Método de pronóstico automático del mejor método
El método de previsión Automatic Best Method es la metodología más sofisticada que ofrece workforce management. Incluye:
- Capacidades automatizadas integradas para la limpieza de datos históricos
- Identificación de valores atípicos y efectos de calendario
- Detección de patrones, incluida la estacionalidad y las tendencias.
- Modelado de lo mejor de lo mejor para seleccionar entre más de 20 metodologías, incluidas ARIMA, WM, Decomp
Este método de pronóstico impulsado por IA crea pronósticos individuales con el menor error posible utilizando:
- Mejores prácticas
- Detección de valores atípicos
- Correcciones matemáticas para datos faltantes
- Técnicas avanzadas de predicción de series de tiempo
Previsión de conjuntos
Además, si un modelo personalizado basado en múltiples metodologías que están igualmente ponderadas produce un mejor resultado que un solo modelo, el pronóstico se clasifica como conjunto. La previsión de conjunto es una actividad de posprocesamiento que evalúa múltiples modelos de previsión y los combina para crear una previsión. El modelo de conjunto consiste en una combinación de diferentes modelos de pronóstico como ARIMA, Holt Winters, Random Walk y Moving Average. La combinación de los distintos modelos aumenta la precisión general del pronóstico y evita la sobrevaloración de picos o valles de un modelo específico.
En la implementación actual, los modelos subyacentes de un pronóstico de conjunto pueden variar de un pronóstico a otro. Esta variación se produce debido a la forma en que el conjunto combina varios modelos en uno.
Ensemble selecciona los mejores modelos para su conjunto de datos y los combina, lo que significa que se pueden pronosticar dos conjuntos de datos diferentes utilizando ensemble. Sin embargo, los modelos subyacentes en cada pronóstico de conjunto pueden diferir entre sí. Por ejemplo, el primer conjunto de datos podría usar una combinación de Holt Arima y Walking Average. El segundo conjunto de datos podría usar una combinación de Theta y promedio ponderado de estimación puntual.
Actualmente, todos los modelos subyacentes en conjunto deben tener la misma ponderación. Por ejemplo, si el conjunto utiliza dos modelos, cada uno tiene una ponderación del 50 por ciento. Si el conjunto utiliza cuatro modelos, cada uno tiene una ponderación del 25 por ciento. En una actualización futura, mostraremos los modelos subyacentes y el peso que utilizó un pronóstico de conjunto.
