Компанії використовують прогнозування часових рядів, щоб приймати основні планові рішення, які допомагають їм орієнтуватися в невизначеному майбутньому. Ця публікація призначена для зацікавлених сторін ланцюга постачання, які поділяють спільну потребу визначати, скільки готової продукції потрібно для різних часових горизонтів планування. Окрім планування кількості необхідних одиниць товарів, компаніям часто потрібно знати, де вони будуть потрібні, щоб створити географічно оптимальний запас.
Делікатний баланс надлишку та дефіциту пропозиції
Якщо виробники виробляють занадто мало деталей або готової продукції, внаслідок цього недостатня пропозиція може змусити їх прийняти важкий вибір щодо розподілу доступних ресурсів між їхніми торговими партнерами чи бізнес-підрозділами. У результаті замовлення на купівлю можуть мати нижчий рівень прийняття з меншим прибутком. Далі в ланцюжку постачання, якщо роздрібний продавець має занадто мало товарів для продажу порівняно з попитом, він може розчарувати покупців через відсутність на складі. Коли роздрібний покупець має негайну потребу, ці недоліки можуть призвести до покупки в альтернативного роздрібного продавця або замінного бренду. Ця заміна може бути ризиком відтоку, якщо альтернатива стане новим стандартом.
З іншого боку маятника пропозиції надлишок товарів також може призвести до штрафів. Надлишки тепер потрібно зберігати в інвентарі до продажу. Очікується, що певний рівень страхового запасу допоможе подолати очікувану невизначеність попиту; однак надлишок запасів призводить до неефективності, яка може зменшити прибутки організації. Особливо, коли продукти швидко псуються, надмірна пропозиція може призвести до втрати всіх або частини початкових інвестицій, зроблених для придбання готового товару, який можна продати.
Навіть якщо продукти не швидкопсувні, під час зберігання вони фактично стають незадіяним ресурсом, який може бути наявним на балансі як вільна готівка або використаний для здійснення інших інвестицій. Крім балансів, витрати на зберігання та транспортування не є безкоштовними. Організації зазвичай мають обмежену кількість організованих складських і логістичних можливостей. Вони повинні діяти в межах цих обмежень, ефективно використовуючи наявні ресурси.
Стикаючись із вибором між надлишком і недостатньою пропозицією, в середньому більшість організацій віддають перевагу надлишковій пропозиції шляхом явного вибору. Вимірна вартість недостатньої пропозиції часто вища, іноді в кілька разів, порівняно з вартістю надлишку, яку ми обговорюємо в наступних розділах.
Основна причина упередженості в бік надлишкової пропозиції полягає в тому, щоб уникнути нематеріальних витрат на втрату доброї волі з покупцями щоразу, коли продукти недоступні. Виробники та роздрібні торговці думають про довгострокову цінність для споживачів і хочуть підвищити лояльність до бренду — ця місія допомагає інформувати їхню стратегію ланцюга постачання.
У цьому розділі ми досліджували несправедливість, яка є наслідком розподілу занадто великої або занадто малої кількості ресурсів після процесу планування попиту. Далі ми досліджуємо прогнозування часових рядів і те, як прогнози попиту можуть бути оптимально узгоджені зі стратегіями пропозиції на рівні товару.
Класичні підходи до циклів планування продажів та операцій
Історично склалося так, що прогнозування досягалося за допомогою статистичних методів, які дають точкові прогнози, які забезпечують найбільш вірогідне значення для майбутнього. Цей підхід часто базується на формах ковзних середніх або лінійної регресії, яка прагне підібрати модель за допомогою звичайного підходу найменших квадратів. Точковий прогноз складається з одного середнього прогнозованого значення. Оскільки точкове прогнозоване значення зосереджено на середньому, очікується, що справжнє значення буде вище середнього приблизно в 50% випадків. Це залишає решту 50% часу, коли справжнє число буде нижче прогнозованого.
Точкові прогнози можуть бути цікавими, але вони можуть призвести до того, що у роздрібних продавців закінчаться товари, які необхідно мати, у 50% випадків, якщо їх дотримуватися без огляду експертів. Щоб запобігти недостатньому обслуговуванню клієнтів, спеціалісти з планування пропозиції та попиту застосовують ручне оцінювання або коригують точкові прогнози за допомогою формули страхового запасу. Компанії можуть використовувати власну інтерпретацію формули страхового запасу, але ідея полягає в тому, щоб забезпечити доступність продукції через невизначений короткостроковий період. Зрештою, планувальники повинні будуть вирішити, завищувати чи зменшувати середні прогнозні прогнози відповідно до своїх правил, інтерпретацій та суб’єктивного погляду на майбутнє.
Сучасне прогнозування часових рядів дає можливість вибору
Щоб задовольнити реальні потреби прогнозування, AWS надає широкий і глибокий набір можливостей, які забезпечують сучасний підхід до прогнозування часових рядів. Ми пропонуємо послуги машинного навчання (ML), які включають, але не обмежуються ними Canvas Amazon SageMaker (детальніше див Швидше тренуйте модель прогнозування часових рядів за допомогою Amazon SageMaker Canvas Quick build), Прогноз Amazon (Почніть свій успішний шлях із прогнозування часових рядів за допомогою Amazon Forecast), А також Amazon SageMaker вбудовані алгоритми (Глибоке прогнозування попиту за допомогою Amazon SageMaker). Крім того, AWS розробила пакет програмного забезпечення з відкритим кодом, Автоглюон, який підтримує різноманітні завдання ML, у тому числі в області часових рядів. Для отримання додаткової інформації див Просте й точне прогнозування за допомогою AutoGluon-TimeSeries.
Розглянемо точковий прогноз, розглянутий у попередньому розділі. Дані реального світу є складнішими, ніж можна виразити за допомогою середньої оцінки або прямої лінії регресії. Крім того, через дисбаланс між надлишком і недостатньою пропозицією вам потрібна більша, ніж однобальна оцінка. Служби AWS вирішують цю потребу за допомогою моделей ML у поєднанні з квантильною регресією. Квантильна регресія дає змогу вибирати з широкого діапазону сценаріїв планування, які виражаються як квантилі, а не покладатися на одноточкові прогнози. Саме ці квантилі пропонують вибір, який ми описуємо більш детально в наступному розділі.
Прогнози, призначені для обслуговування клієнтів і стимулювання зростання бізнесу
На наступному малюнку представлено візуальне зображення прогнозу часових рядів із кількома результатами, що стало можливим завдяки квантильній регресії. Червона лінія, позначена як p05, пропонує ймовірність того, що реальне число, яким би воно не було, очікується, що буде нижче лінії p05, приблизно в 5% випадків. І навпаки, це означає, що в 95% випадків справжнє число, ймовірно, буде вище лінії p05.
Далі спостерігайте за зеленою лінією, позначеною p70. Справжнє значення буде нижче лінії p70 приблизно в 70% випадків, залишаючи 30% шансів, що воно перевищить p70. Лінія p50 надає проміжну точку зору щодо майбутнього, із шансом 50/50, що значення в середньому впадуть вище або нижче p50. Це приклади, але будь-яку квантиль можна інтерпретувати таким же чином.
У наступному розділі ми досліджуємо, як виміряти, чи квантильні прогнози створюють надлишок або недостатню пропозицію за товаром.
Вимірювання надлишку та дефіциту пропозиції за історичними даними
У попередньому розділі було продемонстровано графічний спосіб спостереження прогнозів; Інший спосіб їх перегляду — у вигляді таблиці, як показано в наступній таблиці. Під час створення моделей часових рядів частина даних утримується від операції навчання, що дозволяє генерувати показники точності. Хоча майбутнє невизначене, головна ідея тут полягає в тому, що точність протягом періоду затримки є найкращим наближенням того, як будуть працювати завтрашні прогнози за інших рівних умов.
У таблиці не показано показники точності; скоріше, він показує справжні значення, відомі з минулого, разом із кількома квантильними прогнозами від p50 до p90 із кроком 10. Протягом останніх історичних п’яти періодів часу справжній попит становив 218 одиниць. Квантильні передбачення пропонують діапазон значень, від найнижчого 189 одиниць до високого 314 одиниць. За допомогою наступної таблиці легко побачити, що p50 і p60 призводять до недостатньої пропозиції, а останні три квантилі призводять до надлишку пропозиції.
Раніше ми зазначали, що існує асиметрія між надлишком і недостатністю пропозиції. Більшість підприємств, які свідомо обирають надмірну пропозицію, роблять це, щоб не розчарувати клієнтів. Вирішальним питанням стає: «Яке квантильне прогнозоване число слід порівнювати з бізнес-планом на майбутнє?» Враховуючи наявну асиметрію, необхідно прийняти зважене рішення. Ця потреба розглядається в наступному розділі, де прогнозовані кількості, як одиниці, перетворюються на відповідні фінансові значення.
Автоматичний вибір правильних квантильних балів на основі максимізації прибутку або цілей обслуговування клієнтів
Щоб перетворити квантильні значення в бізнес-цінності, ми повинні знайти штраф, пов’язаний з кожною одиницею надлишкового запасу та з кожною одиницею недостатнього запасу, оскільки вони рідко бувають однаковими. Рішення для цієї потреби добре задокументовано та вивчено в галузі дослідження операцій, яке називається проблемою постачальника новин. Вітін (1955) був першим, хто сформулював модель попиту з урахуванням ефектів ціноутворення. Проблема продавця новин походить від часів, коли продавці новин мали вирішити, скільки газет купувати на день. Якщо вони виберуть занадто низьке число, вони розпродадуть рано і не досягнуть свого потенційного доходу в день. Якщо вони обрали занадто високе число, вони застрягли на «вчорашніх новинах» і ризикували б втратити частину своїх ранкових спекулятивних інвестицій.
Щоб обчислити за одиницю штрафні санкції за перевищення та заниження, є кілька фрагментів даних, необхідних для кожного елемента, який ви хочете спрогнозувати. Ви також можете збільшити складність, вказавши дані як пару «елемент+розташування», «елемент+клієнт» або інші комбінації відповідно до потреб бізнесу.
- Очікувана вартість продажу товару.
- Повна вартість товарів для придбання або виготовлення товару.
- Приблизні витрати на зберігання, пов’язані з утриманням товару в запасах, якщо він не проданий.
- Ліквідаційна вартість товару, якщо він не проданий. Якщо товар швидко псується, його вартість може наблизитися до нуля, що призведе до повної втрати первісної вартості інвестицій. При стабільному зберіганні залишкова вартість може впасти де завгодно нижче очікуваної продажної вартості товару, залежно від характеру зберіганого та потенційно старого товару.
У наведеній нижче таблиці показано, як квантильні точки вибиралися самостійно серед доступних прогнозних точок у відомі історичні періоди. Розглянемо приклад позиції 3, яка мала справжній попит у 1,578 одиниць у попередні періоди. Оцінка p50 у 1,288 одиниць призвела б до недопостачання, тоді як значення p90 у 2,578 одиниць спричинило б надлишок. Серед спостережуваних квантилів значення p70 дає максимальний прибуток у 7,301 долар США. Знаючи це, ви можете бачити, як вибір p50 призведе до штрафу в розмірі майже 1,300 доларів США порівняно зі значенням p70. Це лише один приклад, але кожен елемент у таблиці має свою унікальну історію.
Огляд рішення
Наступна діаграма ілюструє запропонований робочий процес. Перший, Amazon SageMaker Data Wrangler використовує попередні тестові прогнози, створені програмою прогнозування часових рядів. Далі прогнози попередніх перевірок і відомі фактичні дані об’єднуються з фінансовими метаданими на основі елементів. На цьому етапі, використовуючи прогнози ретестів, перетворення SageMaker Data Wrangler обчислює вартість одиниці для недо- та надмірного прогнозування на одиницю.
SageMaker Data Wrangler переводить прогноз одиниць у фінансовий контекст і автоматично вибирає квантиль для конкретного товару, який забезпечує найбільшу суму прибутку серед перевірених квантилів. Результатом є табличний набір даних, що зберігається на Amazon S3 і концептуально схожий на таблицю в попередньому розділі.
Нарешті, прогнозист часових рядів використовується для створення датованих прогнозів на майбутні періоди. Тут ви також можете керувати операціями висновку або діяти на основі даних висновку, відповідно до того, який квантиль було обрано. Це може дозволити вам зменшити обчислювальні витрати, а також усунути тягар ручного перегляду кожного окремого елемента. Експерти у вашій компанії можуть мати більше часу, щоб зосередитись на цінних предметах, тоді як тисячі товарів у вашому каталозі можуть мати автоматичні коригування. З точки зору розгляду, майбутнє має певний ступінь невизначеності. Однак, за інших рівних умов, змішаний вибір квантилів повинен оптимізувати результати в загальному наборі часових рядів. Тут, у AWS, ми радимо вам використовувати два цикли прогнозування утримування, щоб кількісно визначити ступінь покращень, виявлених за допомогою змішаного вибору квантилів.
Інструкції з вирішення, щоб пришвидшити впровадження
Якщо ви бажаєте відтворити рішення квантильного вибору, описане в цій публікації, і адаптувати його до свого власного набору даних, ми надаємо набір синтетичних зразків даних і зразок файлу потоку SageMaker Data Wrangler, щоб ви могли почати роботу з ним. GitHub. Весь практичний досвід займе у вас менше години.
Ми надаємо цю публікацію та приклади вказівок щодо рішення, щоб допомогти вам прискорити вихід на ринок. Основним інструментом для рекомендацій конкретних квантилів є SageMaker Data Wrangler, спеціальний сервіс AWS, призначений для скорочення часу, необхідного для підготовки даних для випадків використання ML. SageMaker Data Wrangler надає візуальний інтерфейс для проектування перетворень даних, аналізу даних і виконання проектування функцій.
Якщо ви новачок у SageMaker Data Wrangler, зверніться до Почніть роботу з Data Wrangler щоб зрозуміти, як запустити службу через Студія Amazon SageMaker. Незалежно ми маємо більше ніж 150 публікацій у блозі які допомагають виявити різноманітні зразки перетворень даних, до яких звертається служба.
Висновок
У цьому дописі ми обговорили, як квантильна регресія дає змогу приймати багато бізнес-рішень у прогнозуванні часових рядів. Ми також обговорювали незбалансовані штрафи за витрати, пов’язані з надлишком і недостатнім прогнозуванням — часто штраф за недостатню пропозицію в кілька разів перевищує штраф за надлишок пропозиції, не кажучи вже про те, що недостатня пропозиція може спричинити втрату доброї волі з клієнтами.
У дописі обговорювалося, як організації можуть оцінювати численні точки прогнозування квантилів з урахуванням надлишкових і недопоставлених витрат на кожну позицію, щоб автоматично вибрати квантиль, який, імовірно, забезпечить найбільший прибуток у майбутніх періодах. Якщо потрібно, ви можете змінити вибір, якщо бізнес-правила вимагають фіксованого квантиля замість динамічного.
Процес розроблений, щоб допомогти досягти ділових і фінансових цілей, одночасно усуваючи проблеми, пов’язані з необхідністю вручну застосовувати оцінки до кожного прогнозованого пункту. SageMaker Data Wrangler допомагає процесу працювати безперервно, оскільки вибір квантилів має бути динамічним зі зміною даних реального світу.
Слід зазначити, що квантильний відбір не є одноразовою подією. Процес також слід оцінювати під час кожного циклу прогнозування, щоб врахувати зміни, включаючи збільшення вартості товарів, інфляцію, сезонні коригування, впровадження нових продуктів, зміни споживчих вимог тощо. Запропонований процес оптимізації розташований після генерації моделі часових рядів, що називається етапом навчання моделі. Вибір квантилів виконується та використовується на етапі створення майбутнього прогнозу, який іноді називають кроком висновку.
Якщо у вас виникли запитання щодо цієї публікації або ви хочете глибше зануритися у свої унікальні організаційні потреби, будь ласка, зверніться до своєї команди облікових записів AWS, свого архітектора рішень AWS або відкрийте новий запит у нашому центрі підтримки.
посилання
- DeYong, GD (2020). Постачальник новин, який встановлює ціну: огляд і розширення. Міжнародний журнал досліджень виробництва, 58 (6), 1776–1804.
- Лю К., Летчфорд А.Н. та Свєтунков І. (2022). Проблеми постачальника новин: інтегрований метод оцінки та оптимізації. Європейський журнал операційних досліджень, 300(2), 590–601.
- Punia, S., Singh, SP, & Madaan, JK (2020). Від прогнозної до наказової аналітики: модель постачальника новин, що базується на даних. Системи підтримки прийняття рішень, 136.
- Траперо, Дж. Р., Кардос, М., і Курентзес, Н. (2019). Оптимальна комбінація квантильного прогнозу для покращення оцінки страхового запасу. Міжнародний журнал прогнозування, 35 (1), 239–250.
- Уітін Т. М. (1955). Контроль запасів і теорія ціни. управління наук. 2 61–68.
Про автора
Чарльз Лафлін є головним архітектором рішень спеціаліста зі штучного інтелекту/ML і працює в групі обслуговування Amazon SageMaker в AWS. Він допомагає формувати дорожню карту надання послуг і щодня співпрацює з різноманітними клієнтами AWS, щоб допомогти трансформувати їхній бізнес за допомогою передових технологій AWS і інтелектуального лідерства. Чарльз має ступінь магістра з управління ланцюгами поставок і докторську ступінь. в Data Science.
- Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
- PlatoData.Network Vertical Generative Ai. Додайте собі сили. Доступ тут.
- PlatoAiStream. Web3 Intelligence. Розширення знань. Доступ тут.
- ПлатонЕСГ. вуглець, CleanTech, Енергія, Навколишнє середовище, Сонячна, Поводження з відходами. Доступ тут.
- PlatoHealth. Розвідка про біотехнології та клінічні випробування. Доступ тут.
- джерело: https://aws.amazon.com/blogs/machine-learning/beyond-forecasting-the-delicate-balance-of-serving-customers-and-growing-your-business/
- : має
- :є
- : ні
- :де
- ][стор
- 1
- 10
- 100
- 2019
- 2020
- 2022
- 420
- 7
- 95%
- a
- МЕНЮ
- вище
- прискорювати
- прийняття
- За
- рахунки
- точність
- точний
- досягнутий
- набувати
- Діяти
- пристосовувати
- доповнення
- адреса
- адресований
- коректування
- радити
- після
- проти
- у віці
- попереду
- AI / ML
- алгоритми
- ВСІ
- дозволяти
- дозволяє
- пліч-о-пліч
- Також
- хоча
- Amazon
- Amazon SageMaker
- Canvas Amazon SageMaker
- Amazon Web Services
- серед
- кількість
- an
- аналітика
- аналізувати
- та
- Інший
- будь-який
- де-небудь
- прикладної
- Застосовувати
- підхід
- підходи
- приблизно
- ЕСТЬ
- влаштований
- AS
- aside
- асоційований
- At
- автоматичний
- автоматично
- доступний
- середній
- уникнути
- AWS
- назад
- Backtest
- Balance
- Баланс
- балансові листи
- заснований
- основа
- BE
- оскільки
- ставати
- стає
- було
- буття
- нижче
- КРАЩЕ
- між
- За
- зміщення
- Блог
- дно
- марка
- широкий
- вбудований
- тягар
- бізнес
- підприємства
- але
- by
- званий
- Виклики
- CAN
- полотно
- можливості
- carried
- проведення
- випадок
- випадків
- готівкові гроші
- каталог
- Викликати
- Центр
- центр
- ланцюг
- шанс
- Зміни
- заміна
- Чарльз
- вибір
- вибір
- Вибирати
- Вибираючи
- вибрав
- вибраний
- поєднання
- комбінації
- загальний
- Компанії
- компанія
- порівняний
- повний
- складність
- складний
- обчислення
- Концептуально
- свідомий
- Вважати
- розгляду
- складається
- обмеження
- споживач
- контекст
- контроль
- навпаки
- конвертувати
- перероблений
- Core
- виправити
- Коштувати
- витрати
- може
- з'єднаний
- створювати
- створення
- критичний
- клієнт
- Контакти
- Клієнти
- передовий
- цикл
- циклів
- щодня
- дані
- наука про дані
- керовані даними
- день
- вирішувати
- рішення
- рішення
- глибокий
- глибше
- дефолт
- Ступінь
- доставляти
- Попит
- Прогнозування попиту
- запити
- продемонстрований
- демонструє
- Залежно
- описувати
- дизайн
- призначений
- бажання
- деталь
- деталі
- визначення
- розвиненою
- розчаровує
- відкрити
- обговорювати
- обговорювалися
- занурення
- Різне
- do
- Ні
- домен
- вниз
- управляти
- два
- під час
- динамічний
- кожен
- Рано
- легко
- фактично
- ефекти
- продуктивно
- активатор
- дозволяє
- кінець
- Машинобудування
- підвищувати
- забезпечувати
- Весь
- рівним
- особливо
- оцінити
- Європейська
- оцінювати
- оцінюється
- Event
- Кожен
- досліджувати
- приклад
- Приклади
- перевищувати
- надлишок
- існує
- очікуваний
- досвід
- експерт
- experts
- виражений
- Розширення
- Падати
- швидше
- особливість
- кілька
- менше
- поле
- Рисунок
- філе
- фінансовий
- фінансові цілі
- знайти
- Перший
- відповідати
- п'ять
- фіксованою
- потік
- Сфокусувати
- стежити
- потім
- після
- для
- Прогноз
- Прогнози
- форми
- формула
- Сприяти
- знайдений
- Безкоштовна
- тертя
- від
- Повний
- далі
- майбутнє
- Ф'ючерси
- породжувати
- генерується
- покоління
- географічно
- отримати
- даний
- Глуон
- Цілі
- добре
- товари
- Goodwill
- зелений
- Зростання
- керівництво
- було
- практичний
- Мати
- має
- he
- Герой
- допомога
- допомагає
- тут
- Високий
- вище
- найвищий
- дуже
- історичний
- історичний
- проведення
- тримає
- горизонт
- Горизонти
- годину
- Як
- How To
- Однак
- HTML
- HTTPS
- i
- ідея
- Idle
- if
- ілюструє
- дисбаланс
- Негайний
- поліпшення
- in
- включати
- включені
- У тому числі
- Дохід
- Augmenter
- збільшений
- самостійно
- інфляція
- повідомити
- інформація
- початковий
- нематеріальний
- інтегрований
- цікавий
- інтерфейс
- Міжнародне покриття
- інтерпретація
- в
- Вступ
- інвентаризація
- дослідити
- інвестиції
- інвестиції
- IT
- пунктів
- приєднався
- журнал
- подорож
- Знати
- Знання
- відомий
- останній
- запуск
- вести
- Керівництво
- Веде за собою
- вивчення
- найменш
- догляд
- менше
- як
- Ймовірно
- обмеженою
- Лінія
- логістика
- довгостроковий
- програш
- від
- низький
- знизити
- машина
- навчання за допомогою машини
- made
- головний
- зробити
- управління
- манера
- керівництво
- вручну
- Виробники
- багато
- ринок
- відповідає
- максимізація
- максимальний
- Може..
- значити
- значення
- засоби
- означав
- вимір
- Зустрічатися
- метадані
- метод
- методика
- Метрика
- Місія
- змішаний
- ML
- модель
- Моделі
- сучасний
- більше
- Ранок
- найбільш
- переміщення
- Ковзаючі середні
- множинний
- повинен
- Обов’язково
- Названий
- природа
- Переміщення
- Близько
- необхідно
- Необхідність
- необхідний
- потреби
- Нові
- новий продукт
- новини
- Газети
- наступний
- зазначив,
- зараз
- номер
- спостерігати
- of
- пропонувати
- Пропозиції
- часто
- on
- ONE
- постійний
- тільки
- відкрити
- з відкритим вихідним кодом
- Програмне забезпечення з відкритим кодом
- працювати
- операція
- оперативний
- операції
- оптимальний
- оптимізація
- Оптимізувати
- or
- замовлень
- звичайний
- організаційної
- організації
- оригінал
- Інше
- наші
- з
- Результати
- вихід
- над
- загальний
- перевизначення
- Зависока
- власний
- пакет
- пара
- частина
- партнери
- частини
- Минуле
- для
- Виконувати
- period
- періодів
- перспектива
- частин
- план
- планування
- plato
- Інформація про дані Платона
- PlatoData
- будь ласка
- точка
- точок
- розташовані
- це можливо
- пошта
- потенціал
- потенційно
- прогноз
- Прогнози
- надавати перевагу
- Готувати
- запобігати
- попередній
- раніше
- price
- ціни без прихованих комісій
- первинний
- Головний
- попередній
- Проблема
- проблеми
- процес
- виробляти
- Вироблений
- випускає
- Product
- Production
- Продукти
- Прибуток
- прибутку
- запропонований
- забезпечувати
- забезпечує
- покупка
- переслідувати
- питання
- питань
- Швидко
- R
- діапазон
- рідко
- ставки
- швидше
- досягати
- реальний
- Реальний світ
- зрозумів,
- причина
- останній
- рекомендуючи
- червоний
- зменшити
- послатися
- називають
- відносний
- покладатися
- решті
- видалення
- дослідження
- ресурс
- ресурси
- ті
- результат
- в результаті
- роздрібна торгівля
- роздрібний продавець
- роздрібної торгівлі
- огляд
- Risk
- Дорожня карта
- Правила
- прогін
- біг
- s
- Безпека
- мудрець
- продажів
- то ж
- сценарії
- SCI
- наука
- сезонний
- розділ
- розділам
- побачити
- Шукає
- вибирає
- вибір
- продавати
- Продавці
- Серія
- служити
- обслуговування
- Послуги
- виступаючої
- комплект
- кілька
- Форма
- Поділитись
- лист
- Полиця
- ПЕРЕМІЩЕННЯ
- покупці
- короткий термін
- Повинен
- Показувати
- показаний
- Шоу
- аналогічний
- один
- So
- Софтвер
- проданий
- рішення
- Рішення
- деякі
- спеціаліст
- конкретний
- спекулятивний
- квадрати
- стабільний
- зацікавлених сторін
- почалася
- впроваджений
- статистичний
- Крок
- заходи
- акції
- зберігання
- зберігати
- Історія
- прямий
- стратегії
- Стратегія
- навчався
- успішний
- поставка
- Попит та пропозиція
- ланцюжка поставок
- робота з постачальниками
- підтримка
- системи підтримки
- Опори
- профіцит
- синтетичний
- Systems
- таблиця
- Приймати
- приймає
- завдання
- команда
- Технології
- сказати
- ніж
- Що
- Команда
- Майбутнє
- їх
- Їх
- теорія
- Там.
- Ці
- вони
- речі
- думати
- це
- ті
- думка
- думка лідерства
- тисячі
- три
- через
- час
- Часовий ряд
- до
- занадто
- жорсткий
- до
- торгові площі
- Навчання
- Перетворення
- перетворень
- правда
- справжнє значення
- два
- типово
- Зрештою
- Невизначений
- Невизначеність
- при
- розуміти
- створеного
- блок
- одиниць
- до
- використання
- використовуваний
- використання
- значення
- Цінності
- різноманітність
- вид
- хотіти
- було
- шлях..
- we
- Web
- веб-сервіси
- ДОБРЕ
- були
- будь
- коли
- коли б ні
- в той час як
- Чи
- який
- в той час як
- ВООЗ
- широкий
- Широкий діапазон
- волі
- з
- в
- без
- робочий
- працює
- б
- Ти
- вашу
- зефірнет
- нуль