Affärsprognoser är en process som används för att uppskatta eller förutsäga framtida mönster. Chefer, chefer och analytiker använder de prognostiserade resultaten för att hjälpa till att fatta bättre informerade affärsbeslut. Till exempel används affärsprognoser för att uppskatta kvartalsförsäljning, lagernivåer, ombeställningar i leveranskedjan, webbplatstrafik och riskexponering. Även om affärsprognoser vanligtvis uppnås genom att använda statistiska tekniker, har datautvinning också visat sig vara ett användbart verktyg för företag med mycket historisk data.
Verktyg som används för affärsprognoser beror på verksamhetens behov och mängden data som är involverad. Dessa verktyg inkluderar kalkylblad, företagsresursplanering, avancerade system för hantering av försörjningskedjor och andra nätverks- eller webbteknologier. Generellt sett bör de använda verktygen möjliggöra enkel delning av data mellan avdelningar eller affärsenheter, uppladdning av data från flera källor, ett urval av analystekniker och grafisk visning av resultat.
Tre metoder för affärsprognoser finns tillgängliga för olika typer av data och analys. Tidsseriemodellen är den vanligaste, där data projiceras framåt. Statistiska beräkningar för denna modell inkluderar glidande medelvärde, exponentiell utjämning och Box-Jenkins metoder. Tidsseriemodeller är enkla på så sätt att efter att formeln har bestämts, infogar historiska data de prognostiserade resultaten. Det är bara användbart när den historiska informationen visar ett starkt mönster, utan hänsyn till anomalier.
Förklaringsmodeller är en annan metod för affärsprognoser. Dessa modeller behöver inte lika mycket historisk data som tidsserieanalysen för att få användbara affärsprognoser. Linjära regressioner, icke-parametriska additiv och lagregressioner är vanliga metoder. Till exempel kan en linjär regression användas för att bestämma hur mycket webbplatstrafik som kommer att ge de önskade annonsintäkterna.
Datautvinning är en tredje metod för affärsprognoser, och den ökar i popularitet när företag samlar in och sparar mer av sin data i digitalt format. Denna metod bygger på att sålla igenom historiska data för mönster. Dessa data hämtas och kombineras vanligtvis från olika avdelningar, e-postmeddelanden och rapporter. Algoritmer kan baseras på datautvinning för att göra förutsägelser automatiskt, till exempel Amazon.coms system för att erbjuda sina kunder rekommenderade böcker.
Fel i affärsprognoser är vanliga på grund av mjukvaruproblem, matematiska fel, onödiga justeringar och fördomar. Att minska eller eliminera fel kan åstadkommas genom att räkna om, jämföra resultaten när du använder en annan formel eller metod, minimera justeringar och ta bort möjligheter till fördomar. Uppskattningar bör tydligt identifieras med en förklaring av hur uppskattningen skapades. Initiala prognoser kan visa sig vara felaktiga jämfört med faktiska resultat, så ständiga justeringar kan behövas för att producera starkare framtida förutsägelser.