Companiile folosesc prognoza în serie de timp pentru a lua decizii de planificare de bază care le ajută să navigheze prin viitor incert. Această postare este menită să se adreseze părților interesate din lanțul de aprovizionare, care au o nevoie comună de a determina câte produse finite sunt necesare într-o varietate mixtă de orizonturi de timp de planificare. Pe lângă planificarea de câte unități de bunuri sunt necesare, companiile trebuie adesea să știe unde vor fi necesare, pentru a crea un inventar optim din punct de vedere geografic.
Echilibrul delicat al ofertei excesive și ofertei insuficiente
Dacă producătorii produc prea puține piese sau produse finite, oferta insuficientă care rezultă îi poate determina să facă alegeri dificile de raționalizare a resurselor disponibile între partenerii lor comerciali sau unitățile de afaceri. Ca rezultat, comenzile de cumpărare pot avea rate de acceptare mai mici, cu mai puține profituri realizate. Mai jos în lanțul de aprovizionare, dacă un comerciant cu amănuntul are prea puține produse de vândut, în raport cu cererea, poate dezamăgi cumpărătorii din cauza epuizării stocurilor. Atunci când cumpărătorul cu amănuntul are o nevoie imediată, aceste neajunsuri pot duce la achiziționarea de la un comerciant alternativ sau de la o marcă înlocuibilă. Această înlocuire poate fi un risc de pierdere dacă alternativa devine noul implicit.
La celălalt capăt al pendulului de aprovizionare, o ofertă excesivă de bunuri poate atrage și penalități. Articolele excedentare trebuie să fie acum transportate în inventar până la vânzare. Se așteaptă ca un anumit grad de stoc de siguranță să ajute la navigarea prin incertitudinea preconizată a cererii; totuși, inventarul în exces duce la ineficiențe care pot dilua rezultatul final al unei organizații. În special atunci când produsele sunt perisabile, o ofertă în exces poate duce la pierderea totală sau parțială a investiției inițiale efectuate pentru achiziționarea bunului finit vândubil.
Chiar și atunci când produsele nu sunt perisabile, în timpul depozitării ele devin efectiv o resursă inactivă care ar putea fi disponibilă în bilanț ca numerar gratuit sau folosită pentru a urmări alte investiții. Bilanțurile deoparte, costurile de depozitare și transport nu sunt gratuite. Organizațiile au, de obicei, o cantitate finită de capacități de depozitare și logistică aranjate. Ei trebuie să opereze în limitele acestor constrângeri, utilizând eficient resursele disponibile.
Confruntându-se cu alegerea între supraofertă și subofertă, în medie, majoritatea organizațiilor preferă să ofere exces prin alegere explicită. Costul măsurabil al ofertei insuficiente este adesea mai mare, uneori cu câțiva multipli, în comparație cu costul ofertei excesive, despre care discutăm în secțiunile care urmează.
Motivul principal al tendinței către supraoferta este evitarea costului intangibil al pierderii fondului comercial cu clienții ori de câte ori produsele nu sunt disponibile. Producătorii și comercianții cu amănuntul se gândesc la valoarea pe termen lung pentru clienți și doresc să stimuleze loialitatea mărcii - această misiune ajută la informarea strategiei lor pentru lanțul de aprovizionare.
În această secțiune, am examinat inechitățile rezultate din alocarea prea multor sau prea puține resurse în urma unui proces de planificare a cererii. În continuare, investigăm prognoza în serie de timp și modul în care previziunile cererii pot fi corelate optim cu strategiile de aprovizionare la nivel de articol.
Abordări clasice ale ciclurilor de planificare a vânzărilor și operațiunilor
Din punct de vedere istoric, prognoza a fost realizată cu metode statistice care au ca rezultat prognoze punctuale, care oferă cea mai probabilă valoare pentru viitor. Această abordare se bazează adesea pe forme de medii mobile sau regresie liniară, care încearcă să se potrivească unui model folosind o abordare obișnuită a celor mai mici pătrate. O prognoză punctuală constă dintr-o singură valoare de predicție medie. Deoarece valoarea prognozei punctuale este centrată pe o medie, este de așteptat ca valoarea adevărată să fie peste medie, aproximativ 50% din timp. Acest lucru lasă un rest de 50% din timp când numărul adevărat va scădea sub nivelul prognozat.
Prognozele punctuale pot fi interesante, dar pot duce la epuizarea de articole obligatorii a comercianților cu amănuntul în 50% din timp dacă sunt urmate fără o examinare de specialitate. Pentru a preveni deservirea insuficientă a clienților, planificatorii cererii și ofertei aplică depășiri ale judecății manuale sau ajustează prognozele punctuale printr-o formulă de stoc de siguranță. Companiile pot folosi propria interpretare a formulei stocului de siguranță, dar ideea este de a ajuta la asigurarea disponibilității aprovizionării cu produse printr-un orizont incert pe termen scurt. În cele din urmă, planificatorii vor trebui să decidă dacă să umfle sau să dezumfle predicțiile de prognoză a punctului mediu, în conformitate cu regulile, interpretările și viziunea subiectivă asupra viitorului.
Prognoza serii temporale modernă, de ultimă generație, permite alegerea
Pentru a satisface nevoile de prognoză din lumea reală, AWS oferă un set larg și profund de capabilități care oferă o abordare modernă a prognozei în serie de timp. Oferim servicii de învățare automată (ML) care includ, dar nu se limitează la acestea Amazon SageMaker Canvas (pentru detalii, consultați Antrenați mai rapid un model de prognoză în serie de timp cu Amazon SageMaker Canvas Quick build), Prognoza Amazon (Începeți-vă călătoria de succes cu prognoza serii temporale cu Amazon Forecast), Şi Amazon SageMaker algoritmi încorporați (Prognoza profundă a cererii cu Amazon SageMaker). În plus, AWS a dezvoltat un pachet software open-source, AutoGluon, care acceptă diverse sarcini ML, inclusiv cele din domeniul seriei de timp. Pentru mai multe informații, consultați Prognoza ușoară și precisă cu AutoGluon-TimeSeries.
Luați în considerare prognoza punctual discutată în secțiunea anterioară. Datele din lumea reală sunt mai complicate decât pot fi exprimate cu o medie sau o estimare în linie dreaptă de regresie. În plus, din cauza dezechilibrului dintre supra și subofertă, aveți nevoie de mai mult de o estimare punctuală. Serviciile AWS abordează această nevoie prin utilizarea modelelor ML cuplate cu regresia cuantilă. Regresia cuantilă vă permite să selectați dintr-o gamă largă de scenarii de planificare, care sunt exprimate ca cuantile, mai degrabă decât să vă bazați pe prognoze cu un singur punct. Aceste cuantile sunt cele care oferă alegere, pe care le descriem mai detaliat în secțiunea următoare.
Prognoze concepute pentru a servi clienții și a genera creșterea afacerii
Următoarea figură oferă o imagine vizuală a prognozei unei serii de timp cu rezultate multiple, posibile prin regresia cuantile. Linia roșie, notată cu p05, oferă o probabilitate ca numărul real, oricare ar fi acesta, să scadă sub linia p05, aproximativ 5% din timp. În schimb, aceasta înseamnă că, în 95% din timp, numărul adevărat va scădea probabil peste linia p05.
Apoi, observați linia verde, notată cu p70. Valoarea adevărată va scădea sub linia p70 aproximativ 70% din timp, lăsând o șansă de 30% să depășească p70. Linia p50 oferă o perspectivă de mijloc despre viitor, cu o șansă de 50/50 ca valorile să scadă peste sau sub p50, în medie. Acestea sunt exemple, dar orice cuantilă poate fi interpretată în același mod.
În secțiunea următoare, examinăm cum să măsuram dacă predicțiile cuantile produc o supraaprovizionare sau o ofertă insuficientă în funcție de articol.
Măsurarea ofertei excesive și insuficiente din datele istorice
Secțiunea anterioară a demonstrat o modalitate grafică de a observa predicțiile; un alt mod de a le vizualiza este într-un mod tabelar, așa cum se arată în tabelul următor. Atunci când se creează modele de serie de timp, o parte din date este reținută de la operațiunea de antrenament, ceea ce permite generarea de metrici de precizie. Deși viitorul este incert, ideea principală aici este că acuratețea în timpul unei perioade de reținere este cea mai bună aproximare a modului în care vor funcționa previziunile de mâine, toate celelalte lucruri fiind egale.
Tabelul nu afișează valori de precizie; mai degrabă, arată valori adevărate cunoscute din trecut, alături de câteva predicții cuantile de la p50 la p90 în pași de 10. În timpul recentelor cinci perioade istorice, cererea reală a fost de 218 unități. Predicțiile cuantile oferă o gamă de valori, de la un minim de 189 de unități, la un maxim de 314 unități. Cu următorul tabel, este ușor să vezi că p50 și p60 au ca rezultat o ofertă insuficientă, iar ultimele trei cuantile duc la o ofertă excesivă.
Am subliniat anterior că există o asimetrie în ceea ce privește supra și subofertă. Majoritatea companiilor care fac o alegere conștientă de a supraoferta fac acest lucru pentru a evita dezamăgirea clienților. Întrebarea critică devine: „Pentru viitorul viitor, cu ce număr de predicție cuantilă ar trebui să se planifice afacerile?” Având în vedere asimetria care există, trebuie luată o decizie ponderată. Această nevoie este abordată în secțiunea următoare, unde cantitățile prognozate, ca unități, sunt convertite la semnificațiile lor financiare respective.
Selectarea automată a punctelor cuantile corecte pe baza maximizării profitului sau a obiectivelor de servicii pentru clienți
Pentru a converti valorile cuantile în valori comerciale, trebuie să găsim penalitatea asociată fiecărei unități de suprastoc și cu fiecare unitate de stoc insuficient, deoarece acestea sunt rareori egale. O soluție pentru această nevoie este bine documentată și studiată în domeniul cercetării operaționale, denumită problemă de știri. Whitin (1955) a fost primul care a formulat un model de cerere cu efecte de prețuri incluse. Problema vânzătorului de știri este numită dintr-o perioadă în care vânzătorii de știri trebuiau să decidă câte ziare să cumpere pentru ziua respectivă. Dacă ar alege un număr prea mic, s-ar epuiza mai devreme și nu s-ar atinge potențialul de venit în ziua respectivă. Dacă alegeau un număr prea mare, erau blocați cu „știrile de ieri” și riscau să piardă o parte din investiția speculativă de dimineață.
Pentru a calcula penalitățile pe unitate, există câteva date necesare pentru fiecare articol pe care doriți să-l prognozați. De asemenea, puteți crește complexitatea prin specificarea datelor ca pereche articol+locație, pereche articol+client sau alte combinații în funcție de nevoia afacerii.
- Valoarea estimată a vânzărilor pentru articol.
- Costul total al bunurilor pentru achiziționarea sau fabricarea articolului.
- Costurile estimate de deținere asociate cu transportarea articolului în stoc, dacă nevândute.
- Valoarea de recuperare a articolului, dacă nevândut. Dacă este foarte perisabilă, valoarea de salvare s-ar putea apropia de zero, rezultând o pierdere totală a costului inițial al investiției în mărfuri. Când este stabilă la raft, valoarea de salvare poate scădea oriunde sub valoarea de vânzare estimată pentru articol, în funcție de natura unui articol stocat și potențial îmbătrânit.
Următorul tabel demonstrează modul în care punctele cuantile au fost auto-selectate dintre punctele de prognoză disponibile în perioadele istorice cunoscute. Luați în considerare exemplul articolului 3, care a avut o cerere reală de 1,578 de unități în perioadele anterioare. O estimare p50 de 1,288 de unități ar fi furnizat insuficient, în timp ce o valoare p90 de 2,578 de unități ar fi produs un surplus. Dintre cuantilele observate, valoarea p70 produce un profit maxim de 7,301 USD. Știind acest lucru, puteți vedea cum o selecție p50 ar duce la o penalizare de aproape 1,300 USD, în comparație cu valoarea p70. Acesta este doar un exemplu, dar fiecare element din tabel are o poveste unică de spus.
Prezentare generală a soluțiilor
Următoarea diagramă ilustrează un flux de lucru propus. Primul, Amazon SageMaker Data Wrangler consumă predicții backtest produse de un prognozator de serii cronologice. În continuare, predicțiile backtest și datele reale cunoscute sunt combinate cu metadatele financiare pe bază de articol. În acest moment, folosind previziunile de backtest, o transformare SageMaker Data Wrangler calculează costul unitar pentru estimarea sub și peste per articol.
SageMaker Data Wrangler traduce prognoza unității într-un context financiar și selectează automat cuantila specifică articolului care oferă cea mai mare cantitate de profit dintre cuantilele examinate. Ieșirea este un set tabelar de date, stocat pe Amazon S3 și este similar conceptual cu tabelul din secțiunea anterioară.
În cele din urmă, un prognozator de serii temporale este utilizat pentru a produce prognoze cu date viitoare pentru perioade viitoare. Aici, puteți alege, de asemenea, să conduceți operațiuni de inferență sau să acționați asupra datelor de inferență, în funcție de care a fost aleasă cuantila. Acest lucru vă poate permite să reduceți costurile de calcul, eliminând și povara revizuirii manuale a fiecărui articol. Experții din compania dvs. pot avea mai mult timp să se concentreze asupra articolelor de mare valoare, în timp ce mii de articole din catalogul dvs. pot avea ajustări automate aplicate. Ca punct de vedere, viitorul are un anumit grad de incertitudine. Cu toate acestea, toate celelalte lucruri fiind egale, o selecție mixtă de cuantile ar trebui să optimizeze rezultatele într-un set general de serii temporale. Aici, la AWS, vă sfătuim să utilizați două cicluri de predicție de reținere pentru a cuantifica gradul de îmbunătățiri găsite cu selecția cuantilă mixtă.
Îndrumări pentru soluții pentru a vă accelera implementarea
Dacă doriți să recreați soluția de selecție cuantilă discutată în această postare și să o adaptați la propriul set de date, vă oferim un set de mostre sintetice de date și un fișier de flux SageMaker Data Wrangler de probă pentru a începe. GitHub. Întreaga experiență practică ar trebui să vă dureze mai puțin de o oră.
Vă oferim această postare și îndrumări despre soluții pentru a vă ajuta să vă accelerați timpul de lansare pe piață. Factorul principal pentru recomandarea unor cuantile specifice este SageMaker Data Wrangler, un serviciu AWS conceput special menit să reducă timpul necesar pregătirii datelor pentru cazurile de utilizare ML. SageMaker Data Wrangler oferă o interfață vizuală pentru a proiecta transformări ale datelor, a analiza datele și a realiza inginerie de caracteristici.
Dacă sunteți nou la SageMaker Data Wrangler, consultați Începeți cu Data Wrangler pentru a înțelege cum să lansați serviciul prin Amazon SageMaker Studio. În mod independent, avem mai mult de 150 de postări pe blog care ajută la descoperirea diverselor exemple de transformări ale datelor abordate de serviciu.
Concluzie
În această postare, am discutat despre modul în care regresia cuantilă permite mai multe puncte de decizie de afaceri în prognoza seriilor temporale. Am discutat, de asemenea, penalizările dezechilibrate ale costurilor asociate cu previziunile excesive și insuficiente — de multe ori penalitatea pentru oferta insuficientă este mai mulți multipli ai penalizării pentru supraofertă, ca să nu mai vorbim că oferta insuficientă poate cauza pierderea fondului comercial cu clienții.
Postarea a discutat despre modul în care organizațiile pot evalua mai multe puncte de predicție cuantile ținând cont de costurile de supraaprovizionare și subaprovizionare ale fiecărui articol pentru a selecta automat cuantila care ar putea oferi cel mai mare profit în perioadele viitoare. Când este necesar, puteți suprascrie selecția atunci când regulile de afaceri doresc o cuantilă fixă față de una dinamică.
Procesul este conceput pentru a ajuta la îndeplinirea obiectivelor de afaceri și financiare, eliminând în același timp fricțiunea de a aplica manual apeluri de judecată pentru fiecare element prognozat. SageMaker Data Wrangler ajută procesul să ruleze în mod continuu, deoarece selecția cuantilelor trebuie să fie dinamică odată cu schimbarea datelor din lumea reală.
Trebuie remarcat faptul că selecția cuantilelor nu este un eveniment unic. Procesul ar trebui evaluat și în timpul fiecărui ciclu de prognoză, pentru a ține seama de schimbări, inclusiv costul crescut al bunurilor, inflație, ajustări sezoniere, introducerea de noi produse, schimbarea cerințelor consumatorilor și multe altele. Procesul de optimizare propus este poziționat după generarea modelului în serie de timp, denumită pasul de antrenament al modelului. Selecțiile cuantilelor sunt făcute și utilizate cu etapa viitoare de generare a prognozei, uneori numită pasul de inferență.
Dacă aveți întrebări despre această postare sau doriți să faceți o scufundare mai aprofundată în nevoile dumneavoastră organizaționale unice, vă rugăm să contactați echipa dvs. de cont AWS, arhitectul dvs. de soluții AWS sau deschideți un nou caz în centrul nostru de asistență.
Referinte
- DeYong, GD (2020). Furnizorul de știri care stabilește prețul: recenzie și extensii. International Journal of Production Research, 58(6), 1776–1804.
- Liu, C., Letchford, AN și Svetunkov, I. (2022). Probleme cu Newsvendor: o metodă integrată de estimare și optimizare. Jurnalul European de Cercetare Operațională, 300(2), 590–601.
- Punia, S., Singh, SP și Madaan, JK (2020). De la analiza predictivă la cea prescriptivă: un model de furnizori de știri bazat pe mai multe articole. Sisteme de sprijinire a deciziilor, 136.
- Trapero, JR, Cardós, M. și Kourentzes, N. (2019). Combinația optimă de prognoză cuantilă pentru a îmbunătăți estimarea stocului de siguranță. International Journal of Forecasting, 35(1), 239–250.
- Whitin, TM (1955). Controlul stocurilor și teoria prețului. Management Sci. 2 61–68.
Despre autor
Charles Laughlin este arhitect principal de soluții AI/ML Specialist și lucrează în echipa de service Amazon SageMaker la AWS. El ajută la modelarea foii de parcurs pentru servicii și colaborează zilnic cu diverși clienți AWS pentru a ajuta la transformarea afacerilor lor folosind tehnologii AWS de ultimă oră și lider de gândire. Charles deține un MS în managementul lanțului de aprovizionare și un doctorat. în Data Science.
- Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
- PlatoData.Network Vertical Generative Ai. Împuterniciți-vă. Accesați Aici.
- PlatoAiStream. Web3 Intelligence. Cunoștințe amplificate. Accesați Aici.
- PlatoESG. carbon, CleanTech, Energie, Mediu inconjurator, Solar, Managementul deșeurilor. Accesați Aici.
- PlatoHealth. Biotehnologie și Inteligență pentru studii clinice. Accesați Aici.
- Sursa: https://aws.amazon.com/blogs/machine-learning/beyond-forecasting-the-delicate-balance-of-serving-customers-and-growing-your-business/
- :are
- :este
- :nu
- :Unde
- ][p
- 1
- 10
- 100
- 2019
- 2020
- 2022
- 420
- 7
- 95%
- a
- Despre Noi
- mai sus
- accelera
- acceptare
- Conform
- Cont
- precizie
- precis
- realizat
- dobândi
- act
- adapta
- plus
- adresa
- adresat
- ajustări
- sfătui
- După
- împotriva
- în vârstă de
- înainte
- AI / ML
- algoritmi
- TOATE
- permite
- permite
- pe langa
- de asemenea
- Cu toate ca
- Amazon
- Amazon SageMaker
- Amazon SageMaker Canvas
- Amazon Web Services
- printre
- sumă
- an
- Google Analytics
- analiza
- și
- O alta
- Orice
- oriunde
- aplicat
- Aplică
- abordare
- abordari
- aproximativ
- SUNT
- amenajat
- AS
- deoparte
- asociate
- At
- Automat
- în mod automat
- disponibil
- in medie
- evita
- AWS
- înapoi
- Backtest
- Sold
- Bilanț
- bilanțuri
- bazat
- bază
- BE
- deoarece
- deveni
- devine
- fost
- fiind
- de mai jos
- CEL MAI BUN
- între
- Dincolo de
- părtinire
- Blog
- De jos
- marca
- larg
- construit-in
- povară
- afaceri
- întreprinderi
- dar
- by
- denumit
- apeluri
- CAN
- pânză
- capacități
- transportate
- purtător
- caz
- cazuri
- Bani gheata
- catalog
- Provoca
- Centru
- centrat
- lanţ
- șansă
- Modificări
- schimbarea
- Charles
- alegere
- alegeri
- Alege
- alegere
- a ales
- ales
- combinaţie
- combinaţii
- Comun
- Companii
- companie
- comparație
- Completă
- complexitate
- complicat
- Calcula
- conceptual
- conştient
- Lua în considerare
- considerare
- constă
- constrângeri
- consumator
- context
- Control
- invers
- converti
- convertit
- Nucleu
- corecta
- A costat
- Cheltuieli
- ar putea
- cuplat
- crea
- Crearea
- critic
- client
- Serviciu clienți
- clienţii care
- ultima generație
- ciclu
- cicluri
- zilnic
- de date
- știința datelor
- Pe bază de date
- zi
- decide
- decizie
- Deciziile
- adânc
- Mai adânc
- Mod implicit
- Grad
- livra
- Cerere
- Prognoza cererii
- cererile
- demonstrat
- demonstrează
- În funcție
- descrie
- Amenajări
- proiectat
- dorință
- detaliu
- detalii
- determinarea
- dezvoltat
- dezamăgitor
- descoperi
- discuta
- discutat
- scufunda
- diferit
- do
- Nu
- domeniu
- jos
- conduce
- două
- în timpul
- dinamic
- fiecare
- Devreme
- uşor
- în mod eficient
- efecte
- eficient
- facilitator
- permite
- capăt
- Inginerie
- spori
- asigura
- Întreg
- egal
- mai ales
- estima
- european
- evalua
- evaluat
- eveniment
- Fiecare
- examina
- exemplu
- exemple
- depăși
- exces
- există
- de aşteptat
- experienţă
- expert
- experți
- și-a exprimat
- extensii
- Cădea
- mai repede
- Caracteristică
- puțini
- mai puține
- camp
- Figura
- Fișier
- financiar
- scopuri financiare
- Găsi
- First
- potrivi
- cinci
- fixată
- debit
- Concentra
- urma
- a urmat
- următor
- Pentru
- Prognoză
- prognoze
- formulare
- formulă
- Foster
- găsit
- Gratuit
- frecare
- din
- Complet
- mai mult
- viitor
- Futures
- genera
- generată
- generaţie
- geografic
- obține
- dat
- Gluon
- Goluri
- bine
- bunuri
- bunăvoință
- Verde
- În creştere
- îndrumare
- HAD
- hands-on
- Avea
- având în
- he
- Held
- ajutor
- ajută
- aici
- Înalt
- superior
- cea mai mare
- extrem de
- istoric
- istoric
- deținere
- deține
- orizont
- orizonturi
- oră
- Cum
- Cum Pentru a
- Totuși
- HTML
- HTTPS
- i
- idee
- Idle
- if
- ilustrează
- dezechilibru
- imediat
- îmbunătățiri
- in
- include
- inclus
- Inclusiv
- Venituri
- Crește
- a crescut
- independent
- inflaţiei
- Informa
- informații
- inițială
- intangibil
- integrate
- interesant
- interfaţă
- Internațional
- interpretare
- în
- Introducere
- inventar
- investiga
- investiţie
- Investiții
- IT
- articole
- alăturat
- jurnal
- călătorie
- Cunoaște
- Cunoaștere
- cunoscut
- Nume
- lansa
- conduce
- Conducere
- Conduce
- învăţare
- cel mai puțin
- lăsând
- mai puțin
- ca
- Probabil
- Limitat
- Linie
- logistică
- pe termen lung
- care pierde
- de pe
- Jos
- LOWER
- maşină
- masina de învățare
- făcut
- Principal
- face
- administrare
- manieră
- manual
- manual
- Producătorii
- multe
- Piață
- potrivire
- maximizarea
- maxim
- Mai..
- însemna
- sensuri
- mijloace
- a însemnat
- măsura
- Întâlni
- Metadata
- metodă
- Metode
- Metrici
- Misiune
- mixt
- ML
- model
- Modele
- Modern
- mai mult
- Dimineaţă
- cele mai multe
- în mişcare
- medii mobile
- multiplu
- trebuie sa
- Trebuie avut
- Numit
- Natură
- Navigaţi
- În apropiere
- necesar
- Nevoie
- necesar
- nevoilor
- Nou
- produs nou
- ştiri
- Presă
- următor
- notat
- acum
- număr
- observa
- of
- oferi
- promoții
- de multe ori
- on
- ONE
- în curs de desfășurare
- afară
- deschide
- open-source
- Software open-source
- funcionar
- operaţie
- operațional
- Operațiuni
- optimă
- optimizare
- Optimizați
- or
- comenzilor
- obișnuit
- de organizare
- organizații
- original
- Altele
- al nostru
- afară
- rezultate
- producție
- peste
- global
- trece peste
- Stoc excedentar
- propriu
- pachet
- pereche
- parte
- parteneri
- piese
- trecut
- pentru
- Efectua
- perioadă
- perioadele
- perspectivă
- piese
- plan
- planificare
- Plato
- Informații despre date Platon
- PlatoData
- "vă rog"
- Punct
- puncte
- poziţionat
- posibil
- Post
- potenţial
- potenţial
- prezicere
- Predictii
- a prefera
- Pregăti
- împiedica
- precedent
- în prealabil
- preţ
- de stabilire a prețurilor
- primar
- Principal
- anterior
- Problemă
- probleme
- proces
- produce
- Produs
- produce
- Produs
- producere
- Produse
- Profit
- profiturile
- propus
- furniza
- furnizează
- cumpărare
- urmări
- întrebare
- Întrebări
- Rapid
- R
- gamă
- rareori
- tarife
- mai degraba
- ajunge
- real
- lumea reală
- realizat
- motiv
- recent
- recomandând
- Roșu
- reduce
- trimite
- menționat
- relativ
- se bazează
- rămas
- eliminarea
- cercetare
- resursă
- Resurse
- respectiv
- rezultat
- rezultând
- cu amănuntul
- vânzător cu amănuntul
- comercianții cu amănuntul
- revizuiască
- Risc
- foaie de parcurs
- norme
- Alerga
- funcţionare
- s
- Siguranţă
- sagemaker
- de vânzări
- acelaşi
- scenarii
- SCI
- Ştiinţă
- sezonier
- Secțiune
- secțiuni
- vedea
- urmăreşte
- selectarea
- selecţie
- vinde
- Vanzatorii
- serie
- servi
- serviciu
- Servicii
- servire
- set
- câteva
- Modela
- Distribuie
- coală
- Raft
- SCHIMBARE
- cumpărători
- Pe termen scurt
- să
- Arăta
- indicat
- Emisiuni
- asemănător
- singur
- So
- Software
- vândut
- soluţie
- soluţii
- unele
- specialist
- specific
- speculativ
- pătrate
- stabil
- părțile interesate
- început
- de ultimă oră
- statistic
- Pas
- paşi
- stoc
- depozitare
- stocate
- Poveste
- drept
- strategii
- Strategie
- studiat
- de succes
- livra
- Cerere și ofertă
- lanțului de aprovizionare
- managementul lanțului de aprovizionare
- a sustine
- Sisteme de suport
- Sprijină
- excedent
- sintetic
- sisteme
- tabel
- Lua
- ia
- sarcini
- echipă
- Tehnologii
- spune
- decât
- acea
- Viitorul
- lor
- Lor
- teorie
- Acolo.
- Acestea
- ei
- lucruri
- crede
- acest
- aceste
- gândit
- conducerea gândirii
- mii
- trei
- Prin
- timp
- Seria de timp
- la
- de asemenea
- greu
- față de
- Trading
- Pregătire
- Transforma
- transformări
- adevărat
- valoare adevarata
- Două
- tipic
- în cele din urmă
- Nesigur
- Incertitudine
- în
- înţelege
- unic
- unitate
- de unităţi
- până la
- utilizare
- utilizat
- folosind
- valoare
- Valori
- varietate
- Vizualizare
- vrea
- a fost
- Cale..
- we
- web
- servicii web
- BINE
- au fost
- indiferent de
- cand
- oricând
- întrucât
- dacă
- care
- în timp ce
- OMS
- larg
- Gamă largă
- voi
- cu
- în
- fără
- flux de lucru
- fabrică
- ar
- Tu
- Ta
- zephyrnet
- zero