Je moet de AI Demand Forecasting-module hebben aangeschaft om deze oplossing te configureren en te gebruiken.
Inleiding
Het doel van de AI Demand Forecasting-module is om voorspellingen te maken op een niveau van 15, 30 of 60 minuten of dagelijks op basis van historische gegevens. Deze voorspellingen kunnen worden gebruikt om een personeelsaantal te maken als basis voor planning. Personeelsaantal kan worden berekend via Quinyx Labour Standards of Static/Dynamic Rule-oplossing, of via klantspecifieke berekeningen buiten Quinyx.
Hyperlokale Voorspelling
De Quinyx Demand Forecasting-oplossing omvat het concept van hyperlokale voorspelling. Hyperlokale voorspelling gaat ervan uit dat, hoewel verschillende eenheden dezelfde datavariabele voorspellen, bijvoorbeeld verkoop, elke locatie een uniek datapatroon en klant-/gebruikersgedrag heeft. Daarom is één enkele voorspellingsmethode niet per se de beste prognosemethode voor alle datavariabelen op alle locaties.
De Quinyx Demand Forecasting-oplossing omvat meerdere voorspellingsmethoden, waarbij elke methode historische gegevens op een andere manier analyseert om toekomstige datawaarden te voorspellen. Daarom zijn sommige specifieke methoden in bepaalde scenario's geschikter dan andere. De voorspellingsmethoden variëren bijvoorbeeld van Machine Learning Models tot Time Series Models. De methode die de meest nauwkeurige voorspellingen levert voor een specifieke variabele in een specifieke eenheid, op basis van de historische gegevens, wordt gekozen. Elke locatie- en variabelencombinatie wordt daarom afzonderlijk beschouwd, en voor elk wordt de beste methode gekozen.
De vraagvoorspellingen worden regelmatig opnieuw getraind, afhankelijk van op welk interval uw daadwerkelijke data wordt bijgewerkt. Elke keer dat de voorspellingsmodellen worden hertraind, worden de meest recente daadwerkelijke en historische gegevens opgenomen, worden alle voorspellingsmethoden uitgevoerd in het methodeselectieproces en opnieuw wordt de methode gekozen die de meest nauwkeurige voorspellingen levert. Op die manier kunnen nieuwe datapatronen worden vastgelegd terwijl de voorspellingen het meest nauwkeurig blijven ten opzichte van de werkelijke data.
Vereisten
Er moeten invoerdatavariabelen en voorspellingsconfiguratievariabelen zijn die de variabelen weergeven die in Quinyx worden geconfigureerd en geconfigureerd moeten worden
Er moeten voldoende historische data van goede kwaliteit zijn. Voldoende historische data kan meerdere jaren betekenen als je jaarlijkse of seizoensgebonden trends in je data hebt. Meer historische data is nodig als de COVID-19-pandemie een grote impact heeft gehad op je dataniveaus. Goede data van goede kwaliteit betekent data zonder te veel ontbrekende data of onrealistische data.
De Demand Forecasting-module moet door Quinyx worden ingeschakeld en geconfigureerd.
Configuratie van vraagvoorspelling
Afgezien van bovenstaande vereisten is er geen specifieke configuratie nodig om vraagvoorspellingen te kunnen maken. Je kunt er echter voor zorgen dat de voorspellingen rekening houden met je openingstijden en eventuele evenementen en/of feestdagen.
Als je openingstijden hebt ingesteld, kan de Demand Forecasting-oplossing ervoor zorgen dat er geen voorspellingen buiten je openingstijden worden gemaakt. Dit is belangrijk in gevallen waarin openingstijden regelmatig veranderen en waar de nieuwe openingstijden korter zijn dan de voorgaande. Openingsuren kunnen worden ingesteld in Quinyx of in Pythia (AI-optimalisatie).
Lees hier meer over hoe je openingstijden in Quinyx kunt instellen.
Als je gebeurtenissen in Quinyx hebt geconfigureerd om de verwachte variabelen te verhogen of te verlagen, wordt het effect van het evenement automatisch toegepast op de voorspellingsvariabelen in Quinyx. Als je echter wilt zorgen dat het optimale aantal medewerkers wordt bijgewerkt volgens je gebeurtenissen, moet je ofwel handmatig het Demand Forecasting-algoritme uitvoeren om het evenement mee te nemen in de optimale personeelsberekening, of je moet wachten tot de Demand Forecast automatisch wordt uitgevoerd om nieuwe voorspellingen te maken.
Lees hier meer over eventmanagement. Lees hier meer over het handmatig uitvoeren van vraagvoorspelling in Quinyx.
Als je gebeurtenissen in Pythia (AI-optimalisatie) hebt geconfigureerd om de verwachte variabelen te verhogen of te verlagen, moet je het Demand Forecasting-algoritme uitvoeren om ervoor te zorgen dat de effecten van die gebeurtenissen worden toegepast. Je moet vervolgens handmatig het Demand Forecasting-algoritme uitvoeren om het evenement op te nemen in de optimale personeelsberekening, of je moet wachten tot de Demand Forecast automatisch wordt uitgevoerd om nieuwe voorspellingen te maken.
Lees hier meer over het handmatig uitvoeren van vraagvoorspelling in Pythia.
Het maken van een vraagvoorspelling
Voorspellingen kunnen automatisch of handmatig worden gemaakt voor één of meerdere datavariabelen. Over het algemeen wordt de automatische frequentie voor het maken van de voorspellingen door Quinyx ingesteld bij de initiële configuratie van je Demand Forecasting-module. Bij het configureren van de automatische creatiedetails kun je aangeven hoe vaak het algoritme moet worden uitgevoerd, hoe ver vooruit het algoritme voorspellingen moet maken (bijvoorbeeld een maand van tevoren), en voor welke periode de voorspelling moet worden gemaakt (bijvoorbeeld één week tegelijk).
Wanneer er wijzigingen zijn in de algoritmeinvoer, zoals openingstijden of evenementen, en je wilt zeker weten dat deze worden meegenomen, kun je de Vraagvoorspelling ook handmatig uitvoeren vanuit Quinyx of Pythia (AI-optimalisatie) op elk moment.
Lees hier meer over het handmatig uitvoeren van vraagvoorspelling.
Analyse van de resultaten
De resulterende voorspellingen kunnen worden bekeken in Quinyx binnen de planningsstatistieken of prognosegrafieken en tabellen voor de specifieke prognoseconfiguratievariabelen, of in Pythia (AI-optimalisatie).
Vergelijk de gemaakte voorspelling met je verwachtingen voor die variabele op elk moment. Als de voorspellingswaarden hoger of lager zijn dan verwacht, controleer dan of er voldoende historische data is om te voorspellen op basis van of dat er een gebeurtenis moet worden overwogen die niet is toegevoegd.