Jump to content

ഡിമാൻഡ് ഫോർകാസ്റ്റിംഗ്

വിക്കിപീഡിയ, ഒരു സ്വതന്ത്ര വിജ്ഞാനകോശം.

കോർപ്പറേറ്റ് വിതരണ ശൃംഖലയും ബിസിനസ്സ് മാനേജുമെന്റും വിതരണ തീരുമാനങ്ങൾ ഒപ്റ്റിമൈസ് ചെയ്യുന്നതിനുള്ള ഉപഭോക്തൃ ആവശ്യം മനസിലാക്കാനും പ്രവചിക്കാനും ശ്രമിക്കുന്ന പ്രവചനാ അനലിറ്റിക്‌സിന്റെ ഒരു മേഖലയാണ് ഡിമാൻഡ് ഫോർകാസ്റ്റിംഗ് (ഡിമാൻഡ് പ്രവചനം). ഡാറ്റയുടെ പ്രവചനം, പ്രത്യേകിച്ച് ചരിത്രപരമായ വിൽപ്പന ഡാറ്റ, ടെസ്റ്റ് മാർക്കറ്റുകളിൽ നിന്നുള്ള സ്റ്റാറ്റിസ്റ്റിക്കൽ ടെക്നിക്കുകൾ എന്നിവ പോലുള്ള അളവ് രീതികൾ ഡിമാൻഡ് പ്രവചനത്തിൽ ഉൾപ്പെടുന്നു. ഉൽ‌പാദന ആസൂത്രണം, ഇൻ‌വെന്ററി മാനേജുമെന്റ്, ഭാവിയിൽ ശേഷി ആവശ്യകതകൾ വിലയിരുത്തൽ അല്ലെങ്കിൽ പുതിയ വിപണിയിൽ പ്രവേശിക്കണമോ എന്ന് തീരുമാനമെടുക്കുന്നതിൽ ഡിമാൻഡ് പ്രവചനം ഉപയോഗിക്കാം.[1]

ഡിമാൻഡ് ഫോർകാസ്റ്റിംഗ്[തിരുത്തുക]

ഡാറ്റയുടെ പ്രവചനം, പ്രത്യേകിച്ച് ചരിത്രപരമായ വിൽപ്പന ഡാറ്റ, ടെസ്റ്റ് മാർക്കറ്റുകളിൽ നിന്നുള്ള സ്റ്റാറ്റിസ്റ്റിക്കൽ ടെക്നിക്കുകൾ എന്നിവ പോലുള്ള അളവ് രീതികൾ ഡിമാൻഡ് പ്രവചനത്തിൽ ഉൾപ്പെടുന്നു. ഉൽ‌പാദന ആസൂത്രണം, ഇൻ‌വെന്ററി മാനേജുമെന്റ്, ഭാവിയിൽ ശേഷി ആവശ്യകതകൾ വിലയിരുത്തൽ അല്ലെങ്കിൽ പുതിയ വിപണിയിൽ പ്രവേശിക്കണമോ എന്ന് തീരുമാനമെടുക്കുന്നതിൽ ഡിമാൻഡ് പ്രവചനം ഉപയോഗിക്കാം.[2]ഈ പ്രവർത്തനം സ്ഥാപനത്തിന്റെ മാർക്കറ്റിംഗ് സ്റ്റാഫുമായി ചേർന്ന് നടക്കുന്നു, മാത്രമല്ല അടുത്ത ആസൂത്രണ കാലയളവിലെ ലോജിസ്റ്റിക് ആവശ്യങ്ങളെക്കുറിച്ച് മികച്ച ആശയം നേടുന്നതിന് ഇത് ഉപയോഗിക്കുന്നു.ഈ ആവശ്യങ്ങളിൽ ഉപയോക്താക്കൾക്ക് വിതരണം ചെയ്യുന്നതും അസംസ്കൃത വസ്തുക്കളുടെ രസീതും അസംബ്ലിക്കുള്ള ഘടകങ്ങളും ഉൾപ്പെടുന്നു. ഓർഡർ പ്രോസസ്സിംഗുമായി ലോജിസ്റ്റിക് സ്റ്റാഫ് ഉൾപ്പെട്ടിരിക്കുന്നതിനാൽ, ഉപയോക്താക്കൾ യഥാർത്ഥത്തിൽ എന്താണ് ഓർഡർ ചെയ്യുന്നതെന്നതിനെക്കുറിച്ചുള്ള ആദ്യകാല വിവരങ്ങളും ഇതിലുണ്ട്. ഉൽപ്പാദനം ആസൂത്രണം ചെയ്യുകയും ഷെഡ്യൂൾ ചെയ്യുകയും ചെയ്യുന്ന സ്ഥാപനത്തിലെ മറ്റുള്ളവർക്ക് ഇത് പ്രധാനപ്പെട്ട ബുദ്ധിയാണ്.[3]

ഡിമാൻഡ് ഫോർകാസ്റ് അക്ക്യൂറസി[തിരുത്തുക]

ഡിമാൻഡ് ഫോർകാസ്റ് അക്ക്യൂറസി, ഉപഭോക്തൃ ആവശ്യവുമായി ബന്ധപ്പെട്ട് നടത്തിയ പ്രവചനങ്ങളുടെ കൃത്യത നിർണ്ണയിക്കുന്ന പ്രക്രിയയാണ്. ഉപഭോക്തൃ ആവശ്യം മനസിലാക്കുകയും പ്രവചിക്കുകയും ചെയ്യുന്നത് നിർമ്മാതാക്കൾക്കും വിതരണക്കാർക്കും സ്റ്റോക്ക് ഔട്ട് ഒഴിവാക്കുന്നതിനും മതിയായ ഇൻവെന്ററി ലെവലുകൾ നിലനിർത്തുന്നതിനും പ്രധാനമാണ്.[4]പ്രവചനങ്ങൾ ഒരിക്കലും തികഞ്ഞതല്ലെങ്കിലും യഥാർത്ഥ ഡിമാൻഡിനായി അവ തയ്യാറാക്കേണ്ടത് ആവശ്യമാണ്. ഒപ്റ്റിമൈസ് ചെയ്ത ഇൻവെന്ററിയും ഫലപ്രദമായ വിതരണ ശൃംഖലയും നിലനിർത്തുന്നതിന്, കൃത്യമായ ഡിമാൻഡ് പ്രവചനങ്ങൾ അനിവാര്യമാണ്.

ഫോർകാസ്റ്റിംഗ് എറർ[തിരുത്തുക]

പ്രവചന പിശക് യഥാർത്ഥ വിൽപ്പനയെ അടിസ്ഥാനമായി കണക്കാക്കേണ്ടതുണ്ട്. പ്രവചന പിശക് കണക്കുകൂട്ടൽ രീതികളുടെ നിരവധി രൂപങ്ങളുണ്ട്, മീൻ പെർസെന്റജ് എറർ, റൂട്ട് മീൻ സ്ക്വാർഡ് എറർ, ട്രാക്കിംഗ് സിഗ്നൽ .

ടൈം സീരീസ് ഫോർകാസ്റ്റിംഗ്‌[തിരുത്തുക]

സമയ ശ്രേണി: മികച്ച ഫിറ്റ് ലൈനും വ്യത്യസ്ത പ്രായോഗിക ഫിൽട്ടറുകളും ഉള്ള റാൻഡം ഡാറ്റയും ട്രെൻഡും

മുമ്പ് നിരീക്ഷിച്ച മൂല്യങ്ങളെ അടിസ്ഥാനമാക്കി ഭാവി മൂല്യങ്ങൾ പ്രവചിക്കാൻ ഒരു മോഡലിന്റെ ഉപയോഗമാണ് ടൈം സീരീസ് പ്രവചനം.

വിശകലനം[തിരുത്തുക]

വ്യത്യസ്‌ത ആവശ്യങ്ങൾ‌ക്കായി ഉചിതമായ സമയ ശ്രേണികൾ‌ക്കായി നിരവധി തരം ഡാറ്റ വിശകലനവും ലഭ്യമാണ്.[5]

എക്സ്പ്ലോറേറ്ററി  വിശകലനം[തിരുത്തുക]
ക്ഷയരോഗം യുഎസ് 1953-2009

ഒരു സാധാരണ സമയ ശ്രേണി സ്വമേധയാ പരിശോധിക്കുന്നതിനുള്ള ഏറ്റവും വ്യക്തമായ മാർഗം യുണൈറ്റഡ് സ്റ്റേറ്റ്സിലെ ക്ഷയരോഗത്തിന് കാണിച്ചിരിക്കുന്നതുപോലുള്ള ഒരു ലൈൻ ചാർട്ട് ഉപയോഗിച്ചാണ്.[6]കേസുകളുടെ എണ്ണം ഒരു ലക്ഷം എന്ന നിരക്കിലേക്ക് സ്റ്റാൻഡേർഡ് ചെയ്യുകയും ഈ നിരക്കിലെ പ്രതിവർഷ ശതമാനം മാറ്റം കണക്കാക്കുകയും ചെയ്തു. ഏതാണ്ട് ക്രമാനുഗതമായി കുറയുന്ന ലൈൻ കാണിക്കുന്നത് മിക്ക വർഷങ്ങളിലും ക്ഷയരോഗം കുറയുന്നുണ്ടെന്നാണ്, എന്നാൽ ഈ നിരക്കിന്റെ ശതമാനം മാറ്റം +/- 10% വരെ വ്യത്യാസപ്പെട്ടിരിക്കുന്നു, 1975 ലും 1990 കളുടെ തുടക്കത്തിലും 'വർദ്ധനവ്' ഉണ്ടായി. രണ്ട് ലംബ അക്ഷങ്ങളുടെയും ഉപയോഗം ഒരു ഗ്രാഫിക്കിലെ രണ്ട് സമയ ശ്രേണികളെ താരതമ്യം ചെയ്യാൻ അനുവദിക്കുന്നു.

പ്രെഡിക്ഷൻ[തിരുത്തുക]

സ്ഥിതിവിവരക്കണക്കുകളിൽ, പ്രവചനം സ്ഥിതിവിവരക്കണക്ക് അനുമാനത്തിന്റെ ഭാഗമാണ്. അത്തരം നിഗമനങ്ങളോടുള്ള ഒരു പ്രത്യേക സമീപനത്തെ പ്രവചനാത്മക നിഗമനം എന്ന് വിളിക്കുന്നു, പക്ഷേ സ്ഥിതിവിവരക്കണക്ക് അനുമാനത്തിലേക്കുള്ള നിരവധി സമീപനങ്ങളിൽ ഏതെങ്കിലും പ്രവചനം ഏറ്റെടുക്കാൻ കഴിയും. വാസ്തവത്തിൽ, സ്ഥിതിവിവരക്കണക്കുകളുടെ ഒരു വിവരണം, ഒരു ജനസംഖ്യയുടെ ഒരു സാമ്പിളിനെക്കുറിച്ചുള്ള അറിവ് മുഴുവൻ ജനസംഖ്യയിലേക്കും മറ്റ് അനുബന്ധ ജനസംഖ്യയിലേക്കും കൈമാറുന്നതിനുള്ള ഒരു മാർഗ്ഗം ഇത് നൽകുന്നു എന്നതാണ്, അത് കാലക്രമേണ പ്രവചനത്തിന് തുല്യമല്ല. വിവരങ്ങൾ‌ കാലക്രമേണ, പലപ്പോഴും നിർ‌ദ്ദിഷ്‌ട പോയിന്റുകളിലേക്ക് കൈമാറ്റം ചെയ്യുമ്പോൾ‌, പ്രക്രിയയെ പ്രവചനം എന്ന് വിളിക്കുന്നു.

സെഗ്മെന്റഷൻ[തിരുത്തുക]

സെഗ്‌മെന്റുകളുടെ ഒരു ശ്രേണിയിലേക്ക് സമയ-സീരീസ് വിഭജിക്കുന്നു. മിക്കപ്പോഴും ഒരു സമയ-ശ്രേണിയെ വ്യക്തിഗത സെഗ്‌മെന്റുകളുടെ ഒരു ശ്രേണിയായി പ്രതിനിധീകരിക്കാൻ കഴിയും, ഓരോന്നിനും അതിന്റേതായ സ്വഭാവ സവിശേഷതകളുണ്ട്. ഉദാഹരണത്തിന്, ഒരു കോൺഫറൻസ് കോളിൽ നിന്നുള്ള ഓഡിയോ സിഗ്നൽ ഓരോ വ്യക്തിയും സംസാരിച്ച സമയത്തിന് അനുസരിച്ച് കഷണങ്ങളായി വിഭജിക്കാം. സമയ-ശ്രേണി വിഭജനത്തിൽ, സമയ-ശ്രേണിയിലെ സെഗ്മെന്റ് അതിർത്തി പോയിന്റുകൾ തിരിച്ചറിയുക, ഒപ്പം ഓരോ സെഗ്‌മെന്റുമായി ബന്ധപ്പെട്ട ചലനാത്മക സവിശേഷതകൾ വിശദീകരിക്കുക എന്നിവയാണ് ലക്ഷ്യം. മാറ്റ-പോയിന്റ് കണ്ടെത്തൽ ഉപയോഗിച്ച് അല്ലെങ്കിൽ മാർക്കോവ് ജമ്പ് ലീനിയർ സിസ്റ്റം പോലുള്ള കൂടുതൽ സങ്കീർണ്ണമായ സംവിധാനമായി സമയ-സീരീസ് മോഡലിംഗ് ചെയ്യുന്നതിലൂടെ ഒരാൾക്ക് ഈ പ്രശ്നത്തെ സമീപിക്കാൻ കഴിയും.[7]

ക്ലാസ്സിഫിക്കേഷൻ[തിരുത്തുക]

ഒരു നിർദ്ദിഷ്ട വിഭാഗത്തിലേക്ക് സമയ ശ്രേണി പാറ്റേൺ നിർണ്ണയിക്കുന്നു, ഉദാഹരണത്തിന് ആംഗ്യഭാഷയിലെ കൈ ചലനങ്ങളുടെ പരമ്പരയെ അടിസ്ഥാനമാക്കി ഒരു വാക്ക് തിരിച്ചറിയുക.

അവലംബം[തിരുത്തുക]

  1. Overview
  2. "Demand forecasting", Wikipedia (in ഇംഗ്ലീഷ്), 2020-07-30, retrieved 2020-08-22
  3. "Britannica".
  4. "Demand forecasting", Wikipedia (in ഇംഗ്ലീഷ്), 2020-07-30, retrieved 2020-08-22
  5. "TimeSeries".
  6. "TimeSeries".
  7. "Time series", Wikipedia (in ഇംഗ്ലീഷ്), 2020-08-16, retrieved 2020-08-24