Företag använder tidsserieprognoser för att fatta kärnplaneringsbeslut som hjälper dem att navigera genom osäkra framtider. Det här inlägget är tänkt att rikta sig till intressenter i försörjningskedjan, som delar ett gemensamt behov av att bestämma hur många färdiga varor som behövs över en blandad variation av planeringstidshorisonter. Förutom att planera hur många enheter varor som behövs behöver företag ofta veta var de kommer att behövas, för att skapa ett geografiskt optimalt lager.
Den känsliga balansen mellan över- och underutbud
Om tillverkarna producerar för få delar eller färdiga varor kan det resulterande underutbudet göra att de gör svåra val av att ransonera tillgängliga resurser bland sina handelspartners eller affärsenheter. Som ett resultat kan inköpsorder ha lägre acceptansgrader med färre realiserade vinster. Längre ner i försörjningskedjan, om en återförsäljare har för få produkter att sälja, i förhållande till efterfrågan, kan de göra kunderna besvikna på grund av slut i lager. När återförsäljaren har ett omedelbart behov kan dessa brister resultera i köp från en alternativ återförsäljare eller ett utbytbart varumärke. Denna substitution kan vara en churnrisk om suppleanten blir den nya standarden.
I andra änden av leveranspendeln kan ett överutbud av varor också medföra straffavgifter. Överskottsartiklar måste nu föras i lager tills de säljs. En viss grad av säkerhetslager förväntas hjälpa till att navigera genom förväntad efterfrågeosäkerhet; överskottslager leder dock till ineffektivitet som kan späda ut en organisations resultat. Särskilt när produkter är ömtåliga kan ett överutbud leda till förlust av hela eller delar av den initiala investeringen som gjorts för att förvärva den säljbara färdiga varan.
Även när produkter inte är ömtåliga, blir de under lagring i praktiken en ledig resurs som kan finnas tillgänglig på balansräkningen som gratis kontanter eller användas för att göra andra investeringar. Bortsett från balansräkningar är lagrings- och transportkostnader inte gratis. Organisationer har vanligtvis en begränsad mängd ordnade lager- och logistikmöjligheter. De måste verka inom dessa begränsningar och använda tillgängliga resurser effektivt.
Inför att välja mellan överutbud och underutbud föredrar de flesta organisationer i genomsnitt att överutbud genom ett uttryckligt val. Den mätbara kostnaden för underutbud är ofta högre, ibland med flera multiplar, jämfört med kostnaden för överutbud, som vi diskuterar i avsnitten som följer.
Den främsta orsaken till snedvridningen mot överutbud är att undvika den immateriella kostnaden för att förlora goodwill hos kunder närhelst produkter inte är tillgängliga. Tillverkare och återförsäljare tänker på långsiktigt kundvärde och vill främja varumärkeslojalitet – detta uppdrag hjälper till att informera deras strategi för leveranskedjan.
I det här avsnittet undersökte vi orättvisor till följd av att för många eller för få resurser tilldelats efter en efterfrågeplaneringsprocess. Därefter undersöker vi tidsserieprognoser och hur efterfrågeprognoser optimalt kan matchas med utbudsstrategier på artikelnivå.
Klassiska förhållningssätt till försäljnings- och verksamhetsplaneringscykler
Historiskt sett har prognoser åstadkommits med statistiska metoder som resulterar i punktprognoser, som ger ett mest troligt värde för framtiden. Detta tillvägagångssätt är ofta baserat på former av glidande medelvärden eller linjär regression, som försöker passa in en modell som använder en vanlig minsta kvadratmetod. En punktprognos består av ett enda medelvärde. Eftersom punktprognosvärdet är centrerat på ett medelvärde, förväntas det att det sanna värdet kommer att ligga över medelvärdet, ungefär 50 % av tiden. Detta lämnar en återstående 50% av tiden när det verkliga antalet kommer att falla under punktprognosen.
Punktprognoser kan vara intressanta, men de kan leda till att återförsäljare får slut på måste-ha-varor 50 % av gångerna om de följs utan expertgranskning. För att förhindra underbetjänade kunder tillämpar utbuds- och efterfrågeplanerare manuella åsidosättningar av bedömningar eller justerar punktprognoser med en säkerhetsbeståndsformel. Företag kan använda sin egen tolkning av en säkerhetslagerformel, men tanken är att säkerställa att produktförsörjningen är tillgänglig genom en osäker kortsiktig horisont. I slutändan kommer planerare att behöva bestämma om de ska blåsa upp eller tömma medelpunktsprognoserna, enligt deras regler, tolkningar och subjektiva syn på framtiden.
Moderna, toppmoderna tidsserieprognoser möjliggör val
För att möta verkliga prognosbehov tillhandahåller AWS en bred och djup uppsättning funktioner som levererar ett modernt tillvägagångssätt för tidsserieprognoser. Vi erbjuder tjänster för maskininlärning (ML) som inkluderar men inte är begränsade till Amazon SageMaker Canvas (för detaljer, se Träna en tidsserieprognosmodell snabbare med Amazon SageMaker Canvas Quick build), Amazon Prognos (Börja din framgångsrika resa med tidsserieprognoser med Amazon Forecast), Och Amazon SageMaker inbyggda algoritmer (Djup efterfrågeprognoser med Amazon SageMaker). Dessutom utvecklade AWS ett mjukvarupaket med öppen källkod, AutoGluon, som stöder olika ML-uppgifter, inklusive de i tidsseriedomänen. För mer information, se Enkel och exakt prognos med AutoGluon-TimeSeries.
Betrakta punktprognosen som diskuterades i föregående avsnitt. Verkliga data är mer komplicerade än vad som kan uttryckas med ett medelvärde eller en uppskattning av en rak regressionslinje. På grund av obalansen mellan över- och underutbud behöver du dessutom mer än en enstaka punktuppskattning. AWS-tjänster tillgodoser detta behov genom att använda ML-modeller i kombination med kvantilregression. Kvantilregression gör att du kan välja från ett brett utbud av planeringsscenarier, som uttrycks som kvantiler, snarare än att lita på enpunktsprognoser. Det är dessa kvantiler som erbjuder valmöjligheter, vilket vi beskriver mer i detalj i nästa avsnitt.
Prognoser utformade för att betjäna kunder och generera affärstillväxt
Följande figur ger en bild av en tidsserieprognos med flera utfall, möjliggjort genom kvantilregression. Den röda linjen, betecknad med p05, ger en sannolikhet att det reella talet, vad det än kan vara, förväntas falla under p05-linjen, cirka 5 % av tiden. Omvänt betyder detta att 95% av tiden kommer det sanna talet sannolikt att falla över p05-linjen.
Därefter observerar du den gröna linjen, betecknad med p70. Det sanna värdet kommer att falla under p70-linjen cirka 70 % av tiden, vilket ger en 30 % chans att det överskrider p70. P50-linjen ger ett mittpunktsperspektiv om framtiden, med en chans på 50/50 att värdena i genomsnitt faller över eller under p50. Dessa är exempel, men vilken kvantil som helst kan tolkas på samma sätt.
I följande avsnitt undersöker vi hur man mäter om kvantilprognoserna ger ett över- eller underutbud per artikel.
Mätning av över- och underutbud från historiska data
Det föregående avsnittet visade ett grafiskt sätt att observera förutsägelser; ett annat sätt att visa dem är i tabellform, som visas i följande tabell. När man skapar tidsseriemodeller hålls en del av datan tillbaka från träningsoperationen, vilket gör att noggrannhetsmått kan genereras. Även om framtiden är osäker, är huvudtanken här att noggrannhet under en uppehållsperiod är den bästa approximationen av hur morgondagens förutsägelser kommer att prestera, allt annat lika.
Tabellen visar inte noggrannhetsmått; snarare visar den sanna värden kända från det förflutna, tillsammans med flera kvantilförutsägelser från p50 till p90 i steg om 10. Under de senaste historiska fem tidsperioderna var den verkliga efterfrågan 218 enheter. Kvantilförutsägelser erbjuder en rad värden, från ett lågt värde på 189 enheter till ett högt värde på 314 enheter. Med följande tabell är det lätt att se p50 och p60 resultera i ett underutbud, och de tre sista kvantilerna resulterar i ett överutbud.
Vi har tidigare påpekat att det finns en asymmetri i över- och underutbud. De flesta företag som gör ett medvetet val att överutbud gör det för att undvika att göra kunderna besvikna. Den kritiska frågan blir: "För framtiden, vilket kvantilprognosnummer ska affärsplanen mot?" Med tanke på den asymmetri som finns behöver ett vägt beslut fattas. Detta behov tas upp i nästa avsnitt där prognostiserade kvantiteter, som enheter, omvandlas till sina respektive ekonomiska betydelser.
Automatiskt val av korrekta kvantilpoäng baserat på maximering av vinst eller kundservicemål
För att konvertera kvantilvärden till affärsvärden måste vi hitta straffvärdet för varje enhet av överlager och med varje enhet av underlager, eftersom dessa sällan är lika. En lösning för detta behov är väldokumenterad och studerad inom området operationsforskning, kallat ett nyhetsförsäljarproblem. Whitin (1955) var först med att formulera en efterfrågemodell med prissättningseffekter inkluderade. Nyhetsförsäljarproblemet är uppkallat från en tid då nyhetsförsäljare var tvungna att bestämma hur många tidningar de skulle köpa för dagen. Om de valde ett för lågt nummer skulle de sälja slut tidigt och inte nå sin inkomstpotential på dagen. Om de valde ett för högt tal, fastnade de för "gårdagens nyheter" och skulle riskera att förlora en del av sin spekulativa investering tidigt på morgonen.
För att beräkna över- och understraffet per enhet finns det några data som behövs för varje objekt du vill prognostisera. Du kan också öka komplexiteten genom att ange data som ett artikel+platspar, artikel+kundpar eller andra kombinationer enligt affärsbehov.
- Förväntat försäljningsvärde för varan.
- Totalkostnad för varor för att köpa eller tillverka föremålet.
- Beräknade lagringskostnader förknippade med att bära föremålet i lager, om osålt.
- Varans bärgningsvärde, om osålt. Om det är mycket lättförgängligt kan räddningsvärdet närma sig noll, vilket resulterar i en fullständig förlust av den ursprungliga kostnaden för varuinvesteringar. När hyllan är stabil kan bärgningsvärdet falla var som helst under det förväntade försäljningsvärdet för föremålet, beroende på arten av en lagrad och potentiellt åldrad vara.
Följande tabell visar hur kvantilpunkterna var självvalda bland tillgängliga prognospunkter under kända historiska perioder. Tänk på exemplet med artikel 3, som hade en sann efterfrågan på 1,578 50 enheter under tidigare perioder. En p1,288-uppskattning på 90 2,578 enheter skulle ha underutbud, medan ett p70-värde på 7,301 50 enheter skulle ha gett ett överskott. Bland de observerade kvantilerna ger p1,300-värdet en maximal vinst på $70 XNUMX. Genom att veta detta kan du se hur ett pXNUMX-val skulle resultera i en straff på nära XNUMX XNUMX $ jämfört med värdet pXNUMX. Detta är bara ett exempel, men varje objekt i tabellen har en unik historia att berätta.
Lösningsöversikt
Följande diagram illustrerar ett föreslaget arbetsflöde. Först, Amazon SageMaker Data Wrangler förbrukar backtest-förutsägelser producerade av en tidsserieprognosmakare. Därefter sammanfogas backtest-förutsägelser och kända faktiska värden med finansiell metadata på artikelbasis. Vid denna tidpunkt, med hjälp av backtest-förutsägelser, beräknar en SageMaker Data Wrangler-transform enhetskostnaden för under- och överprognoser per artikel.
SageMaker Data Wrangler översätter enhetsprognosen till ett finansiellt sammanhang och väljer automatiskt den artikelspecifika kvantil som ger den högsta vinsten bland undersökta kvantiler. Utdata är en tabelluppsättning data, lagrad på Amazon S3, och liknar konceptuellt tabellen i föregående avsnitt.
Slutligen används en tidsserieprognos för att ta fram framtidsdaterade prognoser för framtida perioder. Här kan du också välja att driva slutledningsoperationer, eller agera på slutledningsdata, enligt vilken kvantil som valdes. Detta kan tillåta dig att minska beräkningskostnaderna samtidigt som du tar bort bördan av manuell granskning av varje enskild artikel. Experter i ditt företag kan ha mer tid att fokusera på värdefulla artiklar medan tusentals artiklar i din katalog kan ha automatiska justeringar. Som en punkt av övervägande, framtiden har en viss grad av osäkerhet. Men, allt annat lika, bör ett blandat urval av kvantiler optimera resultaten i en övergripande uppsättning tidsserier. Här på AWS rekommenderar vi dig att använda två förutsägelsecykler för att kvantifiera graden av förbättringar som hittas med blandat kvantilval.
Lösningsvägledning för att påskynda din implementering
Om du vill återskapa kvantilvalslösningen som diskuteras i det här inlägget och anpassa den till din egen datauppsättning, tillhandahåller vi en syntetisk exempeluppsättning data och ett exempel på SageMaker Data Wrangler-flödesfil för att komma igång med GitHub. Hela den praktiska upplevelsen bör ta dig mindre än en timme att slutföra.
Vi tillhandahåller detta inlägg och exempel på lösningsvägledning för att påskynda din tid till marknaden. Den primära möjliggöraren för att rekommendera specifika kvantiler är SageMaker Data Wrangler, en specialbyggd AWS-tjänst som är avsedd att minska tiden det tar att förbereda data för ML-användningsfall. SageMaker Data Wrangler tillhandahåller ett visuellt gränssnitt för att designa datatransformationer, analysera data och utföra funktionsteknik.
Om du är ny på SageMaker Data Wrangler, se Kom igång med Data Wrangler för att förstå hur man startar tjänsten genom Amazon SageMaker Studio. Självständigt har vi mer än 150 XNUMX XNUMX blogginlägg som hjälper till att upptäcka olika exempeldatatransformationer som hanteras av tjänsten.
Slutsats
I det här inlägget diskuterade vi hur kvantilregression möjliggör flera affärsbeslutspunkter i tidsserieprognoser. Vi diskuterade också de obalanserade kostnadsstraffen förknippade med över- och underprognoser – ofta är straffavgiften för underutbud flera multiplar av straffavgiften för överutbud, för att inte tala om underutbud kan orsaka förlust av goodwill hos kunder.
Inlägget diskuterade hur organisationer kan utvärdera flera kvantilförutsägelsepunkter med hänsyn till över- och underutbudskostnaderna för varje artikel för att automatiskt välja den kvantil som sannolikt kommer att ge mest vinst i framtida perioder. Vid behov kan du åsidosätta urvalet när affärsregler önskar en fast kvantil framför en dynamisk.
Processen är utformad för att hjälpa till att uppfylla affärsmässiga och finansiella mål samtidigt som den tar bort friktionen med att manuellt behöva applicera bedömningsanrop på varje prognostiserat objekt. SageMaker Data Wrangler hjälper processen att köras kontinuerligt eftersom kvantilvalet måste vara dynamiskt med förändrade verkliga data.
Det bör noteras att kvantilval inte är en engångshändelse. Processen bör också utvärderas under varje prognoscykel för att ta hänsyn till förändringar, inklusive ökade varukostnader, inflation, säsongsjusteringar, introduktion av nya produkter, skiftande konsumentkrav och mer. Den föreslagna optimeringsprocessen är placerad efter tidsseriemodellgenereringen, kallad modellträningssteget. Kvantilval görs och används med det framtida prognosgenereringssteget, ibland kallat inferenssteget.
Om du har några frågor om det här inlägget eller vill ha en djupare dykning i dina unika organisatoriska behov, vänligen kontakta ditt AWS-kontoteam, din AWS Solutions Architect eller öppna ett nytt ärende i vårt supportcenter.
Referensprojekt
- DeYong, GD (2020). Den prissättande nyhetsleverantören: recension och tillägg. International Journal of Production Research, 58(6), 1776–1804.
- Liu, C., Letchford, AN, & Svetunkov, I. (2022). Nyhetsleverantörsproblem: En integrerad metod för uppskattning och optimering. European Journal of Operational Research, 300(2), 590–601.
- Punia, S., Singh, SP, & Madaan, JK (2020). Från förutsägande till föreskrivande analys: En datadriven multi-item nyhetsleverantörsmodell. Decision Support Systems, 136.
- Trapero, JR, Cardós, M., & Kourentzes, N. (2019). Kvantilprognos optimal kombination för att förbättra uppskattningen av säkerhetslager. International Journal of Forecasting, 35(1), 239–250.
- Whitin, TM (1955). Lagerkontroll och pristeori. Management Sci. 2 61–68.
Om författaren
Charles Laughlin är en Principal AI/ML Specialist Solution Architect och arbetar i Amazon SageMakers serviceteam på AWS. Han hjälper till att forma tjänstens färdplan och samarbetar dagligen med olika AWS-kunder för att hjälpa till att transformera deras verksamheter med hjälp av avancerad AWS-teknik och tankeledarskap. Charles har en MS i Supply Chain Management och en Ph.D. i datavetenskap.
- SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
- PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
- PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
- Platoesg. Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
- PlatoHealth. Biotech och kliniska prövningar Intelligence. Tillgång här.
- Källa: https://aws.amazon.com/blogs/machine-learning/beyond-forecasting-the-delicate-balance-of-serving-customers-and-growing-your-business/
- : har
- :är
- :inte
- :var
- ][s
- 1
- 10
- 100
- 2019
- 2020
- 2022
- 420
- 7
- 95%
- a
- Om oss
- ovan
- accelerera
- godkännande
- Enligt
- Konto
- noggrannhet
- exakt
- uppnås
- förvärva
- Agera
- anpassa
- Dessutom
- adress
- adresserad
- justeringar
- råda
- Efter
- mot
- åldrades
- framåt
- AI / ML
- algoritmer
- Alla
- tillåter
- tillåter
- vid sidan av
- också
- Även
- amason
- Amazon SageMaker
- Amazon SageMaker Canvas
- Amazon Web Services
- bland
- mängd
- an
- analytics
- analysera
- och
- Annan
- vilken som helst
- var som helst
- tillämpas
- Ansök
- tillvägagångssätt
- tillvägagångssätt
- cirka
- ÄR
- anordnad
- AS
- åt sidan
- associerad
- At
- Automat
- automatiskt
- tillgänglig
- genomsnitt
- undvika
- AWS
- tillbaka
- Backtest
- Balansera
- Balansräkning
- balansräkningar
- baserat
- grund
- BE
- därför att
- blir
- blir
- varit
- Där vi får lov att vara utan att konstant prestera,
- nedan
- BÄST
- mellan
- Bortom
- förspänning
- Blogg
- Botten
- varumärke
- bred
- inbyggd
- belastning
- företag
- företag
- men
- by
- kallas
- Samtal
- KAN
- canvas
- kapacitet
- genom
- bär
- Vid
- fall
- Kontanter
- katalog
- Orsak
- Centrum
- centrerad
- kedja
- chans
- Förändringar
- byte
- Charles
- val
- val
- Välja
- välja
- valde
- valda
- kombination
- kombinationer
- Gemensam
- Företag
- företag
- jämfört
- fullborda
- Komplexiteten
- komplicerad
- Compute
- konceptuellt
- medveten
- Tänk
- övervägande
- består
- begränsningar
- Konsumenten
- sammanhang
- kontroll
- omvänt
- konvertera
- konverterad
- Kärna
- korrekt
- Pris
- Kostar
- kunde
- kopplad
- skapa
- Skapa
- kritisk
- kund
- Kundservice
- Kunder
- allra senaste
- cykel
- cykler
- dagligen
- datum
- datavetenskap
- data driven
- dag
- beslutar
- Beslutet
- beslut
- djup
- djupare
- Standard
- Examen
- leverera
- Efterfrågan
- Förfrågan om efterfrågan
- krav
- demonstreras
- demonstrerar
- beroende
- beskriva
- Designa
- utformade
- lust
- detalj
- detaljer
- bestämmande
- utvecklade
- nedslående
- Upptäck
- diskutera
- diskuteras
- Dyk
- flera
- do
- inte
- domän
- ner
- driv
- grund
- under
- dynamisk
- varje
- Tidig
- lätt
- effektivt
- effekter
- effektivt
- möjliggörare
- möjliggör
- änden
- Teknik
- förbättra
- säkerställa
- Hela
- lika
- speciellt
- uppskatta
- Giltigt körkort
- utvärdera
- utvärderade
- händelse
- Varje
- undersöka
- exempel
- exempel
- överstiga
- överskott
- finns
- förväntat
- erfarenhet
- expert
- experter
- uttryckt
- förlängningar
- Höst
- snabbare
- Leverans
- få
- färre
- fält
- Figur
- Fil
- finansiella
- ekonomiska mål
- hitta
- Förnamn
- passa
- fem
- fixerad
- flöda
- Fokus
- följer
- följt
- efter
- För
- Prognos
- prognoser
- former
- formeln
- Foster
- hittade
- Fri
- friktion
- från
- full
- ytterligare
- framtida
- Futures
- generera
- genereras
- generering
- geografiskt
- skaffa sig
- ges
- gluon
- Mål
- god
- varor
- Goodwill
- Grön
- Odling
- vägleda
- hade
- praktisk
- Har
- har
- he
- Held
- hjälpa
- hjälper
- här.
- Hög
- högre
- högsta
- höggradigt
- historiska
- historisk
- innehav
- innehar
- horisonten
- Horizons
- timme
- Hur ser din drömresa ut
- How To
- Men
- html
- HTTPS
- i
- Tanken
- Idle
- if
- illustrerar
- obalans
- omedelbar
- förbättringar
- in
- innefattar
- ingår
- Inklusive
- Inkomst
- Öka
- ökat
- oberoende av
- inflation
- underrätta
- informationen
- inledande
- immateriell
- integrerade
- intressant
- Gränssnitt
- Internationell
- tolkning
- in
- Beskrivning
- lager
- undersöka
- investering
- Investeringar
- IT
- artikel
- fogade
- tidskriften
- resa
- Vet
- Menande
- känd
- Efternamn
- lansera
- leda
- Ledarskap
- Leads
- inlärning
- t minst
- lämnar
- mindre
- tycka om
- sannolikt
- Begränsad
- linje
- logistik
- lång sikt
- förlora
- förlust
- Låg
- lägre
- Maskinen
- maskininlärning
- gjord
- Huvudsida
- göra
- ledning
- sätt
- manuell
- manuellt
- Tillverkare
- många
- marknad
- matchas
- maximera
- maximal
- Maj..
- betyda
- betydelser
- betyder
- menas
- mäta
- Möt
- metadata
- metod
- metoder
- Metrics
- Mission
- blandad
- ML
- modell
- modeller
- Modern Konst
- mer
- Morgonen
- mest
- rörliga
- glidande medelvärden
- multipel
- måste
- Måste-ha
- Som heter
- Natur
- Navigera
- Nära
- nödvändigt för
- Behöver
- behövs
- behov
- Nya
- ny produkt
- nyheter
- Tidningar
- Nästa
- noterade
- nu
- antal
- observera
- of
- erbjudanden
- Erbjudanden
- Ofta
- on
- ONE
- pågående
- endast
- öppet
- öppen källkod
- Programvara med öppen källkod
- driva
- drift
- operativa
- Verksamhet
- optimala
- optimering
- Optimera
- or
- ordrar
- vanlig
- organisatoriska
- organisationer
- ursprungliga
- Övriga
- vår
- ut
- utfall
- produktion
- över
- övergripande
- åsidosätta
- Overstock
- egen
- paket
- par
- del
- partner
- reservdelar till din klassiker
- Tidigare
- för
- Utföra
- perioden
- perioder
- perspektiv
- bitar
- Planen
- planering
- plato
- Platon Data Intelligence
- PlatonData
- snälla du
- Punkt
- poäng
- placerad
- möjlig
- Inlägg
- potentiell
- potentiellt
- förutsägelse
- Förutsägelser
- föredra
- Förbered
- förhindra
- föregående
- tidigare
- pris
- prissättning
- primär
- Principal
- Innan
- Problem
- problem
- process
- producera
- producerad
- producerar
- Produkt
- Produktion
- Produkter
- Vinst
- vinster
- föreslagen
- ge
- ger
- inköp
- bedriva
- fråga
- frågor
- Snabbt
- R
- område
- sällan
- rates
- snarare
- nå
- verklig
- verkliga världen
- insåg
- Anledningen
- senaste
- rekommendera
- Red
- minska
- hänvisa
- avses
- relativ
- förlita
- Återstående
- bort
- forskning
- resurs
- Resurser
- att
- resultera
- resulterande
- detaljhandeln
- återförsäljare
- detaljister
- översyn
- Risk
- färdplan
- regler
- Körning
- rinnande
- s
- Säkerhet
- sagemaker
- försäljning
- Samma
- scenarier
- SCI
- Vetenskap
- säsong
- §
- sektioner
- se
- Söker
- väljer
- Val
- sälja
- Säljare
- Serier
- tjänar
- service
- Tjänster
- portion
- in
- flera
- Forma
- Dela
- ark
- Hylla
- SKIFTANDE
- hoppers
- kortsiktigt
- skall
- show
- visas
- Visar
- liknande
- enda
- So
- Mjukvara
- säljs
- lösning
- Lösningar
- några
- specialist
- specifik
- spekulativ
- kvadrater
- stabil
- intressenter
- igång
- state-of-the-art
- statistisk
- Steg
- Steg
- lager
- förvaring
- lagras
- Historia
- rakt
- strategier
- Strategi
- studerade
- framgångsrik
- leverera
- Utbud och efterfrågan
- leveranskedjan
- supply chain management
- stödja
- Stödsystem
- Stöder
- överskott
- syntetisk
- System
- bord
- Ta
- tar
- uppgifter
- grupp
- Tekniken
- tala
- än
- den där
- Smakämnen
- Framtiden
- deras
- Dem
- Teorin
- Där.
- Dessa
- de
- saker
- tror
- detta
- de
- trodde
- tanke ledarskap
- tusentals
- tre
- Genom
- tid
- Tidsföljder
- till
- alltför
- seg
- mot
- Handel
- Utbildning
- Förvandla
- transformationer
- sann
- sant värde
- två
- typiskt
- Ytterst
- Osäker
- Osäkerhet
- under
- förstå
- unika
- enhet
- enheter
- tills
- användning
- Begagnade
- med hjälp av
- värde
- Värden
- mängd
- utsikt
- vill
- var
- Sätt..
- we
- webb
- webbservice
- VÄL
- były
- oberoende
- när
- närhelst
- medan
- om
- som
- medan
- VEM
- bred
- Brett utbud
- kommer
- med
- inom
- utan
- arbetsflöde
- fungerar
- skulle
- Om er
- Din
- zephyrnet
- noll-