Решения на основе машинного обучения
info@i-neti.ru
8 800 777 38 40
Мы в социальных сетях
Image Alt

Прогнозирование с использованием Машинного обучения

Neti Forecast использует машинное обучение для высокоточных прогнозов.

До последнего времени компании применяли классические инструменты для прогнозирования спроса и финансового планирования: таблицы Excel, отдельные модули ERP-систем, специализированные BI-системы, например, Cognos или QlikView.

Эти инструменты строят прогнозы на основе исторических данных, которые накапливаются в ERP-системах. Например, такие инструменты могут предсказать будущие продажи обуви, анализируя только его предыдущие данные о продажах, предполагая, что будущее определяется прошлым. Данный подход не позволяет строить точные прогнозы, если перечень номенклатуры большой и спрос на продукцию нерегулярный. Кроме того, данные инструменты не могут объединить различные типы данных, которые меняются со временем (например, цены конкурентов, скидки, веб-трафик и количество сотрудников), с соответствующими независимыми переменными, такими как характеристики продукта и местоположение магазина.

Используя технологии Машинного обучения Neti Forecast объединяет исторические данные, хранящиеся в ERP-системе с дополнительными переменными для составления прогнозов.

Машинное обучение в дополнение к финансовым данным при построении прогнозов может учитывать:

  • погоду
  • рекламные акции
  • цены конкурентов
  • различные события и мероприятия
  • новостной фон
  • активность в социальных сетях

 

Для начала работы с технологией Neti Forecast вам достаточно предоставить исторические данные, а также любые дополнительные данные, которые, по вашему мнению, могут повлиять на прогнозы. Например, спрос на определенный цвет платья может меняться в зависимости от сезона и местоположения магазина. Эти неочевидные взаимосвязи трудно определить самостоятельно, машинное обучение идеально подходит для их выявления.

После того, как вы предоставите свои данные, Neti Forecast автоматически изучит их, определит, что является значимым, и создаст модель, способную делать на 50% более точные прогнозы, чем при использовании только исторических данных.