Big Database

用监督学习的数据挖掘技术，我们使用历史销售和运营数据，根据已知的公司历史确定风险（例如，超过预测 50%）。我们将这些历史数据输入监督学习算法。这些算法“学会”如何预测风险，并应用于未来的销售和运营计划，其中风险未知且必须确定。例如，为了确定超额预测风险需求模式，库存、生产和共识预测数据是我们的模型输入。尽管缺乏促销数据（供需失衡的主要驱动因素），

钱越多，问题越少
我们应用我们的模型确定了研究中关注的小品牌的超额预测风险为 50%。模型预测 S&OP 预测中超额预测风险的可能性很高，但预测结果降低了 50%。应用此模型后，该品牌的利润率在三个月内提高了 3.8%。将我们的方法推广到公司的所有品牌，可以帮助其每年增加 1700 万美元的毛利润。

这项研究让我们看到了预测分析在 S&OP 计划中成功捕捉业务风险的潜力。尽管缺少关键预测因素并且我们没有大数据，但我们仍然取得了成果。

我们的研究结果应该鼓励那些犹豫不决是否要进行预测分析的公司开始 科威特电子邮件列表 寻找数据的价值——即使他们的数据不符合大数据模式。那些提高数据质量并掌握利用预测分析所需知识的公司可以更好地规划生产什么、何时生产以及为谁生产，从而大幅提高利润并获得显著的竞争优势。

换句话说，在解决S&OP预测风险问题时，关键问题不是你的数据能为你做什么，而是你能用你的数据做什么。