利用预测级别上的分解率优化预测的制作方法
【专利摘要】利用预测级别上的分解率优化预测包括:确定将在预测中被评估的产品维度和地理维度;评估所述产品维度与所述地理维度的组合;以及优化分解率以准备预测级别上的所述预测。
【专利说明】
利用预测级别上的分解率优化预测
【背景技术】
[0001]预测是评估未来事件的过程。在商业中,预测被用来准备用于商业计划、投资决策、运营计划、供应链规划和其它商业决策的预报。此外,预测的准确性取决于在准备预测时如何使用信息以及为预测所选择的预测级别。
【附图说明】
[0002]附图图示出本文所述原理的各个示例,并且是说明书的一部分。示例不限制权利要求的范围。
[0003]图1是根据本文所述原理的一个示例的优化系统的示例的图。
[0004]图2是根据本文所述原理的一个示例的优化环境的示例的图。
[0005]图3是根据本文所述原理的一个示例的预测的示例的图。
[0006]图4是根据本文所述原理的一个示例的预测的示例的图。
[0007]图5是根据本文所述原理的一个示例的、用于利用分解率优化预测的方法的示例的流程图。
[0008]图6是根据本文所述原理的一个示例的、用于利用分解率优化预测的方法的示例的流程图。
[0009]图7是根据本文所述原理的一个示例的优化系统的示例的图。
[0010]图8是根据本文所述原理的一个示例的优化系统的示例的图。
[0011]在所有附图中,相同的参考编号指定相似但不一定相同的元素。
【具体实施方式】
[0012]为了确定预测的准确性,预测者分析商业产品的历史。商业产品的历史可以包括多少商业产品被售出、商业产品在哪里被售出。预测者可获得的信息越多,预测可能更准确。
[0013]然而,随着时间的推移、市场条件的变化和新产品线的增殖,在一段时间过去之后,预测级别可能是无效的。此外,由于大量的人力用于分析商业的历史,因此预测级别很少被重新评估并在一段时间内始终保持不变。结果,这能够显著地影响预测的准确性,其中供应链和库存管理中具有下游影响。
[0014]本文所描述的原理包括一种用于利用预测级别上的分解率优化预测的方法。该方法包括:确定将在预测中被评估的产品维度和地理维度;评估产品维度和地理维度的组合;并优化分解率以准备预测级别上的预测。该方法允许将评估的产品维度和地理维度的所有可能组合。结果,生成优化的分解率以确保预测在该预测级别上是准确的。
[0015]此外,该方法可以包括:基于最小误差预测计算产品维度和地理维度的最优分解路径。关于此方法的更多细节将在下面更详细地描述。
[0016]预测可以是关于其实际结果尚未被观察到的事件的陈述。在一个示例中,预测可以是关于事件(如投资决策、运营计划、供应链、其他事件或它们的组合)的评估的陈述。
[0017]产品维度可以是在其上可以评估产品的级别。例如,产品维度可以被评估为整体业务单元,包括产品制造商的所有产品。此外,产品维度可以被评估为产品种类。更进一步,产品维度可以被评估为单独的产品。
[0018]地理维度可以是在其上可以评估地理位置的级别。例如,地理维度可以被评估为区域、细分市场、子区域、国家或它们的组合。此外,地理维度可以包括历史价值。在本示例中,历史价值包括多少产品被售出、产品在哪里被售出。
[0019]时间维度可以是在其上评估预测的时间的级别。在一个示例中,时间维度可以是天、周、月、年、其他时间维度或它们的组合。
[0020]分解率可以包括两个或更多个产品维度、地理维度、时间维度或它们的组合之间的关系。进一步,分解率可以被优化以确保产生准确的预测。
[0021]预测级别可以是在其上准备预测的级别。在一个示例中,预测级别可以是库存单元(SKU)级别。结果,预测在SKU级别上被准备。在另一个示例中,预测级别可以是种类级别。结果,预测在种类级别上被准备。在又一个示例中,预测级别可以是总体级别。结果,预测在总体级别上被准备。此外,在一个示例中,用户可以选择预测级别来准备预测。结果,预测可以在所需的预测级别上被准备。
[0022]此外,如在本说明书和所附权利要求书中所使用的,用语“若干个”或相似的用语意味着要被广泛理解为包含I到无穷大的任何正整数,零不是数,而是缺少数。
[0023]在下面的描述中,为了解释的目的,阐述了许多具体的细节以便提供对本系统和方法的深入理解。然而,本领域技术人员将显而易见的是,没有这些具体细节也可实现本装置、系统和方法。说明书中对“一个示例”的引用或相似的用语意味着结合该示例描述的特定特征、结构或特性如所述地被包括,但可能不包括在其他示例中。
[0024]图1是根据本文所述原理的一个示例的优化系统的示例的图。如下面将描述的,优化系统与网络通信以确定在预测中将被评估的产品维度和地理维度。该优化系统评估产品维度和地理维度的组合。该优化系统进一步优化分解率以准备预测级别上的预测。该方法允许产品维度和地理维度的所有可能组合被评估。结果,优化的分解率被产生以确保预测级别上的最优预测。
[0025]在一个示例中,系统(100)包括数据库(112)。如将在本说明书的其他部分中描述的那样,数据库(102)包括业务仓库数据库、高级规划器和优化器数据库、产品数据库或它们的组合。在该示例中,数据库(112)包括关于产品维度、地理维度、时间维度、历史价值或它们的组合的信息。与给定的示例保持一致,数据库(112)通过网络(106)与优化系统(108)进行通信,以使用来自于数据库(112)的信息准备预测级别上的预测。
[0026]系统(100)还包括优化系统(108)。与给定的示例保持一致,优化系统(108)确定在预测中将被评估的产品维度和地理维度。如上所述,预测可能是关于其实际结果尚未被观察到的事件的陈述。在一个示例中,预测可能是关于事件(如投资决策、运营计划、供应链、其他事件或它们的组合)的评估的陈述。
[0027]此外,如上所述,产品维度可以是在其上可以评估产品的级别。例如,产品维度可以被评估为一个整体业务单元,包括产品制造商的所有产品。此外,产品维度可被评估为产品类别。进一步,产品维度可以被评估为单独的产品。与给定的示例保持一致,地理维度可以是在其上可以评估地理位置的级别。例如,地理维度可以被评估为区域、细分市场、子区域、国家或它们的组合。此外,地理维度可以包括历史价值。在本示例中,历史价值包括多少产品被售出、产品在哪里被售出,以及销售基于地理维度的产品所花费的时间。此外,历史价值可以包括区域的历史价值、细分市场的历史价值、子区域的历史价值、国家的历史价值或它们的组合。关于确定在预测中要评估的产品维度和地理维度的更多信息将在本说明书的其他部分被描述。
[0028]优化系统(108)进一步评估产品维度与地理维度的组合。例如,产品维度可以包括三个独立的产品:P1、P2和P3。此外,地理维度可以包括三个地理维度:G1、G2和G3。在本示例中,产品维度与地理维度的组合可以包括九种可能的组合。例如,PI和G1、PI和G2、PI和G3、P2和G1、P2和G2、P3和G3、P3和G1、P3和G2、P3和G3。如将在本说明书的其他部分中描述的那样,每个组合被评估用于准备预测。更多的关于评估产品维度与地理维度的组合的信息将在本说明书的其他部分中被描述。
[0029]优化系统(108)进一步优化分解率以准备预测级别上的预测。在一个示例中,分解率被优化以允许预测者确定哪一个产品维度和地理维度对预测产生最有利的结果。此外,用户可以选择预测级别来准备预测。结果,预测可以在所需的预测级别上被准备。结果,产生优化的分解率以确保预测在一预测级别上是准确的。更多的关于优化分解率以准备预测的信息将在本说明书的其他部分中被描述。
[0030]系统(100)还包括具有显示器(104)的用户设备(102)。在本例中,优化系统(108)经由用户设备(112)将预测呈现给用户,例如预测者。如将在本说明书的其他部分中描述的那样,预测可以采用电子表格的形式,以允许预测者容易地解释预测。
[0031]虽然这个示例已经参考位于网络上的优化系统被描述,但优化系统可以根据本文描述的原理位于任何适当的位置。例如,优化系统可以位于用户设备中。
[0032]图2是根据本文所述原理的一个示例的优化环境的示例的图。如上所述,优化系统用于确定在预测中被评估的产品维度与地理维度。该优化系统评估产品维度和地理维度的组合。该优化系统进一步优化分解率以准备预测级别上的预测。该方法允许产品维度和地理维度的所有可能组合被评估。结果,产生优化的分解率以确保最佳预测。
[0033]在图2的示例中,环境(200)包括若干个数据库(232)。在该示例中,数据库(232)包括业务仓库(BW)数据库(202)、高级规划器和优化器(APO)数据库(204)、以及产品数据库(206)。
[0034]在一个示例中,BW数据库(202)包含如下信息:该信息包括关于底层的数据仓库区的信息。在一个示例中,数据仓库区负责存储各类结构(例如数据存储对象、信息对象、其他结构或它们的组合)的信息。与给定的示例保持一致,BW数据库(202)与产品数据库(206)进行通信。结果,存储在BW数据库(202)中的信息可供产品数据库(206)访问。关于产品数据库
(206)的更多信息将被描述如下。
[0035]如上所述,环境(200)包括APO数据库(204)JPO数据库(204)可以包括用于利用各种模块规划和优化供应链过程的规划工具。在一个示例中,模块可以包括需求规划、供应网络规划(SNP)、其它模块或它们的组合。
[0036]在该示例中,需求规划是一组围绕需求管理、统计预测、推广和生命周期规划过程的功能。此外,需求规划是企业的销售和运营规划过程中不可或缺的一部分。
[0037]与给定的示例保持一致,SNP是APO中的组织聚合生产和供应链中跨位置分销规划的模块。在一个示例中,SNP使用若干个工具来规划跨供应网络中的多个位置的生产和分销。与给定的示例保持一致,APO数据库(204)与产品数据库(206)进行通信。结果,存储在APO数据库(202)中的信息可供产品数据库(206)访问。
[0038]如上所述,环境(200)包括产品数据库(206)。在一个示例中,产品数据库(206)包括关于产品的实际出货的信息。例如,该产品是什么、多少产品被装运、产品被装运到何处、以及谁购买产品。在该示例中,存储在产品数据库(206)中的数据可供优化系统(218)访问。
[0039]在该示例中,优化系统(218)包括数据生成器引擎(208)、识别引擎(214)和优化引擎(216)。在一个示例中,数据生成器引擎(208)接收来自产品数据库(208)的信息。与给定的示例保持一致,数据生成器引擎(208)包括异常值校正引擎(210)和相似产品映射引擎(212)。在该示例中,异常值校正引擎(210)用于纠正异常值。在一个示例中,异常值会偶尔出现在分布中,或者说,总体有重尾分布。在一个示例中,数据点将比被认为是合理的更远离样本平均值。因此,异常值点可以表示错误的数据、出错的程序、或某一理论可能无效的区域。结果,异常值校正引擎(210)校正数据中的此类错误。
[0040]如上所述,数据生成器引擎(208)包括相似产品映射引擎(212)。在该示例中,相似产品映射引擎(212)映射类似的产品。例如,产品X可能与产品Y类似,原因在于:产品X和产品Y二者是相同的产品只是颜色不同。结果,相似产品映射引擎(212)将产品X和产品Y映射为类似的。
[0041]此外,数据生成器引擎(208)可以确定产品维度和地理维度。此外,数据生成器引擎(208)可以进一步评估产品维度与地理维度的组合。关于评估产品维度与地理维度的组合的更多信息将在本说明书的其他部分中被描述。
[0042]如上所述,优化系统(218)还包括识别引擎(214)。识别引擎(214)为每一个产品维度与地理维度组合识别最佳可能路径。此外,识别引擎(214)可以比较每一个产品维度与地理维度组合的结果以填充(populate)错误基础,从而为每一个产品维度与地理维度组合确定最佳可能路径。关于为每一个产品维度与地理维度组合识别最佳可能路径的更多信息将在本说明书的随后部分中被描述。
[0043]如上所述,优化系统(218)包括优化引擎(216)。在一个示例中,优化引擎(216)提供预测级别上的优化的分解率。此外,该优化的分解率可以用作APO数据库(204)的输入。关于预测级别上的优化的分解率的更多信息将在本说明书的随后部分中被描述。
[0044]环境(200)可以进一步包括结果引擎(224)。在该示例中,结果引擎(224)包括分解错误概要(220)、预测级别估计(222)、和优化的分解率(226)。在一个示例中,分解错误概要
(220)包括所识别的最佳可能分解方法。此外,预测级别估计(222)可包括最小误差预测的结果。更进一步,优化的分解率(226)可以包括预测级别上的优化的分解率的结果。关于分解方法、最小误差预测和优化的分解率的更多信息将在本说明书的随后部分中被描述。
[0045]此外,分解方法的结果、最小误差预测的结果、和预测级别上的优化的分解率的结果被发送到用户设备(228)。在该示例中,用户设备(228)包括用于向预测者显示分解方法的结果、最小误差预测的结果、和预测级别上的优化的分解率的结果的显示器(230)。
[0046]图3是根据本文所述原理的一个示例的预测的示例的图。如上所述,优化系统包括识别引擎。识别引擎为每一个产品维度与地理维度组合识别最佳可能路径。此外,优化引擎优化预测级别上的分解率。如下面将所描述的那样,预测级别上的优化的分解率的结果作为预测被呈现给预测者。
[0047]在图3的示例中,显示器(302)可以显示优化系统的结果。在该示例中,优化引擎的结果可以包括显示的SKU(304)、国家(306)、优化的配置文件(308)和优化的分解率(310)。
[0048]在该示例中,SKU( 304)可以包括三个SKU。例如,库存单元一(304-1)、库存单元二(304-2)和库存单元三(304-3)。在该示例中,库存单元(304)可以是被提供用于销售的不同项目,例如产品或服务,该项目包含了与项目相关的并将其与所有其他项目区分开的所有属性。在一个示例中,对于产品来说,这些属性包括但不限于:制造商、产品说明、材料、尺寸、颜色、包装和保修条款。在另一个示例中,SKU(304)可以包括用于不同于使用SKU的所有其他产品的产品的特定识别号码。
[0049]在该示例中,SKU(304)可以用地理维度(306)来识别。例如,库存单元一 (304-1)用地理维度一 (306-1)来识别,库存单元二 (304-2)用地理维度二 (306-2)来识别,并且库存单元三(304-3)用地理维度三(306-3)来识别。在该示例中,地理维度(306)可以是区域、细分市场、子区域、国家或它们的组合。
[0050]此外,SKU(304)可以用优化的配置文件(308)来识别。在该示例中,优化的配置文件(308)可以包括产品维度与地理维度的组合。与给定的示例保持一致,库存单元一(304-
1)用优化的配置文件一(308-1)来识别,库存单元二(304-2)用优化的配置文件二(308-2)来识别,并且库存单元三(304-3)用优化的配置文件三(308-3)来识别。
[0051 ] 此外,SKU(304)可以用优化的分解率(310)来识别。例如,库存单元一 (304-1)用优化的分解率一 (310-1)来识别,库存单元二 (304-2)用优化的分解率二 (310-2)来识别,并且库存单元三(304-3)用优化的分解率三(310-3)来识别。在该示例中,优化的分解率(310)可被显示为百分比。例如,优化的分解率一 (310-1)可能是百分之三十,优化的分解率二 (310-
2)可能是百分之二十,并且优化的分解率三(310-3)可能是百分之五十。结果,预测(300)允许预测者根据优化的分解率确定被发送到具体地理维度的具体产品维度。
[0052]图4是根据本文所述原理的一个示例的预测的示例的图。如上所述,识别引擎为每一个产品维度与地理维度的组合识别最佳可能路径。此外,优化引擎根据最小误差预测来优化分解率。如下面将描述的,最小误差预测的结果作为预测被呈现给预测者。
[0053]在图4的示例中,显示器(302)可以显示优化系统的结果。在该示例中,优化系统的结果可以包括时间维度(404)、优化的配置文件(406)、数据类型(408)和最小误差预测(410)。在一个示例中,时间维度可以是移动平均值。在一个示例中,移动平均值是用于通过创建完整数据集的不同子集的一系列平均值来分析一组数据点的滤波器。另外,移动平均值是一组数字,每一个数字是更大的一组基准点的对应子集的平均值。移动平均值可以进一步对于子集中的每一个基准值使用不同的权重,以突出子集中的特定值。在一个示例中,移动平均值可以是三个月移动平均值、六个月移动平均值、九个月移动平均值、十二个月移动平均值或其它移动平均值。
[0054]在该示例中,时间维度(404)可以包括三个移动平均值:时间维度一 (404-1)、时间维度二 (404-2)和时间维度三(404-3)。在该示例中,移动平均值(404)可以分别是三个月移动平均值、六个月移动平均值和九个月移动平均值。在一个示例中,时间维度(404)可以用优化的配置文件(406)来识别。例如,时间维度一 (404-1)用优化的配置文件一 (406-1)来识另IJ,时间维度二(404-2)用优化的配置文件二(406-2)来识别,时间维度三(404-3)用优化的配置文件三(406-3)来识别。在该示例中,优化的配置文件(406)包括产品维度和地理维度的所有可能组合。
[0055]在一个示例中,时间维度(404)可以用数据类型(408)来识别。例如,时间维度一(404-1)用数据类型一(408-1)来识别,时间维度二(404-2)用数据类型二(408-2)来识别,时间维度三(404-3)用数据类型三(408-3)来识别。在该示例中,数据类型(408)可以表示预测(400)包括错误比较。
[0056]与给定的示例保持一致,时间维度(404)可以用最小预测误差(410)来识别。例如,时间维度一(404-1)用最小预测误差一(410-1)来识别,时间维度二(404-2)用最小预测误差二(410-2)来识别,时间维度三(404-3)用最小预测误差三(410-3)来识别。在该示例中,最小预测误差一 (410-1)可以是百分之九十,最小预测误差二 (410-2)可以是百分之三百二十,并且最小预测误差三(410-3)可以是百分之一百五十。结果,预测(300)允许预测者基于最小预测误差确定被发送到具体地理维度的具体产品维度。关于最小预测误差的更多信息将在本说明书的后续部分中被详细描述。
[0057]图5是根据本文所述原理的一个示例的、用于利用预测级别上的分解率优化预测的方法的示例的流程图。在该示例中,方法(500)包括确定(501)将在预测中被评估的产品维度和地理维度,评估(502)产品维度与地理维度的组合,以及优化(503)分解率以准备预测级别上的预测。
[0058]如上面所提到的,方法(500)包括确定(501)将在预测中被评估的产品维度和地理维度。在一个示例中,产品维度可以包括三个维度:Pl、P2和P3。另外,地理维度可以包括三个维度:G1、G2和G3。
[0059]另外,方法(500)包括评估(502)产品维度与地理维度的组合。在本例中,产品维度与地理维度的组合可以包括九种可能的组合。例如,Pl和G1、P1和G2、P1和G3、P2和G1、P2和62、?3和63、卩3和61、?3和62、卩3和63。
[0060]方法(500)随后包括优化(503)分解率以准备预测级别上的预测。在一个示例中,优化(503)分解率以准备预测级别上的预测可以包括计算最小误差预测。在该示例中,最小误差预测(mef)可定义如下:
[0061]mef=min[ (actG4P4)-dfGnPn](公式 I)
[0062]其中,df是从地理维度η级(Gn)和产品维度m级(Pm)而来的分解预测。在该示例中,η是地理维度中的级别,并且m是产品维度中的级别。在该示例中,4是η和m的最高级别。另夕卜,在该示例中,df可以是从实际的历史值或六个月移动平均值而来的估计。
[0063]在一个示例中,优化分解率以准备预测级别上的预测包括使用最小误差预测。在该示例中,分解率(odr)可以定义如下:
[0064]odr=mef/( Smefl+mef2+…+mefn)(公式2)
[0065]其中,η为地理维度的最低级别。结果,分解率用于准备预测。另外,在一个示例中,几个分解率可以用于准备预测。在该示例中,方法(500)可以优化分解率,使得一个分解率可以用于准备预测级别上的预测。
[0066]如上所述,预测级别可以是在其上准备预测的级别。在一个示例中,预测级别可以是SKU级别。结果,预测在SKU级别上被准备。在另一个示例中,预测级别可以是种类级别。结果,预测在种类级别上被准备。在又一个示例中,预测级别可以是总体级别。结果,预测在总体级别上被准备。此外,在一个示例中,用户可以选择预测级别来准备预测。结果,预测可以在所需的预测级别上被准备。
[0067]图6是根据本文所述原理的一个示例的、用于利用预测级别上的分解率优化预测的方法的示例的流程图。在该示例中,方法(600)包括确定(601)将在预测中被评估的产品维度和地理维度,评估(602)产品维度与地理维度的组合,基于产品维度与地理维度的组合为至少一个分解方法分解(603)至少一个最小误差预测,识别(604)最佳分解路径,基于最小误差预测为产品维度和地理维度计算(605)最佳分解路径,以及优化(606)分解率以准备预测级别上的预测。
[0068]如上所述,方法(600)包括基于产品维度与地理维度的组合为至少一个分解方法分解(603)至少一个最小误差预测。如上所述,在准备预测时,预测者决定预测将在什么级别上被使用。例如,预测可以在SKU级别、种类级别或总体级别上被使用。另外,在最低的预测级别上所做的预测向市场需求提供了最佳的输出,并且捕获了关于市场的实际需求的更多信息,但要开展这项工作的时间和精力使得这种类型的预测是不切实际的。选择较高的预测级别是在灵活性、时间以及用于实际的预测过程的努力之间的折衷。另外,预测者决定在准备预测时使用哪种分解方法。在一个示例中,分解方法可以是自上而下的分解方法、中间向外的分解方法、自下而上的分解方法或它们的组合。结果,不同的分解方法可以被用于准备准确的预测。
[0069]在一个示例中,用于预测的自上而下的分解方法首先在聚合的最高预测级别(例如作为整体的公司)上被使用,然后被分解成种类和SKU。例如,在自上而下的分解方法中,业务概述被制定,指定但不详细说明业务的任意第一级子系统。然后,每一个子系统有时在许多附加的子系统级别上被更详细地细化,直到整个规范被减少到基本元素,例如种类和SKU0
[0070]与给定的示例保持一致,用于预测的中间向外的分解方法首先在预测级别(例如种类级别)上被准备。另外,中间向外的分解方法然后在一公司级别上开展预测,在该公司级别上,所有种类的预测都添加到预测。在用于预测的自下而上的分解方法中,预测首先在一预测级别(例如SKU预测级别)上被准备,然后被汇总以生成种类预测级别和总体预测级别预测。
[0071 ] 如上所述,方法(600)进一步包括识别(604)最优分解方法。在一个示例中,选择正确的预测级别来生成预测并选择正确的方法来进行分解能够显著地影响预测的准确度,其中供应链和库存管理中具有下游影响。随着市场条件变化和产品周期越来越短,库存过剩和失去的销售机会可以显著地伤害企业。结果,识别最优分解方法可以显著地影响预测的准确性。
[0072]在一个示例中,自上而下的分解方法可以是最优分解方法。在另一个示例中,中间向外的分解方法可以是最优分解方法。在又一个示例中,自下而上的分解方法可以是最优分解方法。
[0073]方法进一步包括基于最小误差预测为产品维度和地理维度计算(605)最优分解路径。如上所述,识别引擎可以被用来基于最小误差预测为产品维度和地理维度计算最优分解路径。在一个示例中,为每一个产品维度与地理维度的组合计算最优分解路径。在另一示例中,为一个产品维度以及每一个地理维度的组合计算最优分解路径。在又一示例中,为每一个产品维度的组合以及一个地理维度计算最优分解路径。
[0074]图7是根据本文所述原理的一个示例的优化系统的示例的图。优化系统(700)包括确定引擎(702)、评估引擎(704)和优化引擎(706)。在该示例中,优化系统(700)还包括分解引擎(708)、识别引擎(710)和计算引擎(712)。各引擎(702,704,706,708,710,712)指用于执行指定的功能的硬件和程序指令的组合。引擎(702,704,706,708,710,712)中的每一个可以包括处理器和存储器。程序指令被存储在存储器中,并且使处理器执行引擎的指定功會K。
[0075]确定引擎(702)确定将在预测中被评估的产品维度和地理维度。在一个示例中,确定引擎(702)确定将在预测中被评估的所有产品维度和所有地理维度。
[0076]评估引擎(704)评估产品维度与地理维度的组合。在一个示例中,评估引擎(704)评估产品维度与地理维度的所有可能组合。
[0077]优化引擎(706)优化分解率以准备预测。在一个示例中,优化引擎(706)优化一个分解率以准备预测。在另一个示例中,优化引擎(706)优化几个分解率以准备一预测级别上的预测。
[0078]分解引擎(708)基于产品维度与地理维度的组合为至少一个分解方法分解至少一个最小误差预测。在一个示例中,该分解方法包括自上而下的分解方法、中间向外的分解方法、自下而上的分解方法或它们的组合。
[0079]识别引擎(710)识别最优分解方法。在一个示例中,该最优分解方法可以是自上而下的分解方法、中间向外的分解方法、自下而上的分解方法或它们的组合。
[0080]计算引擎(712)基于最小误差预测为产品维度和地理维度计算最优分解路径。在一个示例中,计算引擎(712)基于最小误差预测为产品维度和地理维度计算一个最优分解路径。在另一个示例中,计算引擎(712)基于最小误差预测为产品维度和地理维度计算几个最优分解路径。
[0081]图8是根据本文所述原理的一个示例的优化系统的示例的图。在该示例中,优化系统(800)包括与存储器资源(804)通信的处理资源(802)。处理资源(802)包括至少一个处理器和用于处理程序指令的其他资源。存储器资源(804)总体上代表能够存储诸如由优化系统(800)使用的程序化指令或数据结构等数据的任何存储器。所显示的存储在存储器资源(804)中的程序化指令包括产品维度确定器(806)、地理维度确定器(808)、组合评估器(810)、最小误差预测分解器(812)、最优分解方法识别器(814)、自上而下分解器(816)、中间向外分解器(818)、自下而上分解器(820)、最优分解路径计算器(822)和分解率优化器(824) ο
[0082]存储器资源(804)包括:包含使得任务由处理资源(802)执行的计算机可读程序代码的计算机可读存储介质。该计算机可读存储介质可以是有形的和/或物理的存储介质。该计算机可读存储介质可以是任何适当的不是传输存储介质的存储介质。计算机可读存储介质类型的非详尽列表包括:非易失性存储器、易失性存储器、随机存取存储器、只写存储器、闪存、电可擦除程序只读存储器、或其它类型的存储器、或其组合。
[0083]产品维度确定器(806)代表在被执行时使得处理资源(802)确定产品维度的程序化指令。地理维度确定器(808)代表在被执行时使得处理资源(802)确定地理维度的程序化指令。组合评估器(810)代表在被执行时使得处理资源(802)评估产品维度与地理维度的组合的程序化指令。最小误差预测分解器(812)代表在被执行时使得处理资源(802)分解最小误差预测的程序化指令。最优分解方法识别器(814)代表在被执行时使得处理资源(802)识别最优分解方法的程序化指令。
[0084]自上而下分解器(816)代表在被执行时使得处理资源(802)使用自上而下的分解方法进行分解的程序化指令。中间向外分解器(818)代表在被执行时使得处理资源(802)使用中间向外的分解方法进行分解的程序化指令。自下而上分解器(820)代表在被执行时使得处理资源(802)使用自下而上的分解方法进行分解的程序化指令。最优分解路径计算器(822)代表在被执行时使得处理资源(802)计算最优分解路径的程序化指令。分解率优化器(824)代表在被执行时使得处理资源(802)优化分解率的程序化指令。
[0085]另外,存储器资源(804)可以是安装包的部分。响应于安装安装包,存储器资源(804)的程序化指令可以从安装包的源(例如便携式介质、服务器、远程网络位置、另一个位置,或它们的组合)被下载。与本文所描述的原则兼容的便携式存储介质包括DVD、CD、闪存、便携式盘、磁盘、光盘、其他形式的便携式存储器,或它们的组合。在其它示例中,程序指令已经被安装。这里,存储器资源可以包括集成存储器,例如硬盘驱动器、固态硬盘驱动器等等。
[0086]在一些示例中,处理资源(802)和存储器资源(804)位于相同的物理组件内,如服务器或网络组件内。存储器资源(804)可以是物理组件的主存储器、缓存、寄存器、非易失性存储器、或物理组件的存储器层次结构中的其他地方的部分。可替代地,存储器资源(804)可以通过网络与处理资源(802)通信。另外,当程序化指令位于本地时,诸如库的数据结构可以通过网络连接从远程位置访问。因此,优化系统(800)可在在用户设备上、在服务器上、一组服务器上、或它们的组合上实现。
[0087]图8的优化系统(800)可以是通用计算机的部分。然而,在替代实施例中,优化系统(800)是专用集成电路的部分。
[0088]已经呈现了前面的描述来阐释和描述所描述原理的示例。该描述并不旨在是详尽的或者将这些原理限制到所公开的任何精确的形式。根据上述的教导,许多修改和变更是可能的。
【主权项】
1.一种利用预测级别上的分解率优化预测的方法,所述方法包括: 确定将在预测中被评估的产品维度和地理维度; 评估所述产品维度与所述地理维度的组合;以及 优化分解率以准备预测级别上的所述预测。2.如权利要求1所述的方法,进一步包括:基于所述产品维度与所述地理维度的所述组合为至少一个分解方法分解至少一个最小误差预测。3.如权利要求2所述的方法,其中所述至少一个分解方法包括自上而下的分解方法、中间向外的分解方法、自下而上的分解方法、或它们的组合。4.如权利要求2所述的方法,其中基于所述产品维度与所述地理维度的所述组合为所述至少一个分解方法分解所述至少一个最小误差预测进一步包括:识别最优分解方法。5.如权利要求2所述的方法,其中基于所述产品维度与所述地理维度的所述组合为所述至少一个分解方法分解所述至少一个最小误差预测进一步包括:基于所述最小误差预测为所述产品维度和所述地理维度计算最优分解路径。6.如权利要求1所述的方法,其中所述地理维度包括区域、细分市场、子区域、国家、或它们的组合。7.如权利要求6所述的方法,其中所述地理维度包括所述区域的历史价值、所述细分市场的历史价值、所述子区域的历史价值、所述国家的历史价值、或它们的组合。8.—种用于利用预测级别上的分解率优化预测的系统,所述系统包括: 确定引擎,用于确定将在预测中被评估的产品维度和地理维度; 评估引擎,用于评估所述产品维度与所述地理维度的组合; 识别引擎,用于识别最优分解方法;以及 优化引擎,用于优化分解率以准备预测级别上的所述预测。9.如权利要求8所述的系统,进一步包括: 分解引擎,用于基于所述产品维度与所述地理维度的所述组合为至少一个分解方法分解至少一个最小误差预测。10.如权利要求9所述的系统,其中所述至少一个分解方法包括自上而下的分解方法、中间向外的分解方法、自下而上的分解方法、或它们的组合。11.如权利要求8所述的系统,进一步包括: 计算引擎,用于基于所述最小误差预测为所述产品维度和所述地理维度计算最优分解路径。12.如权利要求8所述的系统,其中所述地理维度包括区域、细分市场、子区域、国家、或它们的组合,并且其中所述地理维度进一步包括所述区域的历史价值、所述细分市场的历史价值、所述子区域的历史价值、所述国家的历史价值、或它们的组合。13.—种用于利用预测级别上的分解率优化预测的计算机程序产品,包括: 有形的计算机可读存储介质,所述有形的计算机可读存储介质包括嵌入该介质中的计算机可读程序代码,所述计算机可读程序代码包括程序指令,所述程序指令在被执行时使得处理器: 确定将在预测中被评估的产品维度和地理维度; 评估所述产品维度与所述地理维度的组合; 基于所述产品维度与所述地理维度的所述组合为至少一个分解方法分解至少一个最小误差预测;以及 优化分解率以准备预测级别上的所述预测。14.如权利要求13所述的产品,进一步包括包含如下程序指令的计算机可读程序代码:所述程序指令在被执行时使得所述处理器基于所述产品维度与所述地理维度的所述组合为至少一个分解方法分解至少一个最小误差预测。15.如权利要求13所述的产品,进一步包括包含如下程序指令的计算机可读程序代码:所述程序指令在被执行时使得所述处理器识别最优分解方法,其中所述最优分解方法包括自上而下的分解方法、中间向外的分解方法、自下而上的分解方法、或它们的组合。
【文档编号】G06F19/00GK105874459SQ201380081918
【公开日】2016年8月17日
【申请日】2013年10月29日
【发明人】皮丘·库马尔·埃斯瓦拉穆尔蒂, 雅伊尚卡尔·巴斯卡兰·奈尔, 阿比内什·巴拉苏布拉马尼安, 阿伦·库马尔·瓦迪尔·安比卡帕蒂
【申请人】慧与发展有限责任合伙企业