Podjetja uporabljajo napovedovanje časovnih vrst za sprejemanje ključnih načrtovalskih odločitev, ki jim pomagajo krmariti skozi negotove prihodnosti. Ta objava je namenjena obravnavanju deležnikov dobavne verige, ki imajo skupno potrebo po določanju, koliko končnih izdelkov je potrebnih v različnih časovnih obdobjih načrtovanja. Poleg načrtovanja, koliko enot blaga potrebujejo, morajo podjetja pogosto vedeti, kje jih bodo potrebovali, da ustvarijo geografsko optimalno zalogo.
Občutljivo ravnotežje med presežno in premajhno ponudbo
Če proizvajalci proizvedejo premalo delov ali končnih izdelkov, lahko posledična premajhna ponudba povzroči, da se težko odločijo za porazdelitev razpoložljivih virov med svojimi trgovinskimi partnerji ali poslovnimi enotami. Posledično imajo lahko naročila nižjo stopnjo sprejemljivosti z manj realiziranih dobičkov. Nadalje v dobavni verigi, če ima trgovec na drobno premalo izdelkov za prodajo glede na povpraševanje, lahko razočara kupce zaradi pomanjkanja zalog. Ko maloprodajni kupec takoj potrebuje, lahko ti primanjkljaji povzročijo nakup pri drugem prodajalcu ali nadomestljivi blagovni znamki. Ta zamenjava je lahko tveganje odliva, če alternativa postane nova privzeta vrednost.
Na drugi strani ponudbenega nihala lahko prevelika ponudba blaga povzroči tudi kazni. Odvečne predmete je treba zdaj hraniti v zalogi, dokler niso prodani. Pričakuje se, da bo določena stopnja varnostnih zalog pomagala pri krmarjenju skozi pričakovano negotovost povpraševanja; vendar presežek zalog povzroči neučinkovitost, ki lahko zmanjša dobiček organizacije. Zlasti kadar so izdelki pokvarljivi, lahko presežna ponudba povzroči izgubo celotne ali dela začetne naložbe za pridobitev prodajnega končnega blaga.
Tudi če izdelki niso pokvarljivi, med skladiščenjem dejansko postanejo neuporaben vir, ki bi bil lahko na voljo v bilanci stanja kot brezplačna gotovina ali uporabljen za druge naložbe. Če odmislimo bilance stanja, stroški skladiščenja in prenašanja niso brezplačni. Organizacije imajo običajno omejeno količino urejenih skladiščnih in logističnih zmogljivosti. Delovati morajo znotraj teh omejitev in učinkovito uporabljati razpoložljive vire.
Večina organizacij se v povprečju sooči z izbiro med preveliko in premajhno ponudbo. Merljivi stroški nezadostne ponudbe so pogosto višji, včasih za večkrat, v primerjavi s stroški presežne ponudbe, o čemer razpravljamo v naslednjih razdelkih.
Glavni razlog za nagnjenost k preveliki ponudbi je izogibanje nematerialnim stroškom izgube dobrega imena pri kupcih, kadar izdelki niso na voljo. Proizvajalci in trgovci na drobno razmišljajo o dolgoročni vrednosti za kupce in želijo spodbujati zvestobo blagovni znamki – to poslanstvo pomaga informirati njihovo strategijo dobavne verige.
V tem razdelku smo preučili neenakosti, ki so posledica dodeljevanja preveč ali premalo sredstev po postopku načrtovanja povpraševanja. Nato raziskujemo napovedovanje časovnih vrst in kako se lahko napovedi povpraševanja optimalno ujemajo s strategijami ponudbe na ravni artiklov.
Klasični pristopi k ciklom načrtovanja prodaje in poslovanja
Zgodovinsko gledano je bilo napovedovanje doseženo s statističnimi metodami, ki dajejo točkovne napovedi, ki zagotavljajo najverjetnejšo vrednost za prihodnost. Ta pristop pogosto temelji na oblikah drsečih povprečij ali linearne regresije, ki poskuša prilagoditi model z uporabo navadnega pristopa najmanjših kvadratov. Točkovna napoved je sestavljena iz ene same srednje napovedane vrednosti. Ker je vrednost napovedi točke osredotočena na povprečje, se pričakuje, da bo prava vrednost nad povprečjem, približno 50 % časa. Tako ostane preostalih 50 % časa, ko bo pravo število padlo pod napovedano točko.
Točkovne napovedi so lahko zanimive, vendar lahko povzročijo, da trgovcem na drobno v 50 % primerov zmanjka artiklov, ki jih morate imeti, če jih upoštevate brez strokovnega pregleda. Da bi preprečili nezadostno ponudbo strank, načrtovalci ponudbe in povpraševanja uporabijo ročne preglasitve presoje ali prilagodijo točkovne napovedi s formulo varnostne zaloge. Podjetja lahko uporabijo svojo lastno razlago formule za varnostne zaloge, vendar je ideja zagotoviti, da je dobava izdelkov na voljo v negotovem kratkoročnem obdobju. Na koncu se bodo načrtovalci morali odločiti, ali bodo napovedi napovedi srednje vrednosti napihnili ali znižali v skladu s svojimi pravili, interpretacijami in subjektivnim pogledom na prihodnost.
Sodobno, najsodobnejše napovedovanje časovnih vrst omogoča izbiro
Za izpolnjevanje potreb po napovedih v resničnem svetu AWS zagotavlja širok in globok nabor zmogljivosti, ki zagotavljajo sodoben pristop k napovedovanju časovnih vrst. Ponujamo storitve strojnega učenja (ML), ki vključujejo, vendar niso omejene na Amazon SageMaker Canvas (za podrobnosti glejte Hitreje usposobite model za napovedovanje časovnih vrst z Amazon SageMaker Canvas Quick build), Amazonska napoved (Začnite svojo uspešno pot z napovedovanjem časovnih vrst z Amazon Forecast), In Amazon SageMaker vgrajeni algoritmi (Globoko napovedovanje povpraševanja z Amazon SageMaker). Poleg tega je AWS razvil odprtokodni programski paket, AutoGluon, ki podpira različna opravila ML, vključno s tistimi v domeni časovnih vrst. Za več informacij glejte Enostavno in natančno napovedovanje z AutoGluon-TimeSeries.
Upoštevajte točkovno napoved, obravnavano v prejšnjem razdelku. Podatki iz resničnega sveta so bolj zapleteni, kot jih je mogoče izraziti s povprečno ali ravno regresijsko oceno. Poleg tega potrebujete zaradi neravnovesja presežka in premajhne ponudbe več kot eno točkovno oceno. Storitve AWS to potrebo obravnavajo z uporabo modelov ML skupaj s kvantilno regresijo. Kvantilna regresija vam omogoča, da izbirate med številnimi scenariji načrtovanja, ki so izraženi kot kvantili, namesto da bi se zanašali na enotočkovne napovedi. Prav ti kvantili ponujajo izbiro, ki jo bomo podrobneje opisali v naslednjem razdelku.
Napovedi, oblikovane tako, da služijo strankam in ustvarjajo poslovno rast
Naslednja slika prikazuje vizualni prikaz napovedi časovne vrste z več rezultati, ki jih omogoča kvantilna regresija. Rdeča črta, označena s p05, ponuja verjetnost, da bo realna številka, kakršna koli že, padla pod črto p05, približno 5 % časa. Nasprotno pa to pomeni, da bo pravo število v 95 % primerov verjetno padlo nad črto p05.
Nato opazujte zeleno črto, označeno s p70. Prava vrednost bo približno 70 % časa padla pod črto p70, kar pomeni 30 % možnosti, da bo presegla p70. Linija p50 zagotavlja sredinsko perspektivo o prihodnosti, pri čemer je verjetnost 50/50, da bodo vrednosti v povprečju padle nad ali pod p50. To so primeri, vendar je vsak kvantil mogoče interpretirati na enak način.
V naslednjem razdelku preučujemo, kako izmeriti, ali kvantilne napovedi povzročijo presežek ali premajhno ponudbo po artiklih.
Merjenje presežne in premajhne ponudbe iz zgodovinskih podatkov
Prejšnji razdelek je prikazal grafični način opazovanja napovedi; drug način za ogled je tabelarni način, kot je prikazano v naslednji tabeli. Pri ustvarjanju modelov časovnih vrst je del podatkov zadržan od operacije usposabljanja, kar omogoča generiranje meritev točnosti. Čeprav je prihodnost negotova, je glavna ideja tukaj, da je natančnost med obdobjem zadrževanja najboljši približek delovanja jutrišnjih napovedi, če so vse ostale enake.
Tabela ne prikazuje meritev natančnosti; namesto tega prikazuje prave vrednosti, znane iz preteklosti, skupaj z več kvantilnimi napovedmi od p50 do p90 v korakih po 10. V nedavnih zgodovinskih petih časovnih obdobjih je bilo resnično povpraševanje 218 enot. Kvantilne napovedi ponujajo razpon vrednosti, od nizke 189 enot do visoke 314 enot. Z naslednjo tabelo je enostavno videti, da p50 in p60 povzročita premajhno ponudbo, zadnji trije kvantili pa povzročijo presežno ponudbo.
Prej smo poudarili, da obstaja asimetrija v presežni in premajhni ponudbi. Večina podjetij, ki se zavestno odloči za prekomerno ponudbo, to stori, da ne bi razočarala strank. Ključno vprašanje postane: "Za prihodnost, katero kvantilno napovedno številko bi moral poslovni načrt upoštevati?" Glede na asimetrijo, ki obstaja, je treba sprejeti tehtano odločitev. Ta potreba je obravnavana v naslednjem razdelku, kjer so napovedane količine kot enote pretvorjene v ustrezne finančne pomene.
Samodejno izbiranje pravilnih kvantilnih točk na podlagi ciljev maksimiranja dobička ali storitev za stranke
Za pretvorbo kvantilnih vrednosti v poslovne vrednosti moramo poiskati kazen, povezano z vsako enoto presežne zaloge in z vsako enoto premajhne zaloge, ker sta le redko enaki. Rešitev za to potrebo je dobro dokumentirana in raziskana na področju operacijskih raziskav, imenovana problem prodajalca novic. Whitin (1955) je prvi oblikoval model povpraševanja z vključenimi učinki oblikovanja cen. Problem prodajalca novic je dobil ime po času, ko so se prodajalci novic morali odločiti, koliko časopisov bodo kupili na dan. Če bi izbrali prenizko številko, bi zgodaj razprodali in ne bi dosegli svojega potencialnega dohodka na dan. Če so izbrali previsoko številko, so ostali pri »včerajšnjih novicah« in bi tvegali izgubo dela svoje zgodnjejutranje špekulativne naložbe.
Za izračun presežkov in prenizkih kazni na enoto je za vsako postavko, ki jo želite napovedati, potrebnih nekaj podatkov. Kompleksnost lahko povečate tudi tako, da podate podatke kot par element+lokacija, par element+stranka ali druge kombinacije glede na poslovne potrebe.
- Pričakovana prodajna vrednost artikla.
- Celotni strošek blaga za nakup ali izdelavo predmeta.
- Ocenjeni stroški hrambe, povezani s prenašanjem predmeta v zalogi, če ni prodan.
- Odstranjena vrednost predmeta, če ni prodan. Če je zelo pokvarljivo, se lahko vrednost reševanja približa ničli, kar povzroči popolno izgubo prvotne vrednosti naložbe v blago. Ko je na policah stabilen, lahko odpadna vrednost pade kjer koli pod pričakovano prodajno vrednost predmeta, odvisno od narave shranjenega in potencialno starega predmeta.
Naslednja tabela prikazuje, kako so bile kvantilne točke samoizbrane med razpoložljivimi točkami napovedi v znanih zgodovinskih obdobjih. Razmislite o primeru postavke 3, ki je imela dejansko povpraševanje 1,578 enot v prejšnjih obdobjih. Ocena p50 1,288 enot bi pomenila premajhno ponudbo, medtem ko bi vrednost p90 2,578 enot povzročila presežek. Med opazovanimi kvantili vrednost p70 ustvari največji dobiček v višini 7,301 USD. Če to veste, lahko vidite, kako bi izbira p50 povzročila kazen v višini skoraj 1,300 USD v primerjavi z vrednostjo p70. To je samo en primer, vendar ima vsak element v tabeli edinstveno zgodbo.
Pregled rešitev
Naslednji diagram prikazuje predlagani potek dela. Prvič, Amazon SageMaker Data Wrangler porabi napovedi preizkušenj, ki jih pripravi napovedovalec časovnih vrst. Nato se napovedi testiranja za nazaj in znane dejanske vrednosti združijo s finančnimi metapodatki na podlagi postavke. Na tej točki pretvorba SageMaker Data Wrangler z uporabo napovedi testiranja za nazaj izračuna stroške na enoto za premajhne in previsoke napovedi na element.
SageMaker Data Wrangler prevede napoved enote v finančni kontekst in samodejno izbere kvantil, specifičen za postavko, ki zagotavlja največji znesek dobička med pregledanimi kvantili. Izhod je tabelarični nabor podatkov, shranjen na Amazon S3 in je konceptualno podoben tabeli v prejšnjem razdelku.
Nazadnje se za izdelavo napovedi za prihodnja obdobja uporablja napovedovalec časovnih vrst. Tukaj se lahko odločite tudi za izvajanje operacij sklepanja ali ukrepanje na podlagi podatkov sklepanja, glede na to, kateri kvantil je bil izbran. To vam lahko omogoči zmanjšanje računskih stroškov, hkrati pa odstrani breme ročnega pregleda vsakega posameznega elementa. Strokovnjaki v vašem podjetju imajo lahko več časa, da se osredotočijo na predmete visoke vrednosti, medtem ko se lahko na tisoče predmetov v vašem katalogu samodejno prilagodi. Če pogledamo, je prihodnost določena stopnja negotovosti. Če pa so vse druge stvari enake, bi moral mešani izbor kvantilov optimizirati rezultate v celotnem naboru časovnih vrst. Pri AWS vam svetujemo, da uporabite dva cikla napovedi zadrževanja, da količinsko opredelite stopnjo izboljšav, ugotovljenih z izbiro mešanega kvantila.
Navodila za rešitev za pospešitev izvajanja
Če želite znova ustvariti rešitev kvantilnega izbora, o kateri razpravljamo v tej objavi, in jo prilagoditi svojemu naboru podatkov, nudimo sintetični vzorčni nabor podatkov in vzorčno datoteko toka SageMaker Data Wrangler, da boste lahko začeli GitHub. Celotna praktična izkušnja vam bo vzela manj kot eno uro.
Zagotavljamo to objavo in smernice za vzorčne rešitve, da vam pomagamo pospešiti čas do trga. Primarni dejavnik za priporočanje določenih kvantilov je SageMaker Data Wrangler, namensko ustvarjena storitev AWS, namenjena skrajšanju časa, ki je potreben za pripravo podatkov za primere uporabe ML. SageMaker Data Wrangler ponuja vizualni vmesnik za načrtovanje transformacij podatkov, analizo podatkov in izvajanje inženiringa funkcij.
Če še niste uporabljali SageMaker Data Wrangler, glejte Začnite z Data Wrangler razumeti, kako zagnati storitev Amazon SageMaker Studio. Samostojno imamo več kot 150 objav v blogu ki pomagajo odkriti različne vzorčne transformacije podatkov, ki jih obravnava storitev.
zaključek
V tej objavi smo razpravljali o tem, kako kvantilna regresija omogoča več točk poslovnih odločitev pri napovedovanju časovnih vrst. Razpravljali smo tudi o neuravnoteženih stroškovnih kaznih, povezanih s previsokimi in premajhnimi napovedmi – pogosto je kazen za premajhno ponudbo večkratna kazen za preveliko ponudbo, da ne omenjamo, da lahko premajhna ponudba povzroči izgubo dobrega imena pri strankah.
Objava je razpravljala o tem, kako lahko organizacije ovrednotijo več kvantilnih napovednih točk z upoštevanjem stroškov presežne in premajhne ponudbe vsakega artikla, da samodejno izberejo kvantil, ki bo verjetno zagotovil največji dobiček v prihodnjih obdobjih. Po potrebi lahko izbor preglasite, ko poslovna pravila zahtevajo fiksni kvantil namesto dinamičnega.
Postopek je zasnovan tako, da pomaga pri izpolnjevanju poslovnih in finančnih ciljev, hkrati pa odpravlja trenje zaradi ročne uporabe presoj za vsako napovedano postavko. SageMaker Data Wrangler pomaga pri neprekinjenem izvajanju procesa, ker mora biti izbira kvantilov dinamična s spreminjanjem podatkov iz resničnega sveta.
Opozoriti je treba, da izbira kvantila ni enkraten dogodek. Postopek je treba oceniti tudi med vsakim ciklom napovedovanja, da se upoštevajo spremembe, vključno z višjimi stroški blaga, inflacijo, sezonskimi prilagoditvami, uvedbo novih izdelkov, spreminjajočimi se zahtevami potrošnikov in še več. Predlagani postopek optimizacije je postavljen za generiranjem modela časovne serije, kar imenujemo korak usposabljanja modela. Kvantilne izbire se naredijo in uporabijo s korakom ustvarjanja prihodnje napovedi, ki se včasih imenuje korak sklepanja.
Če imate kakršna koli vprašanja o tej objavi ali bi se radi podrobneje poglobili v svoje edinstvene organizacijske potrebe, se obrnite na svojo skupino za račun AWS, svojega arhitekta rešitev AWS ali odprite nov primer v našem centru za podporo.
Reference
- DeYong, GD (2020). Prodajalec novic, ki določa cene: pregled in razširitve. International Journal of Production Research, 58(6), 1776–1804.
- Liu, C., Letchford, AN, & Svetunkov, I. (2022). Težave prodajalca novic: integrirana metoda za ocenjevanje in optimizacijo. European Journal of Operational Research, 300(2), 590–601.
- Punia, S., Singh, SP, & Madaan, JK (2020). Od napovedne do predpisujoče analitike: model prodajalca novic z več artikli, ki temelji na podatkih. Sistemi za podporo odločanju, 136.
- Trapero, JR, Cardós, M. in Kourentzes, N. (2019). Optimalna kombinacija kvantilne napovedi za izboljšanje ocene varnostne zaloge. International Journal of Forecasting, 35(1), 239–250.
- Whitin, TM (1955). Nadzor zalog in teorija cen. Management Sci. 2 61–68.
O Author
Charles Laughlin je glavni arhitekt za rešitve AI/ML in dela v skupini storitev Amazon SageMaker pri AWS. Pomaga oblikovati načrt storitev in dnevno sodeluje z različnimi strankami AWS, da bi pomagal preoblikovati njihova podjetja z uporabo vrhunskih tehnologij AWS in miselnega vodstva. Charles ima magisterij iz upravljanja dobavne verige in doktorat znanosti. v podatkovni znanosti.
- Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
- PlatoData.Network Vertical Generative Ai. Opolnomočite se. Dostopite tukaj.
- PlatoAiStream. Web3 Intelligence. Razširjeno znanje. Dostopite tukaj.
- PlatoESG. Ogljik, CleanTech, Energija, Okolje, sončna energija, Ravnanje z odpadki. Dostopite tukaj.
- PlatoHealth. Obveščanje o biotehnologiji in kliničnih preskušanjih. Dostopite tukaj.
- vir: https://aws.amazon.com/blogs/machine-learning/beyond-forecasting-the-delicate-balance-of-serving-customers-and-growing-your-business/
- :ima
- : je
- :ne
- :kje
- ][str
- 1
- 10
- 100
- 2019
- 2020
- 2022
- 420
- 7
- 95%
- a
- O meni
- nad
- pospeši
- sprejem
- Po
- Račun
- natančnost
- natančna
- doseže
- pridobiti
- Zakon
- prilagodijo
- Poleg tega
- Naslov
- naslovljena
- Popravki
- svetuje
- po
- proti
- stari
- naprej
- AI / ML
- algoritmi
- vsi
- omogočajo
- omogoča
- skupaj
- Prav tako
- Čeprav
- Amazon
- Amazon SageMaker
- Amazon SageMaker Canvas
- Amazon Web Services
- med
- znesek
- an
- analitika
- analizirati
- in
- Še ena
- kaj
- kjerkoli
- uporabna
- Uporabi
- pristop
- pristopi
- približno
- SE
- urejeno
- AS
- na stran
- povezan
- At
- Samodejno
- samodejno
- Na voljo
- povprečno
- izogniti
- AWS
- nazaj
- Backtest
- Ravnovesje
- Bilanca stanja
- bilance stanja
- temeljijo
- Osnova
- BE
- ker
- postanejo
- postane
- bilo
- počutje
- spodaj
- BEST
- med
- Poleg
- pristranskosti
- Blog
- Bottom
- blagovne znamke
- široka
- vgrajeno
- obremenitev
- poslovni
- podjetja
- vendar
- by
- se imenuje
- poziva
- CAN
- platno
- Zmogljivosti
- prenašal
- knjigovodska
- primeru
- primeri
- Denar
- Katalog
- Vzrok
- center
- centrirano
- verige
- priložnost
- Spremembe
- spreminjanje
- Charles
- izbira
- možnosti
- Izberite
- izbiri
- izbral
- izbran
- kombinacija
- kombinacije
- Skupno
- Podjetja
- podjetje
- v primerjavi z letom
- dokončanje
- kompleksnost
- zapleten
- Izračunajte
- Konceptualno
- zavestno
- Razmislite
- premislek
- vsebuje
- omejitve
- Potrošnik
- ozadje
- nadzor
- nasprotno
- pretvorbo
- pretvori
- Core
- popravi
- strošek
- stroški
- bi
- skupaj
- ustvarjajo
- Ustvarjanje
- kritično
- stranka
- Za stranke
- Stranke, ki so
- vrhunsko
- cikel
- ciklov
- vsak dan
- datum
- znanost o podatkih
- Podatkov usmerjenih
- dan
- odloča
- Odločitev
- odločitve
- globoko
- globlje
- privzeto
- Stopnja
- poda
- Povpraševanje
- Napoved povpraševanja
- zahteve
- Dokazano
- dokazuje,
- Odvisno
- opisati
- Oblikovanje
- zasnovan
- Želja
- Podatki
- Podrobnosti
- določanje
- razvili
- razočaranje
- odkriti
- razpravlja
- razpravljali
- potop
- razne
- do
- Ne
- domena
- navzdol
- pogon
- 2
- med
- dinamično
- vsak
- Zgodnje
- lahka
- učinkovito
- Učinki
- učinkovito
- omogočevalec
- omogoča
- konec
- Inženiring
- okrepi
- zagotovitev
- Celotna
- enako
- zlasti
- oceniti
- Evropski
- oceniti
- ocenili
- Event
- Tudi vsak
- preučiti
- Primer
- Primeri
- presega
- presežek
- obstaja
- Pričakuje
- izkušnje
- strokovnjak
- Strokovnjaki
- izražena
- razširitve
- Padec
- hitreje
- Feature
- Nekaj
- manj
- Polje
- Slika
- file
- finančna
- finančni cilji
- Najdi
- prva
- fit
- pet
- Všita
- Pretok
- Osredotočite
- sledi
- sledili
- po
- za
- Napoved
- Napovedi
- Obrazci
- Formula
- Spodbujati
- je pokazala,
- brezplačno
- trenja
- iz
- polno
- nadalje
- Prihodnost
- Terminske pogodbe
- ustvarjajo
- ustvarila
- generacija
- geografsko
- dobili
- dana
- Gluon
- Cilji
- dobro
- blago
- Dobro ime
- Zelen
- Pridelovanje
- Navodila
- imel
- hands-on
- Imajo
- ob
- he
- Hero
- pomoč
- Pomaga
- tukaj
- visoka
- več
- najvišja
- zelo
- Zgodovinski
- zgodovinski
- gospodarstvo
- drži
- obzorje
- Horizons
- uro
- Kako
- Kako
- Vendar
- HTML
- HTTPS
- i
- Ideja
- Mirovanje
- if
- ponazarja
- neravnovesje
- Takojšen
- Izboljšave
- in
- vključujejo
- vključeno
- Vključno
- prihodki
- Povečajte
- povečal
- neodvisno
- inflacija
- obvesti
- Podatki
- začetna
- nematerialno
- integrirana
- Zanimivo
- vmesnik
- Facebook Global
- razlago
- v
- Predstavitev
- inventar
- razišče
- naložbe
- naložbe
- IT
- Izdelkov
- pridružil
- Revija
- Potovanje
- Vedite
- Vedeti
- znano
- Zadnja
- kosilo
- vodi
- Vodstvo
- Interesenti
- učenje
- vsaj
- odhodu
- manj
- kot
- Verjeten
- Limited
- vrstica
- logistika
- dolgoročna
- izgube
- off
- nizka
- nižje
- stroj
- strojno učenje
- je
- Glavne
- Znamka
- upravljanje
- Način
- Navodilo
- ročno
- Proizvajalci
- več
- Tržna
- ujema
- maksimiranje
- največja
- Maj ..
- pomeni
- pomene
- pomeni
- pomenilo
- merjenje
- Srečati
- metapodatki
- Metoda
- Metode
- Meritve
- Mission
- mešano
- ML
- Model
- modeli
- sodobna
- več
- Jutro
- Najbolj
- premikanje
- drseče povprečje
- več
- morajo
- Must-have
- Imenovan
- Narava
- Krmarjenje
- Blizu
- potrebno
- Nimate
- potrebna
- potrebe
- Novo
- Nov izdelek
- novice
- Časopisi
- Naslednja
- opozoriti
- zdaj
- Številka
- opazujejo
- of
- ponudba
- Ponudbe
- pogosto
- on
- ONE
- v teku
- samo
- odprite
- open source
- Odprtokodna programska oprema
- deluje
- Delovanje
- operativno
- operacije
- optimalna
- optimizacija
- Optimizirajte
- or
- naročila
- redni
- organizacijsko
- organizacije
- izvirno
- Ostalo
- naši
- ven
- rezultatov
- izhod
- več
- Splošni
- preglasijo
- Presežek
- lastne
- paket
- par
- del
- partnerji
- deli
- preteklosti
- za
- Izvedite
- Obdobje
- obdobja
- perspektiva
- kosov
- Načrt
- načrtovanje
- platon
- Platonova podatkovna inteligenca
- PlatoData
- prosim
- Točka
- točke
- pozicioniran
- mogoče
- Prispevek
- potencial
- potencialno
- napoved
- Napovedi
- raje
- Pripravimo
- preprečiti
- prejšnja
- prej
- Cena
- cenitev
- primarni
- , ravnateljica
- Predhodna
- problem
- Težave
- Postopek
- proizvodnjo
- Proizvedeno
- proizvaja
- Izdelek
- proizvodnja
- Izdelki
- Dobiček
- dobiček
- predlagano
- zagotavljajo
- zagotavlja
- nakup
- zasledovati
- vprašanje
- vprašanja
- Hitri
- R
- območje
- redko
- Cene
- precej
- dosežejo
- pravo
- resnični svet
- realizirano
- Razlog
- nedavno
- priporočilo
- Rdeča
- zmanjša
- glejte
- besedilu
- relativna
- zanašajo
- Preostalih
- odstranjevanje
- Raziskave
- vir
- viri
- tisti,
- povzroči
- rezultat
- Trgovina na drobno
- trgovec na drobno
- trgovci na drobno
- pregleda
- Tveganje
- načrt
- pravila
- Run
- tek
- s
- Varnost
- sagemaker
- prodaja
- Enako
- scenariji
- SCI
- Znanost
- sezonska
- Oddelek
- oddelki
- glej
- Išče
- izbiranje
- izbor
- prodaja
- Prodajalci
- Serija
- služijo
- Storitev
- Storitve
- služijo
- nastavite
- več
- Oblikujte
- Delite s prijatelji, znanci, družino in partnerji :-)
- stanja
- Rok
- PREMIKANJE
- nakupovalci
- kratkoročno
- shouldnt
- Prikaži
- pokazale
- Razstave
- Podoben
- sam
- So
- Software
- prodaja
- Rešitev
- rešitve
- nekaj
- specialist
- specifična
- špekulativno
- kvadratov
- stabilna
- interesne skupine
- začel
- state-of-the-art
- Statistično
- Korak
- Koraki
- zaloge
- shranjevanje
- shranjeni
- Zgodba
- naravnost
- strategije
- Strategija
- študiral
- uspešno
- dobavi
- Ponudba in povpraševanje
- dobavne verige
- Upravljanje dobavne verige
- podpora
- Podporni sistemi
- Podpira
- Presežek
- sintetična
- sistemi
- miza
- Bodite
- meni
- Naloge
- skupina
- Tehnologije
- povej
- kot
- da
- O
- Prihodnost
- njihove
- Njih
- Teorija
- Tukaj.
- te
- jih
- stvari
- mislim
- ta
- tisti,
- mislil
- miselno vodstvo
- tisoče
- 3
- skozi
- čas
- Časovne serije
- do
- tudi
- težko
- proti
- Trgovanje
- usposabljanje
- Transform
- transformacije
- Res
- prava vrednost
- dva
- tipično
- Konec koncev
- Negotov
- Negotovost
- pod
- razumeli
- edinstven
- Enota
- enote
- dokler
- uporaba
- Rabljeni
- uporabo
- vrednost
- Vrednote
- raznolikost
- Poglej
- želeli
- je
- način..
- we
- web
- spletne storitve
- Dobro
- so bili
- karkoli
- kdaj
- kadar koli
- medtem ko
- ali
- ki
- medtem
- WHO
- široka
- Širok spekter
- bo
- z
- v
- brez
- potek dela
- deluje
- bi
- Vi
- Vaša rutina za
- zefirnet
- nič