Bedrijven gebruiken tijdreeksvoorspellingen om belangrijke planningsbeslissingen te nemen die hen helpen door onzekere toekomsten te navigeren. Dit bericht is bedoeld om belanghebbenden in de toeleveringsketen aan te spreken, die een gemeenschappelijke behoefte delen om te bepalen hoeveel eindproducten er nodig zijn over een gemengde verscheidenheid aan planningstijdshorizonten. Naast het plannen van hoeveel eenheden goederen nodig zijn, moeten bedrijven vaak weten waar ze nodig zijn, om een โโgeografisch optimale voorraad te creรซren.
Het delicate evenwicht tussen overaanbod en onderaanbod
Als fabrikanten te weinig onderdelen of eindproducten produceren, kan het resulterende tekort aan aanbod ertoe leiden dat ze moeilijke keuzes moeten maken bij het rantsoeneren van de beschikbare middelen onder hun handelspartners of bedrijfseenheden. Als gevolg hiervan kunnen inkooporders een lager acceptatiepercentage hebben en worden er minder winsten gerealiseerd. Als een detailhandelaar verderop in de toeleveringsketen te weinig producten heeft om te verkopen in verhouding tot de vraag, kan hij het winkelend publiek teleurstellen omdat de voorraad op is. Wanneer de retailklant een onmiddellijke behoefte heeft, kunnen deze tekorten resulteren in de aankoop bij een alternatieve detailhandelaar of een vervangend merk. Deze vervanging kan een churnrisico met zich meebrengen als de plaatsvervanger de nieuwe standaard wordt.
Aan de andere kant van de aanbodslinger kan een overaanbod van goederen ook tot boetes leiden. Overtollige items moeten nu in de inventaris worden bewaard totdat ze worden verkocht. Er wordt verwacht dat een zekere mate van veiligheidsvoorraad zal helpen bij het omgaan met de verwachte vraagonzekerheid; overtollige voorraad leidt echter tot inefficiรซnties die de bedrijfsresultaten van een organisatie kunnen verwateren. Vooral wanneer producten bederfelijk zijn, kan een overaanbod leiden tot het verlies van de gehele of een deel van de initiรซle investering die is gedaan om het verkoopbare eindproduct te verwerven.
Zelfs als producten niet bederfelijk zijn, worden ze tijdens opslag in feite een ongebruikte hulpbron die als gratis geld op de balans beschikbaar zou kunnen zijn of gebruikt zou kunnen worden om andere investeringen na te streven. Afgezien van de balansen zijn de opslag- en transportkosten niet gratis. Organisaties beschikken doorgaans over een eindige hoeveelheid georganiseerde magazijn- en logistieke mogelijkheden. Zij moeten binnen deze beperkingen opereren en de beschikbare middelen efficiรซnt gebruiken.
Geconfronteerd met de keuze tussen overaanbod en onderaanbod, geven de meeste organisaties er gemiddeld genomen de voorkeur aan om overaanbod te doen door middel van een expliciete keuze. De meetbare kosten van een tekort aan aanbod zijn vaak hoger, soms vele malen groter, vergeleken met de kosten van een overaanbod, die we in de volgende paragrafen bespreken.
De belangrijkste reden voor de neiging tot overaanbod is het vermijden van de immateriรซle kosten van het verlies van goodwill bij klanten wanneer producten niet beschikbaar zijn. Fabrikanten en detailhandelaren denken na over de klantwaarde op de lange termijn en willen de merkloyaliteit bevorderen. Deze missie helpt hun supply chain-strategie vorm te geven.
In deze paragraaf onderzochten we de ongelijkheid die voortvloeit uit het toewijzen van te veel of te weinig middelen na een vraagplanningsproces. Vervolgens onderzoeken we tijdreeksvoorspellingen en hoe vraagvoorspellingen optimaal kunnen worden afgestemd op aanbodstrategieรซn op artikelniveau.
Klassieke benaderingen van verkoop- en operationele planningscycli
Historisch gezien werden voorspellingen gedaan met statistische methoden die resulteren in puntvoorspellingen, die een meest waarschijnlijke waarde voor de toekomst opleveren. Deze benadering is vaak gebaseerd op vormen van voortschrijdende gemiddelden of lineaire regressie, waarbij wordt geprobeerd een model te passen met behulp van een gewone kleinste kwadratenbenadering. Een puntvoorspelling bestaat uit รฉรฉn enkele gemiddelde voorspellingswaarde. Omdat de puntvoorspellingswaarde gecentreerd is op een gemiddelde, wordt verwacht dat de werkelijke waarde ongeveer 50% van de tijd boven het gemiddelde zal liggen. Hierdoor blijft er 50% van de tijd over waarin het werkelijke aantal onder de puntvoorspelling zal vallen.
Puntvoorspellingen kunnen interessant zijn, maar kunnen ertoe leiden dat detailhandelaren 50% van de tijd zonder must-have-artikelen komen te zitten als ze worden gevolgd zonder deskundige beoordeling. Om te voorkomen dat klanten te weinig worden bediend, passen vraag- en aanbodplanners handmatige beoordelingsoverschrijvingen toe of passen ze puntprognoses aan met behulp van een veiligheidsvoorraadformule. Bedrijven kunnen hun eigen interpretatie van een veiligheidsvoorraadformule gebruiken, maar het idee is ervoor te zorgen dat het productaanbod beschikbaar is gedurende een onzekere kortetermijnhorizon. Uiteindelijk zullen planners moeten beslissen of ze de voorspellingen van het gemiddelde punt zullen opblazen of laten leeglopen, op basis van hun regels, interpretaties en subjectieve kijk op de toekomst.
Moderne, geavanceerde tijdreeksvoorspellingen maken keuzes mogelijk
Om aan de voorspellingsbehoeften in de echte wereld te voldoen, biedt AWS een brede en diepgaande reeks mogelijkheden die een moderne benadering van tijdreeksvoorspellingen bieden. Wij bieden machine learning (ML)-diensten aan, inclusief maar niet beperkt tot: Amazon SageMaker-canvas (voor details, zie Train een tijdreeksvoorspellingsmodel sneller met Amazon SageMaker Canvas Quick build), Amazon voorspelling (Begin uw succesvolle reis met tijdreeksprognoses met Amazon Forecast), En Amazon Sage Maker ingebouwde algoritmen (Diepe vraagvoorspelling met Amazon SageMaker). Daarnaast ontwikkelde AWS een open source softwarepakket, AutoGluon, dat diverse ML-taken ondersteunt, inclusief taken in het tijdreeksdomein. Voor meer informatie, zie Gemakkelijke en nauwkeurige prognoses met AutoGluon-TimeSeries.
Beschouw de puntvoorspelling die in de vorige sectie is besproken. Gegevens uit de echte wereld zijn ingewikkelder dan kan worden uitgedrukt met een gemiddelde of een rechte regressielijnschatting. Bovendien is er, vanwege de onevenwichtigheid tussen over- en onderaanbod, meer nodig dan een enkele puntschatting. AWS-services komen tegemoet aan deze behoefte door het gebruik van ML-modellen in combinatie met kwantielregressie. Met kwantielregressie kunt u kiezen uit een breed scala aan planningsscenario's, die worden uitgedrukt als kwantielen, in plaats van te vertrouwen op voorspellingen op รฉรฉn punt. Het zijn deze kwantielen die keuze bieden, die we in de volgende sectie gedetailleerder beschrijven.
Prognoses ontworpen om klanten te bedienen en bedrijfsgroei te genereren
De volgende afbeelding geeft een visueel beeld van een tijdreeksvoorspelling met meerdere uitkomsten, mogelijk gemaakt door kwantielregressie. De rode lijn, aangegeven met p05, biedt een waarschijnlijkheid dat het reรซle getal, wat het ook mag zijn, naar verwachting in ongeveer 05% van de gevallen onder de p5-lijn zal vallen. Omgekeerd betekent dit dat het werkelijke aantal in 95% van de gevallen waarschijnlijk boven de p05-lijn zal vallen.
Bekijk vervolgens de groene lijn, aangegeven met p70. De werkelijke waarde zal ongeveer 70% van de tijd onder de p70-lijn vallen, waardoor er een kans van 30% overblijft dat deze de p70 overschrijdt. De p50-lijn biedt een middelpuntperspectief over de toekomst, waarbij de kans 50/50 is dat de waarden gemiddeld boven of onder de p50 vallen. Dit zijn voorbeelden, maar elk kwantiel kan op dezelfde manier worden geรฏnterpreteerd.
In de volgende sectie onderzoeken we hoe we kunnen meten of de kwantielvoorspellingen per artikel een over- of onderaanbod opleveren.
Het meten van overaanbod en onderaanbod op basis van historische gegevens
In de vorige sectie werd een grafische manier gedemonstreerd om voorspellingen te observeren; een andere manier om ze in tabelvorm weer te geven, zoals weergegeven in de volgende tabel. Bij het maken van tijdreeksmodellen wordt een deel van de gegevens achtergehouden tijdens de trainingsbewerking, waardoor nauwkeurigheidsstatistieken kunnen worden gegenereerd. Hoewel de toekomst onzeker is, is het belangrijkste idee hier dat nauwkeurigheid tijdens een holdback-periode de beste benadering is van hoe de voorspellingen van morgen zullen presteren, als alle andere zaken gelijk blijven.
De tabel toont geen nauwkeurigheidsstatistieken; het toont eerder echte waarden die bekend zijn uit het verleden, naast verschillende kwantielvoorspellingen van p50 tot en met p90 in stappen van 10. Tijdens de recente historische vijf tijdsperioden bedroeg de werkelijke vraag 218 eenheden. Kwantielvoorspellingen bieden een reeks waarden, van een dieptepunt van 189 eenheden tot een maximum van 314 eenheden. Met de volgende tabel kun je gemakkelijk zien dat p50 en p60 resulteren in een onderaanbod, en dat de laatste drie kwantielen resulteren in een overaanbod.
We hebben er eerder op gewezen dat er sprake is van een asymmetrie tussen over- en onderaanbod. De meeste bedrijven die bewust kiezen voor een overaanbod, doen dit om teleurstellende klanten te voorkomen. De cruciale vraag wordt: โVoor de komende toekomst, tegen welk kwantielvoorspellingsgetal moet het bedrijfsplan gebaseerd zijn?โ Gezien de bestaande asymmetrie moet een gewogen beslissing worden genomen. Aan deze behoefte wordt aandacht besteed in de volgende sectie, waar voorspelde hoeveelheden, als eenheden, worden omgezet naar hun respectievelijke financiรซle betekenissen.
Automatisch selecteren van de juiste kwantielpunten op basis van het maximaliseren van winst of klantenservicedoelen
Om kwantielwaarden om te zetten in bedrijfswaarden moeten we de straf vinden die hoort bij elke eenheid overvoorraad en bij elke eenheid ondervoorraad, omdat deze zelden gelijk zijn. Een oplossing voor deze behoefte is goed gedocumenteerd en bestudeerd op het gebied van operationeel onderzoek, ook wel een nieuwsverkoperprobleem genoemd. Whitin (1955) was de eerste die een vraagmodel formuleerde waarin prijseffecten waren meegenomen. Het nieuwsverkoperprobleem is genoemd naar een tijd waarin nieuwsverkopers moesten beslissen hoeveel kranten ze voor die dag wilden kopen. Als ze een te laag aantal zouden kiezen, zouden ze vroegtijdig uitverkocht zijn en hun inkomenspotentieel niet op de dag bereiken. Als ze een te hoog getal kozen, bleven ze zitten met โhet nieuws van gisterenโ en liepen ze het risico een deel van hun speculatieve investering in de vroege ochtend te verliezen.
Om de over- en onderboetes per eenheid te berekenen, zijn er een aantal gegevens nodig voor elk item dat u wilt voorspellen. U kunt de complexiteit ook vergroten door de gegevens op te geven als een artikel+locatiepaar, artikel+klantpaar of andere combinaties, afhankelijk van de zakelijke behoefte.
- Verwachte verkoopwaarde voor het artikel.
- All-in kosten van goederen om het artikel te kopen of te vervaardigen.
- Geschatte voorraadkosten die gepaard gaan met het in voorraad houden van het artikel, als het onverkocht is.
- Restwaarde van het artikel, indien onverkocht. Als het zeer bederfelijk is, kan de restwaarde bijna nul zijn, wat resulteert in een volledig verlies van de oorspronkelijke kosten van de goedereninvestering. Als het product stabiel is, kan de restwaarde ergens onder de verwachte verkoopwaarde van het artikel vallen, afhankelijk van de aard van een opgeslagen en mogelijk verouderd artikel.
De volgende tabel laat zien hoe de kwantielpunten zelf werden geselecteerd uit de beschikbare voorspellingspunten in bekende historische perioden. Neem het voorbeeld van artikel 3, waar in voorgaande perioden een werkelijke vraag van 1,578 eenheden bestond. Een p50-schatting van 1,288 eenheden zou onderaanbod hebben opgeleverd, terwijl een p90-waarde van 2,578 eenheden een overschot zou hebben opgeleverd. Van de waargenomen kwantielen levert de p70-waarde een maximale winst op van $7,301. Als u dit weet, kunt u zien hoe een p50-selectie zou resulteren in een boete van bijna $ 1,300, vergeleken met de p70-waarde. Dit is slechts รฉรฉn voorbeeld, maar elk item in de tabel heeft een uniek verhaal te vertellen.
Overzicht oplossingen
Het volgende diagram illustreert een voorgestelde werkstroom. Eerst, Amazon SageMaker-gegevens Wrangler verbruikt backtest-voorspellingen die zijn geproduceerd door een voorspeller van tijdreeksen. Vervolgens worden backtestvoorspellingen en bekende feitelijke gegevens op itembasis samengevoegd met financiรซle metadata. Op dit punt berekent een SageMaker Data Wrangler-transformatie met behulp van backtest-voorspellingen de eenheidskosten voor onder- en overprognoses per item.
SageMaker Data Wrangler vertaalt de eenheidsprognose naar een financiรซle context en selecteert automatisch het itemspecifieke kwantiel dat het hoogste winstbedrag oplevert onder de onderzochte kwantielen. De uitvoer is een tabel met gegevens, opgeslagen op Amazon S3, en is conceptueel vergelijkbaar met de tabel in de vorige sectie.
Ten slotte wordt een tijdreeksvoorspeller gebruikt om toekomstgerichte voorspellingen voor toekomstige perioden te maken. Hier kunt u er ook voor kiezen om gevolgtrekkingsbewerkingen aan te sturen of te handelen op basis van gevolgtrekkingsgegevens, afhankelijk van welk kwantiel is gekozen. Hierdoor kunt u de rekenkosten verlagen en tegelijkertijd de last van handmatige beoordeling van elk afzonderlijk item wegnemen. Experts in uw bedrijf kunnen meer tijd hebben om zich te concentreren op artikelen met een hoge waarde, terwijl duizenden artikelen in uw catalogus automatisch kunnen worden aangepast. Als overwegingspunt kent de toekomst een zekere mate van onzekerheid. Als echter alle andere zaken gelijk blijven, zou een gemengde selectie van kwantielen de resultaten in een totale reeks tijdreeksen moeten optimaliseren. Hier bij AWS adviseren wij u om twee holdback-voorspellingscycli te gebruiken om de mate van verbeteringen te kwantificeren die zijn gevonden met gemengde kwantielselectie.
Oplossingsbegeleiding om uw implementatie te versnellen
Als je de kwantielselectie-oplossing die in dit bericht wordt besproken opnieuw wilt maken en deze wilt aanpassen aan je eigen dataset, bieden we een synthetische voorbeeldset met gegevens en een voorbeeld van een SageMaker Data Wrangler-stroombestand om je op weg te helpen GitHub. Het duurt minder dan een uur om de hele praktijkervaring te voltooien.
We bieden deze post en voorbeeldoplossingsrichtlijnen om uw time-to-market te helpen versnellen. De belangrijkste factor voor het aanbevelen van specifieke kwantielen is SageMaker Data Wrangler, een speciaal gebouwde AWS-service die bedoeld is om de tijd te verkorten die nodig is om gegevens voor te bereiden voor ML-gebruiksscenario's. SageMaker Data Wrangler biedt een visuele interface voor het ontwerpen van datatransformaties, het analyseren van data en het uitvoeren van feature-engineering.
Als u nog niet bekend bent met SageMaker Data Wrangler, raadpleeg dan Aan de slag met Data Wrangler om te begrijpen hoe u de service kunt lanceren Amazon SageMaker Studio. Onafhankelijk hebben we meer dan 150 blogberichten die helpen bij het ontdekken van diverse voorbeeldgegevenstransformaties die door de service worden aangepakt.
Conclusie
In dit bericht hebben we besproken hoe kwantielregressie meerdere zakelijke beslissingspunten mogelijk maakt bij het voorspellen van tijdreeksen. We bespraken ook de onevenwichtige kostenboetes die gepaard gaan met over- en onderprognoses. Vaak is de boete voor onderaanbod meerdere veelvouden van de boete voor overaanbod, om nog maar te zwijgen van het feit dat onderaanbod kan leiden tot verlies van goodwill bij klanten.
In de post werd besproken hoe organisaties meerdere kwantielvoorspellingspunten kunnen evalueren, waarbij rekening wordt gehouden met de kosten van over- en onderaanbod van elk item, om automatisch het kwantiel te selecteren dat waarschijnlijk de meeste winst zal opleveren in toekomstige perioden. Indien nodig kunt u de selectie overschrijven wanneer bedrijfsregels een vast kwantiel vereisen in plaats van een dynamisch kwantiel.
Het proces is ontworpen om te helpen zakelijke en financiรซle doelen te bereiken en tegelijkertijd de problemen weg te nemen die gepaard gaan met het handmatig moeten toepassen van beoordelingsoproepen op elk voorspeld item. SageMaker Data Wrangler zorgt ervoor dat het proces doorlopend kan worden uitgevoerd, omdat kwantielselectie dynamisch moet zijn met veranderende gegevens uit de echte wereld.
Opgemerkt moet worden dat kwantielselectie geen eenmalige gebeurtenis is. Het proces moet ook tijdens elke voorspellingscyclus worden geรซvalueerd, om rekening te houden met veranderingen, waaronder hogere kosten van goederen, inflatie, seizoensaanpassingen, introductie van nieuwe producten, veranderende consumentenvragen en meer. Het voorgestelde optimalisatieproces wordt gepositioneerd na het genereren van tijdreeksmodellen, ook wel de modeltrainingsstap genoemd. Kwantielselecties worden gemaakt en gebruikt bij de stap voor het genereren van toekomstige prognoses, ook wel de inferentiestap genoemd.
Als u vragen heeft over dit bericht of dieper wilt ingaan op uw unieke organisatorische behoeften, neem dan contact op met uw AWS-accountteam, uw AWS Solutions Architect, of open een nieuwe case in ons ondersteuningscentrum.
Referenties
- DeYong, GD (2020). De prijsbepalende nieuwsverkoper: recensie en uitbreidingen. International Journal of Production Research, 58(6), 1776โ1804.
- Liu, C., Letchford, AN, en Svetunkov, I. (2022). Nieuwsverkoperproblemen: een geรฏntegreerde methode voor schatting en optimalisatie. Europees Tijdschrift voor Operationeel Onderzoek, 300(2), 590โ601.
- Punia, S., Singh, SP, & Madaan, JK (2020). Van voorspellende naar prescriptieve analyses: een datagestuurd nieuwsleveranciersmodel met meerdere items. Beslissingsondersteunende systemen, 136.
- Trapero, JR, Cardรณs, M., & Kourentzes, N. (2019). Kwantielvoorspelling optimale combinatie om de schatting van de veiligheidsvoorraad te verbeteren. International Journal of Forecasting, 35(1), 239โ250.
- Whitin, TM (1955). Voorraadcontrole en prijstheorie. Management Wetenschap. 2 61โ68.
Over de auteur
Charles Lachlin is een Principal AI/ML Specialist Solution Architect en werkt in het Amazon SageMaker-serviceteam bij AWS. Hij helpt bij het vormgeven van de serviceroadmap en werkt dagelijks samen met diverse AWS-klanten om hun bedrijf te helpen transformeren met behulp van geavanceerde AWS-technologieรซn en thought leadership. Charles heeft een MS in Supply Chain Management en een Ph.D. in Datawetenschap.
- Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
- PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
- PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
- PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
- Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
- Bron: https://aws.amazon.com/blogs/machine-learning/beyond-forecasting-the-delicate-balance-of-serving-customers-and-growing-your-business/
- : heeft
- :is
- :niet
- :waar
- ][P
- 1
- 10
- 100
- 2019
- 2020
- 2022
- 420
- 7
- 95%
- a
- Over
- boven
- versnellen
- acceptatie
- Volgens
- Account
- nauwkeurigheid
- accuraat
- bereikt
- verwerven
- Handelen
- aanpassen
- toevoeging
- adres
- aangesproken
- aanpassingen
- adviseren
- Na
- tegen
- oud
- vooruit
- AI / ML
- algoritmen
- Alles
- toelaten
- toestaat
- naast
- ook
- Hoewel
- Amazone
- Amazon Sage Maker
- Amazon SageMaker-canvas
- Amazon Web Services
- onder
- bedragen
- an
- analytics
- analyseren
- en
- Nog een
- elke
- overal
- toegepast
- Solliciteer
- nadering
- benaderingen
- ongeveer
- ZIJN
- geregeld
- AS
- terzijde
- geassocieerd
- At
- Automatisch
- webmaster.
- Beschikbaar
- gemiddelde
- vermijd
- AWS
- terug
- Backtest
- Balance
- Balans
- balans
- gebaseerde
- basis
- BE
- omdat
- worden
- wordt
- geweest
- wezen
- onder
- BEST
- tussen
- Verder
- vooringenomenheid
- Blog
- Onder
- merk
- breed
- ingebouwd
- last
- bedrijfsdeskundigen
- ondernemingen
- maar
- by
- Dit betekent dat we onszelf en onze geliefden praktisch vergiftigen.
- oproepen
- CAN
- canvas
- mogelijkheden
- gedragen
- vervoer
- geval
- gevallen
- Contant geld
- catalogus
- Veroorzaken
- Centreren
- gecentreerd
- keten
- kans
- Wijzigingen
- veranderende
- Charles
- keuze
- keuzes
- Kies
- het kiezen van
- koos
- uitgekozen
- combinatie van
- combinaties
- Gemeen
- Bedrijven
- afstand
- vergeleken
- compleet
- ingewikkeldheid
- ingewikkeld
- Berekenen
- conceptueel
- bewust
- Overwegen
- overweging
- bestaat uit
- beperkingen
- consument
- verband
- onder controle te houden
- omgekeerd
- converteren
- geconverteerd
- Kern
- te corrigeren
- Kosten
- Kosten
- kon
- gepaard
- en je merk te creรซren
- Wij creรซren
- kritisch
- klant
- Klantenservice
- Klanten
- op het randje
- cyclus
- cycli
- dagelijks
- gegevens
- data science
- Gegevensgestuurde
- dag
- beslissen
- beslissing
- beslissingen
- deep
- diepere
- Standaard
- Mate
- leveren
- Vraag
- Eis voorspelling
- eisen
- gedemonstreerd
- demonstreert
- Afhankelijk
- beschrijven
- Design
- ontworpen
- verlangen
- detail
- gegevens
- bepalen
- ontwikkelde
- teleurstellend
- Onthul Nu
- bespreken
- besproken
- duiken
- diversen
- do
- Nee
- domein
- beneden
- rit
- twee
- gedurende
- dynamisch
- elk
- Vroeg
- En het is heel gemakkelijk
- effectief
- duurt
- efficiรซnt
- enabler
- maakt
- einde
- Engineering
- verhogen
- verzekeren
- Geheel
- gelijk
- vooral
- schatting
- Nederlands
- schatten
- geรซvalueerd
- Event
- Alle
- onderzoeken
- voorbeeld
- voorbeelden
- overtreffen
- teveel
- bestaat
- verwacht
- ervaring
- expert
- deskundigen
- uitgedrukt
- extensies
- Vallen
- sneller
- Kenmerk
- weinig
- minder
- veld-
- Figuur
- Dien in
- financieel
- financiรซle doelen
- VIND DE PLEK DIE PERFECT VOOR JOU IS
- Voornaam*
- geschikt
- vijf
- vast
- stroom
- Focus
- volgen
- gevolgd
- volgend
- Voor
- Voorspelling
- prognoses
- formulieren
- formule
- Bevorderen
- gevonden
- Gratis
- wrijving
- oppompen van
- vol
- verder
- toekomst
- Futures
- voortbrengen
- gegenereerde
- generatie
- geografisch
- krijgen
- gegeven
- gluon
- Doelen
- goed
- goederen
- Welwillendheid
- Groen
- Groeiend
- leiding
- HAD
- hands-on
- Hebben
- met
- he
- Held
- hulp
- helpt
- hier
- Hoge
- hoger
- hoogst
- zeer
- historisch
- historisch
- bezit
- houdt
- horizont
- Horizons
- uur
- Hoe
- How To
- Echter
- HTML
- HTTPS
- i
- idee
- Idle
- if
- illustreert
- onbalans
- Onmiddellijk
- verbeteringen
- in
- omvatten
- inclusief
- Inclusief
- Inkomen
- Laat uw omzet
- meer
- onafhankelijk
- inflatie
- informeren
- informatie
- eerste
- ontastbaar
- geรฏntegreerde
- interessant
- Interface
- Internationale
- interpretatie
- in
- Introductie
- inventaris
- onderzoeken
- investering
- Investeringen
- IT
- artikelen
- toegetreden
- tijdschrift
- blijven
- Weten
- bekend
- Achternaam*
- lancering
- leiden
- Leadership
- Leads
- leren
- minst
- verlaten
- minder
- als
- Waarschijnlijk
- Beperkt
- Lijn
- logistiek
- langdurig
- kwijt te raken
- uit
- Laag
- te verlagen
- machine
- machine learning
- gemaakt
- Hoofd
- maken
- management
- manier
- handboek
- handmatig
- Fabrikanten
- veel
- Markt
- op elkaar afgestemd
- maximaliseren
- maximaal
- Mei..
- gemiddelde
- betekenissen
- middel
- betekende
- maatregel
- Maak kennis met
- Metadata
- methode
- methoden
- Metriek
- Missie
- gemengd
- ML
- model
- modellen
- Modern
- meer
- Ochtend
- meest
- bewegend
- voortschrijdende gemiddelden
- meervoudig
- Dan moet je
- Must-have
- Genoemd
- NATUUR
- OP DEZE WEBSITE VIND JE
- Nabij
- noodzakelijk
- Noodzaak
- nodig
- behoeften
- New
- nieuw product
- nieuws
- Kranten
- volgende
- bekend
- nu
- aantal
- waarnemen
- of
- bieden
- Aanbod
- vaak
- on
- EEN
- lopend
- Slechts
- open
- open source
- Open source software
- besturen
- operatie
- operationele
- Operations
- optimale
- optimalisatie
- Optimaliseer
- or
- orders
- gewoon
- organisatorische
- organisaties
- origineel
- Overige
- onze
- uit
- resultaten
- uitgang
- over
- totaal
- override
- overvoeren
- het te bezitten.
- pakket
- paar
- deel
- partners
- onderdelen
- verleden
- voor
- Uitvoeren
- periode
- periodes
- perspectief
- stukken
- plan
- planning
- Plato
- Plato gegevensintelligentie
- PlatoData
- dan
- punt
- punten
- gepositioneerd
- mogelijk
- Post
- potentieel
- mogelijk
- voorspelling
- Voorspellingen
- de voorkeur geven
- Voorbereiden
- voorkomen
- vorig
- die eerder
- prijs
- prijsstelling
- primair
- Principal
- Voorafgaand
- probleem
- problemen
- produceren
- geproduceerd
- produceert
- Product
- productie
- Producten
- Profit
- winst
- voorgestelde
- zorgen voor
- biedt
- inkomsten
- na te streven
- vraag
- Contact
- Quick
- R
- reeks
- zelden
- Tarieven
- liever
- bereiken
- vast
- echte wereld
- realiseerde
- reden
- recent
- bevelen
- Rood
- verminderen
- verwijzen
- verwezen
- relatief
- vertrouwen
- resterende
- het verwijderen van
- onderzoek
- hulpbron
- Resources
- degenen
- resultaat
- verkregen
- <HR>Retail
- kleinhandelaar
- verkooppunten
- beoordelen
- Risico
- roadmap
- reglement
- lopen
- lopend
- s
- Veiligheid
- sagemaker
- verkoop
- dezelfde
- scenario's
- SCI
- Wetenschap
- seizoensgebonden
- sectie
- secties
- zien
- zoekt
- selecteren
- selectie
- verkopen
- Verkopers
- -Series
- dienen
- service
- Diensten
- serveer-
- reeks
- verscheidene
- Vorm
- Delen
- vel
- Plank
- VERSCHUIVEN
- shoppers
- korte termijn
- moet
- tonen
- getoond
- Shows
- gelijk
- single
- So
- Software
- uitverkocht
- oplossing
- Oplossingen
- sommige
- specialist
- specifiek
- speculatieve
- pleinen
- stabiel
- stakeholders
- gestart
- state-of-the-art
- statistisch
- Stap voor
- Stappen
- voorraad
- mediaopslag
- opgeslagen
- Verhaal
- recht
- strategieรซn
- Strategie
- bestudeerd
- geslaagd
- leveren
- Vraag en aanbod
- toeleveringsketen
- voorraadketenbeheer
- ondersteuning
- Ondersteunende systemen
- steunen
- overschot
- synthetisch
- Systems
- tafel
- Nemen
- neemt
- taken
- team
- Technologies
- vertellen
- neem contact
- dat
- De
- De toekomst
- hun
- Ze
- theorie
- Er.
- Deze
- ze
- spullen
- denken
- dit
- die
- gedachte
- thought leadership
- duizenden kosten
- drie
- Door
- niet de tijd of
- Tijdreeksen
- naar
- ook
- taai
- in de richting van
- Handel
- Trainingen
- Transformeren
- transformaties
- waar
- echte waarde
- twee
- typisch
- Tenslotte
- Onzeker
- Onzekerheid
- voor
- begrijpen
- unieke
- eenheid
- eenheden
- tot
- .
- gebruikt
- gebruik
- waarde
- Values
- variรซteit
- Bekijk
- willen
- was
- Manier..
- we
- web
- webservices
- GOED
- waren
- wat
- wanneer
- telkens als
- terwijl
- of
- welke
- en
- WIE
- breed
- Grote range
- wil
- Met
- binnen
- zonder
- workflow
- Bedrijven
- zou
- You
- Your
- zephyrnet
- nul