yderligere
- fremtiden
- Futures
- generere
- genereret
- generation
- geografisk
- få
- given
- gluon
- Mål
- godt
- varer
- goodwill
- Grøn
- Dyrkning
- vejledning
- havde
- hands-on
- Have
- have
- he
- Held
- hjælpe
- hjælper
- link.
- Høj
- højere
- højeste
- stærkt
- historisk
- historisk
- bedrift
- besidder
- horisont
- Horizons
- time
- Hvordan
- How To
- Men
- HTML
- HTTPS
- i
- idé
- tomgang
- if
- illustrerer
- ubalance
- umiddelbar
- forbedringer
- in
- omfatter
- medtaget
- Herunder
- Indkomst
- Forøg
- øget
- uafhængigt
- inflation
- informere
- oplysninger
- initial
- immaterielle
- integreret
- interessant
- grænseflade
- internationalt
- fortolkning
- ind
- Introduktion
- opgørelse
- undersøge
- investering
- Investeringer
- IT
- Varer
- sluttede
- tidsskrift
- rejse
- Kend
- Kendskab til
- kendt
- Efternavn
- lancere
- føre
- Leadership" (virkelig menneskelig ledelse)
- Leads
- læring
- mindst
- forlader
- mindre
- ligesom
- Sandsynlig
- Limited
- Line (linje)
- Logistik
- langsigtet
- miste
- off
- Lav
- lavere
- maskine
- machine learning
- lavet
- Main
- lave
- ledelse
- måde
- manuel
- manuelt
- Producenter
- mange
- Marked
- matchede
- maksimere
- maksimal
- Kan..
- betyde
- betydninger
- midler
- betød
- måle
- Mød
- Metadata
- metode
- metoder
- Metrics
- Mission
- blandet
- ML
- model
- modeller
- Moderne
- mere
- Morgen
- mest
- flytning
- glidende gennemsnit
- flere
- skal
- Must-have
- Som hedder
- Natur
- Naviger
- I nærheden af
- nødvendig
- Behov
- behov
- behov
- Ny
- nyt produkt
- nyheder
- Aviser
- næste
- bemærkede
- nu
- nummer
- observere
- of
- tilbyde
- Tilbud
- tit
- on
- ONE
- igangværende
- kun
- åbent
- open source
- Open source software
- betjene
- drift
- operationelle
- Produktion
- optimal
- optimering
- Optimer
- or
- ordrer
- almindelig
- organisatorisk
- organisationer
- original
- Andet
- vores
- ud
- udfald
- output
- i løbet af
- samlet
- overstyring
- Overstock
- egen
- pakke
- par
- del
- partnere
- dele
- forbi
- per
- Udfør
- periode
- perioder
- perspektiv
- stykker
- fly
- planlægning
- plato
- Platon Data Intelligence
- PlatoData
- Vær venlig
- Punkt
- punkter
- positionerede
- mulig
- Indlæg
- potentiale
- potentielt
- forudsigelse
- Forudsigelser
- foretrække
- Forbered
- forhindre
- tidligere
- tidligere
- pris
- prissætning
- primære
- Main
- Forud
- Problem
- problemer
- behandle
- producere
- produceret
- producerer
- Produkt
- produktion
- Produkter
- Profit
- overskud
- foreslog
- give
- giver
- køb
- forfølge
- spørgsmål
- Spørgsmål
- Hurtig
- R
- rækkevidde
- sjældent
- priser
- hellere
- nå
- ægte
- virkelige verden
- gik op for
- grund
- nylige
- anbefale
- Rød
- reducere
- henvise
- benævnt
- relative
- stole
- resterende
- fjernelse
- forskning
- ressource
- Ressourcer
- dem
- resultere
- resulterer
- detail
- detailhandler
- detailhandlere
- gennemgå
- Risiko
- køreplan
- regler
- Kør
- kører
- s
- Sikkerhed
- sagemaker
- salg
- samme
- scenarier
- SCI
- Videnskab
- sæsonbestemt
- Sektion
- sektioner
- se
- søger
- udvælgelse
- valg
- sælger
- Sælgere
- Series
- tjener
- tjeneste
- Tjenester
- servering
- sæt
- flere
- Shape
- Del
- ark
- Hylde
- SKIFT
- shoppere
- kort sigt
- bør
- Vis
- vist
- Shows
- lignende
- enkelt
- So
- Software
- solgt
- løsninger
- Løsninger
- nogle
- specialist
- specifikke
- spekulative
- firkanter
- stabil
- interessenter
- påbegyndt
- state-of-the-art
- statistiske
- Trin
- Steps
- bestand
- opbevaring
- opbevaret
- Story
- lige
- strategier
- Strategi
- studeret
- vellykket
- forsyne
- Udbud og efterspørgsel
- forsyningskæde
- supply chain management
- support
- Support-systemer
- Understøtter
- overskud
- syntetisk
- Systemer
- bord
- Tag
- tager
- opgaver
- hold
- Teknologier
- fortælle
- end
- at
- Fremtiden
- deres
- Them
- teori
- Der.
- Disse
- de
- ting
- tror
- denne
- dem
- tænkte
- tænkt lederskab
- tusinder
- tre
- Gennem
- tid
- Tidsserier
- til
- også
- hård
- mod
- Trading
- Kurser
- Transform
- transformationer
- sand
- ægte værdi
- to
- typisk
- Ultimativt
- Uncertain
- Usikkerhed
- under
- forstå
- enestående
- enhed
- enheder
- indtil
- brug
- anvendte
- ved brug af
- værdi
- Værdier
- række
- Specifikation
- ønsker
- var
- Vej..
- we
- web
- webservices
- GODT
- var
- uanset
- hvornår
- når
- ud fra følgende betragtninger
- hvorvidt
- som
- mens
- WHO
- bred
- Bred rækkevidde
- vilje
- med
- inden for
- uden
- workflow
- virker
- ville
- Du
- Din
- zephyrnet
- nul