Sie müssen das KI-Nachfrageprognosemodul erworben haben, um diese Lösung zu konfigurieren und zu nutzen.
Einleitung
Das Ziel des KI-Nachfrageprognosemoduls ist es, Prognosen auf 15-, 30- oder 60-Minuten- oder Tagesebene basierend auf historischen Daten zu erstellen. Diese Prognosen können verwendet werden, um eine Personalzählung als Grundlage für die Planung zu erstellen. Die Personalbesetzung kann entweder über die Quinyx-Arbeitsstandards oder die statische/dynamische Regellösung oder durch kundenspezifische Berechnungen außerhalb von Quinyx berechnet werden.
Hyperlokale Prognose
Die Quinyx-Nachfrageprognoselösung integriert das Konzept der hyperlokalen Prognose. Hyperlokale Prognosen gehen davon aus, dass obwohl verschiedene Einheiten dieselbe Datenvariable, z. B. Verkäufe, prognostizieren, jeder einzelne Standort ein einzigartiges Datenmuster und Kunden-/Nutzerverhalten aufweist. Daher ist eine einzige Prognosemethode nicht unbedingt die beste Prognosemethode für alle Datenvariablen an allen Standorten.
Die Quinyx-Nachfrageprognoselösung umfasst mehrere Prognosemethoden, bei denen jede Methode historische Daten unterschiedlich analysiert, um zukünftige Datenwerte vorherzusagen. Daher sind einige spezifische Methoden in bestimmten Szenarien besser geeignet als andere. Die Prognosemethoden reichen beispielsweise von Machine-Learning-Modellen bis zu Zeitreihenmodellen. Die Methode, die die genauesten Prognosen für eine bestimmte Variable in einer bestimmten Einheit basierend auf den historischen Daten liefert, wird ausgewählt. Jede Kombination aus Standort und Variablen wird daher einzeln betrachtet, und für jede von ihnen wird die beste Methode ausgewählt.
Die Nachfrageprognosen werden regelmäßig neu geschult, je nachdem, in welchem Intervall Ihre tatsächlichen Daten aktualisiert werden. Jedes Mal, wenn die Prognosemodelle neu trainiert werden, werden die aktuellsten tatsächlichen und historischen Daten einbezogen, alle Prognosemethoden werden durch den Methodenauswahlprozess geführt und erneut die Methode mit den genauesten Prognosen ausgewählt. So können neue Datenmuster erfasst werden, während die Prognosen im Vergleich zu den tatsächlichen Daten am genauesten bleiben.
Voraussetzungen
Es müssen Eingabedatenvariablen und Prognosekonfigurationsvariablen vorhanden sein, die die in Quinyx vorhergesagten Variablen repräsentieren
Es müssen genügend historische Daten von guter Qualität vorhanden sein. Ausreichende historische Daten können mehrere Jahre bedeuten, wenn Sie jährliche oder saisonale Trends in Ihren Daten haben. Mehr historische Daten sind erforderlich, wenn die COVID-19-Pandemie einen großen Einfluss auf Ihr Datenniveau hatte. Gute Daten bedeuten Daten ohne zu viele fehlende oder unrealistische Daten.
Das Modul zur Nachfrageprognose muss von Quinyx aktiviert und konfiguriert werden.
Konfiguration der Nachfrageprognose
Abgesehen von den oben genannten Voraussetzungen ist keine spezifische Konfiguration erforderlich, um Nachfrageprognosen erstellen zu können. Sie können jedoch sicherstellen, dass die Prognosen Ihre Öffnungszeiten sowie etwaige Veranstaltungen und/oder Feiertage berücksichtigen.
Wenn Sie die Öffnungszeiten konfiguriert haben, kann die Demand Forecasting-Lösung sicherstellen, dass keine Prognosen außerhalb Ihrer Öffnungszeiten erstellt werden. Dies ist wichtig in Fällen, in denen sich die Öffnungszeiten regelmäßig ändern und die neuen Öffnungszeiten kürzer sind als die vorherigen. Öffnungszeiten können entweder in Quinyx oder in Pythia (KI-Optimierung) konfiguriert werden.
Lesen Sie hier mehr darüber, wie Sie die Öffnungszeiten in Quinyx konfigurieren können.
Wenn Sie Ereignisse in Quinyx so konfiguriert haben, dass die erwarteten Variablenwerte erhöht oder verringert werden, wird der Effekt des Ereignisses automatisch auf die Prognosevariablen in Quinyx angewendet. Wenn Sie jedoch sicherstellen möchten, dass die optimale Mitarbeiterzahl entsprechend Ihren Ereignissen aktualisiert wird, müssen Sie entweder manuell den Demand Forecasting-Algorithmus durchführen, um das Ereignis in die Berechnung der optimalen Mitarbeiterzahl einzubeziehen, oder Sie müssen warten, bis die Demand Forecast automatisch ausgeführt wird, um neue Prognosen zu erstellen.
Lesen Sie hier mehr über Eventmanagement. Lesen Sie hier mehr über die manuelle Durchführung von Nachfrageprognosen in Quinyx.
Wenn Sie Ereignisse in Pythia (KI-Optimierung) so konfiguriert haben, dass die erwarteten Variablenwerte erhöht oder verringert werden, müssen Sie den Demand Forecasting-Algorithmus ausführen, um sicherzustellen, dass die Auswirkungen dieser Ereignisse angewendet werden. Anschließend müssen Sie entweder manuell den Demand Forecasting-Algorithmus durchführen, um das Ereignis in die optimale Personalberechnung einzubeziehen, oder Sie müssen warten, bis die Demand Forecast automatisch ausgeführt wird, um neue Prognosen zu erstellen.
Lesen Sie hier mehr über die manuelle Durchführung von Nachfrageprognosen in Pythia.
Erstellung einer Nachfrageprognose
Prognosen können für eine einzelne oder mehrere Datenvariablen entweder automatisch oder manuell erstellt werden. In der Regel wird die automatische Häufigkeit der Erstellung der Prognosen von Quinyx in der Anfangskonfiguration Ihres Demand Forecasting-Moduls von Quinyx konfiguriert. Bei der Konfiguration der automatischen Erstellungsdetails können Sie angeben, wie oft der Algorithmus ausgeführt werden soll, wie weit im Voraus der Algorithmus Prognosen erstellen sollte (z. B. einen Monat im Voraus) und für welche Zeitraum die Prognose erstellt werden sollte (z. B. eine Woche nach der anderen).
Wann immer es Änderungen an den Eingaben des Algorithmus gibt, wie Öffnungszeiten oder Veranstaltungen, und Sie möchten sicherstellen, dass diese berücksichtigt werden, können Sie die Nachfrageprognose jederzeit manuell von Quinyx oder Pythia (KI-Optimierung) ausführen.
Lesen Sie hier mehr über die manuelle Durchführung von Nachfrageprognosen.
Analyse der Ergebnisse
Die resultierenden Prognosen können entweder in Quinyx innerhalb der Zeitplanstatistiken oder in Prognosediagrammen und Tabellen für die spezifischen Prognosekonfigurationsvariablen oder in Pythia (KI-Optimierung) angesehen werden.
Vergleichen Sie die erstellte Prognose mit Ihren Erwartungen für diese Variable zu jedem Zeitpunkt. Wenn die Prognosewerte höher oder niedriger als erwartet sind, prüfen Sie, ob genügend historische Daten zur Prognose vorhanden sind oder ob ein Ereignis berücksichtigt werden sollte, das nicht hinzugefügt wurde.