FAQ : Moteur de prévision de la demande de main-d'œuvre

Qu'est-ce qu'un modèle arbre à rapport optimisé ?: Un modèle d'arbre à tranches décroissantes est l'une des méthodes avancées qui sont utilisées par nos systèmes pour effectuer des prédictions très précises. Vous pouvez le considérer comme une équipe de plusieurs petits décideurs travaillant ensemble. L' équipe des décisionnaires se compose (les arborescences) des éléments suivants :
Le premier arbre (Rookie) : le processus commence par un simple « arbre de décision ». Ce premier arbre prend en compte vos données historiques et effectue une estimation très simple (prédiction). En général, c'est un mauvais nombre ou seulement un peu.
Les arbre Au lieu de tenter de prédire les données d'origine, ce nouvel arbre se concentre spécifiquement sur les erreurs faites par le premier arbre. Tout son travail consiste à apprendre à corriger les erreurs du précédent.
Booster l'équipe : ce processus se répète. Chaque nouvel arbre est créé pour corriger les erreurs restantes de l'ensemble de l' équipe d'arbres qui l'ont précédé. Ce processus de correction séquentielle des erreurs est appelé « optimisation ».
Prédiction finale : lorsqu'il est temps de faire une prévision finale (exemple : prévision des ventes pour la semaine à venir), le modèle transmet les données à tous les petits pas, et leurs prédictions individuelles sont additionnées pour créer un résultat final très précis.
Cette méthode est puissante car elle est métrique. En créant des milliers de petites corrections les unes sur les autres, le modèle peut capturer des motifs très complexes et extrêmement complexes dans vos données, comme une demande qui peut augmenter en boostant un événement journalier majeur. C'est pourquoi elle génère souvent les prévisions les plus précises pour des métriques d'entreprise complexes.
Qu'est-ce qu'un modèle de prédiction pour des prévisions basées sur des tendances ?: Un modèle de prédiction basé sur des tendances est l'une des méthodes les plus simples utilisées par notre système pour faire des prévisions, et c'est une excellente base pour la stabilité. Voici comment cela fonctionne :
Exemple : vous devez prévoir les ventes du mardi prochain. Le modèle revient en arrière sur ce qui s'est réellement passé ce jour-là il y a un an (dernier mardi). Il ajuste ensuite ce chiffre historique en fonction d'une tendance récente constatée.
Rechercher la référence : le modèle trouve le point de données exact sur les 365 jours suivants. Il capture tous les modèles historiques que vous connaissez déjà, comme l'effet d'un jour férié donné, d'une promotion hebdomadaire ou d'un changement saisonnier.
Calculer le développement/la diminution : ce rapport calcule ensuite le taux global d' modifier/changer de votre entreprise depuis ce temps (c'est-à-dire votre « taux de croissance »).
Appliquer la modification : le modèle applique ce pourcentage de croissance ou de refus au chiffre de référence de l'année dernière pour obtenir les prévisions finales pour la semaine prochaine.

Le modèle d'année est particulièrement utile pour les métriques stables ou lorsque vous avez besoin de prévisions fiables et précises. Elle fonctionne bien, car elle suppose que les modèles sous-jacents de votre entreprise restent cohérents d'une année sur l'autre, tout simplement en faisant évoluer les résultats pour qu'ils correspondent à votre taux de croissance actuel.