יצירת תחזית באמצעות מידול סטטיסטי
Forecast Generation through Statistical Modeling
תכנון ביקושים (Demand Planning) · שיעור 3
- מידול-סטטיסטי = ערך-הליבה של IBP מעל Excel.
- ספריית-מודלים: Holt-Winters/Croston/AR/ARIMA/MLR/GB.
- Best-Fit בוחר אוטומטית לפי MAPE/MASE.
- מדוד שגיאה ונתב חריגים לתכנון-ידני.
מטרת השיעור
ידע אצורליבת תכנון-הביקושים: הפעלת מודלים סטטיסטיים על ההיסטוריה הנקייה כדי להפיק תחזית-בסיס אובייקטיבית. SAP IBP מספק ספריית-מודלים עשירה (Holt-Winters לעונתיות, Croston לביקוש-מקוטע, AR/ARIMA לאוטו-קורלציה ועוד) ויכולת Best-Fit הבוחרת אוטומטית את המודל המדויק-ביותר. זוהי הנקודה שבה IBP נותן ערך-מוסף מובהק על-פני גיליונות-Excel ידניים. מודלים סטטיסטיים — סקירת ספריית-המודלים הסטטיסטיים ב-IBP ומתי להשתמש בכל אחד. Exponential Smoothing (כולל Holt-Winters) למגמה ועונתיות; Croston/Croston-TSB לביקוש-מקוטע (intermittent); AR/ARIMA לאוטו-קורלציה; MLR ו-Gradient Boosting למודלים מבוססי-מניעים. הבנת-החוזקות של כל מודל היא הבסיס לבחירה נכונה ולתחזית מדויקת. הגדרה והרצה של מודלי חיזוי — ההיבט המעשי: כיצד מגדירים forecast model ב-Manage Forecast Models, מצמידים אותו ל-key figures, וכיצד מריצים אותו — אינטראקטיבית ב-Excel או מתוזמן דרך Application Jobs. הגדרה נכונה (history/forecast horizon, assignment, error-measure) ותזמון-אמין הם ההבדל בין תחזית שמתחדשת לבדה לבין תהליך-ידני שביר.
למה זה חשוב
ידע אצורכאן המחשב 'לומד' מההיסטוריה ומפיק תחזית. יש כמה 'מתכונים' (מודלים): אחד טוב למוצרים עם עונתיות (קיץ/חורף), אחד למוצרים שנמכרים מדי-פעם, אחד למגמת-עלייה. IBP יכול אפילו לנסות את כולם ולבחור את הטוב-ביותר לבד (Best-Fit). אתה מגדיר מודל, מריץ — והתחזית מוכנה. מודלים סטטיסטיים — כל מודל הוא 'כלי' שמתאים לסוג-נתונים מסוים. Holt-Winters טוב כשיש עונות (יותר בקיץ); Croston טוב כשנמכר מדי-פעם עם אפסים באמצע; AR טוב כשהחודש-הבא דומה לחודשים-קודמים. כמו ארגז-כלים — בוחרים את הכלי לפי העבודה. הגדרה והרצה של מודלי חיזוי — כאן 'בונים את המכונה ומדליקים אותה'. במסך Manage Forecast Models מגדירים מה המודל יעשה, על אילו נתונים, ולכמה זמן קדימה. אחר-כך אפשר ללחוץ 'הרץ' ב-Excel ולראות תוצאה מיד, או לתזמן את ההרצה שתקרה אוטומטית כל לילה דרך Application Jobs.
ערך עסקי
ידע אצורלהפיק תחזית-בסיס אובייקטיבית, חוזרת וניתנת-להסבר, שמשחררת את התכננים מחישוב-ידני ומאפשרת להם להתמקד בהוספת תובנה עסקית. מודלים סטטיסטיים — להתאים מודל לאופי-הסדרה (מגמה/עונתיות/קיטוע/מניעים) כדי למקסם דיוק — אין מודל-אחד-טוב-לכול. הגדרה והרצה של מודלי חיזוי — להפוך את החיזוי לתהליך מוגדר, חוזר ומתוזמן, עם שקיפות מלאה (logs) ויכולת-מדידה (forecast error key figure).
היכן בשימוש
ידע אצור• SAP Fiori Launchpad ► Demand Planning ► Manage Forecast Models ► Create Forecast Model • SAP Fiori Launchpad ► Application Jobs ► Statistical Forecasting ► Schedule Run • Excel ► SAP IBP ► Statistical Forecasting ► Run interactively • SAP Fiori Launchpad ► Manage Forecast Models ► Add Algorithm Step (בחירת מודל) • Excel ► SAP IBP ► Statistical Forecasting ► Algorithm parameters • SAP Fiori Launchpad ► Demand Planning ► Manage Forecast Models ► Create / Edit / Assign • Excel ► SAP IBP ► Statistical Forecasting ► Run (interactive) • SAP Fiori Launchpad ► Application Jobs ► Statistical Forecasting ► Schedule + Log
מושגי מפתח
ידע אצור- מידול-סטטיסטי = ערך-הליבה של IBP מעל Excel.
- ספריית-מודלים: Holt-Winters/Croston/AR/ARIMA/MLR/GB.
- Best-Fit בוחר אוטומטית לפי MAPE/MASE.
- מדוד שגיאה ונתב חריגים לתכנון-ידני.
- ארגז-כלים: Smoothing/Holt-Winters/Croston/AR/ARIMA/MLR/GB.
- מגמה+עונתיות → Holt-Winters; מקוטע → Croston-TSB.
- driver-based → MLR / Gradient Boosting.
- Manage Forecast Models = הגדרת המודל וההצמדה.
- הרצה: interactive (Excel) או batch (Application Jobs).
- כבול את הצעדים ובדוק log בכל הרצה.
דוגמה מ-CBC
ידע אצורבארגון: למשקאות-דגל עם עונתיות-קיץ חדה רץ Holt-Winters; לטעמים-נישה שנמכרים לסירוגין רץ Croston; ה-Best-Fit בוחר אוטומטית בין המודלים לכל SKU; MAPE נמדד כדי לזהות פריטים שדורשים תכנון-ידני. תכנן מגדיר forecast model עם Holt-Winters ו-Best-Fit; מריץ על 36 חודשי-Cleansed Actuals; IBP מאתר עונתיות שנתית, מכייל alpha/beta/gamma, ומפיק 18 חודשי-תחזית ל-Statistical Forecast Qty; ה-system מדווח MAPE לכל פריט. מודלים סטטיסטיים — בארגון: משקה-דגל עונתי → Holt-Winters; טעם-נישה לסירוגין → Croston-TSB; מארז-מבצע → MLR/Gradient Boosting עם מחיר ומבצע כ-drivers. מוצר עם מגמת-עלייה ועונתיות → Holt-Winters multiplicative; מוצר שנמכר 3 פעמים ברבעון עם אפסים → Croston-TSB; מוצר תלוי-מחיר → MLR עם מחיר כ-driver. הגדרה והרצה של מודלי חיזוי — בארגון: model נפרד לכל segment — 'HW-Seasonal' למשקאות-דגל, 'TSB-Intermittent' לטעמי-נישה; ה-Application Job רץ לילית לפני ישיבת-הביקוש, וה-log נבדק בבוקר לפני שחרור-התחזית לתכננים. תכנן יוצר model 'Beverages-HW' עם Holt-Winters, input=Cleansed Actuals, output=Statistical Forecast Qty, history=36m, forecast=18m. בודק interactively ב-Excel על SKU-מדגם, ואז מתזמן Application Job לילי שמריץ preprocessing→forecasting→snapshot לכל הפורטפוליו.
תהליך
ידע אצורטבלאות
ידע אצור| טבלה | תיאור |
|---|---|
| Statistical Forecast Qty | Statistical Forecast Qty |
| Cleansed Actuals Qty | Cleansed Actuals Qty |
| Forecast Error (MAPE) | Forecast Error (MAPE) |
| Algorithm Parameters | Algorithm Parameters |
| Application Log | Application Log |
טרנזקציות
ידע אצוראפליקציות Fiori
ידע אצורקונפיגורציה (SPRO)
ידע אצור• Forecast Model = preprocessing + algorithm + postprocessing steps. • Algorithm: Holt-Winters / Croston / AR / ARIMA / MLR / Gradient Boosting. • Best-Fit / Automated Model Selection לפי error measure (MAPE/MASE). • history horizon + forecast horizon + buckets לעיבוד. מודלים סטטיסטיים • Exponential Smoothing: alpha (level), beta (trend), gamma (seasonality); additive/multiplicative. • Croston / Croston-TSB: לביקוש-מקוטע; פרמטר-החלקה נפרד לגודל ולתדירות. • AR / ARIMA: סדרי p,d,q לאוטו-קורלציה. • MLR / Gradient Boosting: drivers + תקופת-אימון. הגדרה והרצה של מודלי חיזוי • input/output key figures: Cleansed Actuals → Statistical Forecast Qty. • steps: preprocessing + algorithm + postprocessing; history & forecast periods. • forecast error key figure (MAPE/MASE) לכתיבת-תוצאת-הדיוק. • assignment גלובלי או per-segment דרך attribute selection. • execution: interactive (Excel) או batch (Application Jobs) עם chaining.
הערות
ידע אצורשאלות ראיון מהו Best-Fit ב-IBP? Automated Model Selection — IBP מריץ מספר מודלים ובוחר את בעל error-measure הנמוך-ביותר (MAPE/MASE) לכל פריט. מהם השלבים בתוך forecast model? preprocessing (ניקוי) → forecasting algorithm → postprocessing — רצף-צעדים מוגדר ב-Manage Forecast Models. מתי משתמשים ב-Holt-Winters? כשהסדרה מציגה גם מגמה וגם עונתיות; שלושת הפרמטרים alpha/beta/gamma לומדים level/trend/season. מתי Croston מתאים? לביקוש-מקוטע (intermittent) עם אפסים רבים; הוא מפריד בין גודל-הביקוש לבין תדירותו. במה Croston-TSB עדיף על Croston? הוא מתקן את ה-bias כלפי-מעלה לפריטים שביקושם דועך/מתיישן. כיצד מריצים תחזית ב-IBP? interactive מ-Excel add-in לבדיקה, או batch מתוזמן דרך Application Jobs (Statistical Forecasting) עם chaining ל-preprocessing ו-snapshot. מה מגדירים ב-Manage Forecast Models? input/output key figures, preprocessing/algorithm/postprocessing steps, history/forecast horizons, error-measure ו-assignment. נושאים קשורים • S&OP · קלט היסטורי (3.2) • S&OP · תכנון מבוסס-מניעים (3.4)
טעויות נפוצות
ידע אצור- מודל-יחיד-לכל-הפריטים — Holt-Winters על intermittent מנפח תחזית.
- history horizon קצר-מדי לזיהוי עונתיות (פחות מ-2 מחזורים שלמים).
- התעלמות מ-error-measure — אין דרך לדעת איזה מודל ניצח.
- Holt-Winters על ביקוש-מקוטע — מנפח תחזית; הנכון Croston.
- Croston על ביקוש-רציף-עונתי — מאבד את העונתיות.
- Triple smoothing ללא 2 מחזורי-עונה — gamma לא מתכייל.
- הרצה ידנית-בלבד מ-Excel ללא תזמון — תהליך שביר ולא-חוזר.
- input key figure שגוי (Actuals גולמי במקום Cleansed) — חיזוי על רעש.
- חוסר-בדיקת application log — כשלים שקטים עוברים מתחת-לרדאר.
פתרון תקלות
ידע אצור• תחזית עונתית שטוחה ➔ נבחר מודל לא-עונתי או היסטוריה < 2 שנים. • MAPE גבוה מאוד ➔ Best-Fit על מרחב-מודלים לא-מתאים; הוסף Croston/MLR. • ה-job נכשל ➔ פרמטרים לא-תקפים או חוסר-נתונים ב-Cleansed Actuals. מודלים סטטיסטיים • תחזית 'קופצת' לפריט-נדיר ➔ univariate במקום Croston/Croston-TSB. • עונתיות לא נלכדת ➔ Single/Double במקום Triple (Holt-Winters). • bias למעלה בפריט-מתיישן ➔ עבור מ-Croston ל-Croston-TSB. הגדרה והרצה של מודלי חיזוי • אין תחזית לפריטים מסוימים ➔ assignment של ה-model לא מכסה את ה-segment. • ה-job 'הצליח' אך התחזית ריקה ➔ input key figure ריק או periods לא-תקפים. • תוצאת-Excel שונה מ-batch ➔ גרסה/selection שונים בין ההרצות.
שיטות עבודה מומלצות
ידע אצור- הפעל Best-Fit על מרחב-מודלים מותאם-segment, לא על הכול.
- ודא history horizon ≥ 2 מחזורי-עונה לזיהוי עונתיות.
- עקוב אחר MAPE/MASE ונתב פריטים בעלי-שגיאה-גבוהה לתכנון-ידני.
- מַפֶּה משפחת-מודלים לכל segment של ABC/XYZ.
- השתמש ב-Croston-TSB במקום Croston הקלאסי לפריטים-מקוטעים.
- ל-driver-based העדף MLR לפרשנות, Gradient Boosting ל-non-linear.
- בדוק interactively על מדגם, ואז עבור ל-batch מתוזמן עם chaining.
- כבול preprocessing→forecasting→snapshot ב-Application Job יחיד.
- בדוק תמיד את ה-application log אחרי כל הרצה.
טיפים
ידע אצור- ב-IBP ה-Statistical Forecasting operator מריץ forecast models המוגדרים ב-Manage Forecast Models. כל model הוא רצף-צעדים: preprocessing → forecasting algorithm → postprocessing. אלגוריתמים מרכזיים: Single/Double/Triple Exponential Smoothing (Holt / Holt-Winters), Croston ו-Croston-TSB ל-intermittent, Auto-Regressive (AR), ARIMA, Multiple Linear Regression (MLR) ו-Gradient Boosting של machine learning. Best-Fit/Automated Model Selection בוחר לפי error-measure (MAPE/MASE). הפרמטרים (alpha/beta/gamma, periods, history horizon) נקבעים אוטומטית (optimized) או ידנית. התוצאה נכתבת ל-Statistical Forecast Qty.
- מודלים סטטיסטיים — פירוט: (1) Simple/Constant — לביקוש-יציב ללא-מגמה; (2) Single Exponential Smoothing (alpha) — ביקוש-יציב עם רעש; (3) Double / Holt (alpha,beta) — מגמה; (4) Triple / Holt-Winters (alpha,beta,gamma) — מגמה+עונתיות (additive/multiplicative); (5) Croston ו-Croston-TSB — intermittent (מפריד בין גודל-ביקוש לתדירותו); (6) AR / ARIMA — אוטו-רגרסיה ל-time-series עם אוטו-קורלציה; (7) Multiple Linear Regression — driver-based; (8) Gradient Boosting (ML) — non-linear driver-based. Croston-TSB עדיף על Croston הקלאסי כי הוא מטפל ב-bias של פריטים-מתיישנים.
- הגדרה והרצה של מודלי חיזוי — ב-Manage Forecast Models מגדירים: input/output key figures (Cleansed Actuals → Statistical Forecast Qty), preprocessing/algorithm/postprocessing steps, history & forecast periods, ו-forecast error key figure. ההרצה: (1) interactive מתוך ה-Excel add-in (Statistical Forecasting button) לבדיקה; (2) batch דרך Application Jobs (Statistical Forecasting job template) עם scheduling וכבילה (chaining) ל-preprocessing ו-snapshot. הקצאת-המודל יכולה להיות גלובלית או per-segment דרך attribute selection. תמיד לבדוק את ה-application log לאחר הרצה.
סיכום
ידע אצור• מידול-סטטיסטי = ערך-הליבה של IBP מעל Excel. • ספריית-מודלים: Holt-Winters/Croston/AR/ARIMA/MLR/GB. • Best-Fit בוחר אוטומטית לפי MAPE/MASE. • מדוד שגיאה ונתב חריגים לתכנון-ידני. • ארגז-כלים: Smoothing/Holt-Winters/Croston/AR/ARIMA/MLR/GB. • מגמה+עונתיות → Holt-Winters; מקוטע → Croston-TSB. • driver-based → MLR / Gradient Boosting. • Manage Forecast Models = הגדרת המודל וההצמדה. • הרצה: interactive (Excel) או batch (Application Jobs). • כבול את הצעדים ובדוק log בכל הרצה.