קלט החיזוי באמצעות נתונים היסטוריים
Forecasting Input with Historical Data
תכנון ביקושים (Demand Planning) · שיעור 2
- Garbage in, garbage out — הקלט קובע.
- נקה outliers, השלם חוסרים, נכה מבצעי-עבר.
- שמור Actuals גולמי; עבוד על Cleansed Actuals.
- realignment מעביר היסטוריה למוצר/לקוח חדש.
מטרת השיעור
ידע אצורכל מודל-חיזוי טוב הוא רק כמו הנתונים שהוא מקבל. שלב זה עוסק בהכנת-ההיסטוריה: טעינת actuals מ-S/4HANA, ניקוי-חריגים (outlier correction), טיפול בחוסרים, ו-realignment (העברת-היסטוריה ממוצר/לקוח ישן לחדש). היסטוריה נקייה ומיושרת היא תנאי-הכרחי לתחזית מהימנה — 'garbage in, garbage out' תקף כאן במלוא-עוצמתו.
למה זה חשוב
ידע אצורלפני שהמחשב מנבא, צריך לתת לו נתוני-עבר 'נקיים'. אם פעם-אחת הייתה הזמנה-ענקית חריגה (לקוח חדש שעשה מלאי-ראשוני), צריך 'לרכך' אותה כדי שהמחשב לא יחשוב שזה קורה כל-חודש. אם חסרים נתונים — משלימים. ואם מוצר-ישן הוחלף בחדש — מעבירים את ההיסטוריה אליו. ככה התחזית מבוססת על תמונה אמיתית.
ערך עסקי
ידע אצורלספק למודלים קלט נקי, רציף ומיושר, כדי שהדפוסים שהם לומדים (מגמה, עונתיות) ישקפו ביקוש-אמיתי ולא רעש או אירועים חד-פעמיים.
היכן בשימוש
ידע אצור• SAP Fiori Launchpad ► Manage Forecast Models ► Preprocessing Steps (Outlier/Missing) • Excel ► SAP IBP ► Statistical Forecasting ► Data Cleansing options • SAP Fiori Launchpad ► Application Jobs ► Realignment / Copy Operator
מושגי מפתח
ידע אצור- Garbage in, garbage out — הקלט קובע.
- נקה outliers, השלם חוסרים, נכה מבצעי-עבר.
- שמור Actuals גולמי; עבוד על Cleansed Actuals.
- realignment מעביר היסטוריה למוצר/לקוח חדש.
דוגמה מ-CBC
ידע אצורבארגון: הזמנת-מלאי-ראשוני ענקית של רשת-קמעונאות חדשה מזוהה כ-outlier ומרוככת; ביקוש-שיא של מבצע-קיץ קודם מנוכה מההיסטוריה לפני חישוב-בסיס; היסטוריית-מוצר שהוחלף (אריזה ישנה→חדשה) מועברת ב-realignment ל-SKU החדש. מערכת טוענת 36 חודשי-מכירות. ה-outlier correction מזהה חודש עם הזמנת-ענק חד-פעמית ומרכך אותו לערך-צפוי. חודש עם נתון-חסר מושלם באינטרפולציה. מבצע-עבר נוכה מההיסטוריה כדי שתחזית-הבסיס לא תכלול אותו. התוצאה: Cleansed Actuals מוכן לחיזוי.
תהליך
ידע אצורטבלאות
ידע אצור| טבלה | תיאור |
|---|---|
| Actuals Qty | Actuals Qty |
| Cleansed Actuals Qty | Cleansed Actuals Qty |
| Open Orders Qty | Open Orders Qty |
| Realignment | Realignment |
טרנזקציות
ידע אצוראפליקציות Fiori
ידע אצורקונפיגורציה (SPRO)
ידע אצור• Outlier Correction method: Variance Test / Inter-Quartile Range / Median + sigma factor. • Missing Value handling (interpolation / zero) — טיפול בחוסרים בהיסטוריה. • Promotion Sales Lift removal — ניכוי-מבצעים לפני חיזוי-בסיס. • Realignment/Copy operator — העברת actuals מ-source ל-target attribute (Product transition). • Cleansed Actuals כ-key figure נפרד — שמירת המקור Actuals Qty ללא-שינוי.
הערות
ידע אצורנתוני אב • Actuals Qty = ההיסטוריה הגולמית (לא-נוגעים, ניתן-לביקורת). • Cleansed Actuals Qty = ההיסטוריה לאחר ניקוי — הקלט בפועל לחיזוי. • Open Orders / Deliveries = אותות קצרי-טווח ל-demand sensing. שאלות ראיון מהו outlier correction ולמה הוא חשוב? זיהוי וריכוך ערכים-חריגים בהיסטוריה (IQR/Median/Variance) כדי שאירוע חד-פעמי לא יעוות את התחזית. מהו realignment? העברת היסטוריית-מכירות מ-attribute מקור ל-יעד (למשל מוצר-ישן→חדש) כדי שלמוצר-החדש תהיה בסיס-חיזוי. מדוע מנכים מבצעי-עבר מההיסטוריה? כדי שתחזית-הבסיס תשקף ביקוש-רגיל; המבצעים מתווספים בנפרד כ-uplift מתוכנן. נושאים קשורים • S&OP · יצירת תחזית סטטיסטית (3.3) • S&OP · מודל וניווט IBP (פרק 2)
טעויות נפוצות
ידע אצור- חיזוי על Actuals גולמי ללא ניקוי — outlier אחד מעוות עונה שלמה.
- מחיקת/דריסת המקור Actuals — אובדן יכולת-ביקורת ושחזור.
- אי-ניכוי מבצעי-עבר — תחזית-בסיס 'יורשת' שיאי-מבצע שלא יחזרו.
- אי-ביצוע realignment בהחלפת-מוצר — המוצר החדש מתחיל ללא היסטוריה.
פתרון תקלות
ידע אצור• תחזית מנופחת בעונה מסוימת ➔ outlier לא תוקן או מבצע-עבר לא נוכה. • מוצר חדש בלי תחזית ➔ לא בוצע realignment מההיסטוריה של קודמו. • פערים בין Actuals ל-Cleansed ➔ בדוק את שיטת ה-outlier ואת sigma factor.
שיטות עבודה מומלצות
ידע אצור- שמור תמיד Actuals גולמי לחוד ועבוד על Cleansed Actuals.
- כייל את שיטת ה-outlier (IQR/Median) ואת ה-sigma לפי תנודתיות-הקטגוריה.
- נכה מבצעי-עבר לפני חיזוי-בסיס, והוסף אותם בחזרה כ-uplift מתוכנן.
- בצע realignment כחלק מתהליך-החלפת-מוצר/לקוח, לא בדיעבד.
טיפים
ידע אצור- ב-IBP זמינים pre-processing steps כחלק מ-Statistical Forecasting: Outlier Correction (Variance Test / Inter-Quartile Range / Median methods), Missing Value handling, ו-Promotion Sales Lift removal (ניכוי-מבצעים מההיסטוריה לפני חיזוי-בסיס). Realignment / Copy operator מעביר actuals מ-source-attribute ל-target (Product transition). מומלץ לחשב baseline (cleansed history) ב-key figure נפרד (Cleansed Actuals), כך שהמקור (Actuals Qty) נשמר ללא-שינוי וניתן לביקורת. demand sensing נשען על short-term signals (open orders, deliveries) בנוסף להיסטוריה.
סיכום
ידע אצור• Garbage in, garbage out — הקלט קובע. • נקה outliers, השלם חוסרים, נכה מבצעי-עבר. • שמור Actuals גולמי; עבוד על Cleansed Actuals. • realignment מעביר היסטוריה למוצר/לקוח חדש.