Adattudomány az ellátási lánc előrejelzéséhez

Olvasói vélemények

Az „Adattudomány az ellátási lánc előrejelzéséhez” című könyv gyakorlatias forrás az ellátási lánc szakemberei és az adatelemzők számára, amely az elmélet és az alkalmazás szilárd keverékét kínálja. Bár értékes betekintést nyújt és a kezdők számára is hozzáférhető, egyes olvasók úgy találják, hogy a tartalom alapvető és nem elég mély, különösen a haladó adattudósok számára. Emellett több véleményező is megjegyezte, hogy a nyomtatás minőségével kapcsolatos problémák vannak, ami rontotta az általános élményt.

⬤ Gyakorlati és gyakorlatias megközelítés az ellátási lánc szakemberei és az adatelemzők számára.
⬤ Jól strukturált fejezetek, amelyek összekapcsolják az elméletet a megvalósítható meglátásokkal.
⬤ Hozzáférhető nyelvezet és világos magyarázatok, még a Pythonban kezdők számára is.
⬤ Értékes tippeket és kódot tartalmaz az előrejelzéshez.
⬤ Hasznos az ellátási láncon kívül számos más szakterület számára is, például a tervezés és az értékesítés számára.

⬤ Egyes tartalmak alapvetőnek tűnnek, és nem nyújtanak új meglátásokat a haladó adattudósok számára.
⬤ A könyv nem foglalkozik bizonyos haladó témákkal, például az ARIMA modellekkel vagy a mélytanulással.
⬤ A nyomtatás minőségével kapcsolatos problémák, többek között az oldalak kihullása, ami elégedetlenséghez vezet.
⬤ Néhány olvasó úgy érzi, hogy a könyv a nyomtatás minőségéhez képest túlárazott.

(10 olvasói vélemény alapján)

Eredeti címe:

Data Science for Supply Chain Forecasting

Könyv tartalma:

Az adattudomány használata egy probléma megoldásához tudományos gondolkodásmódot igényel, nem pedig kódolási készségeket. Data Science for Supply Chain Forecasting, Second Edition azt állítja, hogy a kereslet előrejelzésében való kiválóság elérése érdekében az ellátási láncokban valódi tudományos módszert kell alkalmazni, amely magában foglalja a kísérletezést, a megfigyelést és az állandó kérdezést.

Ez a második kiadás több mint 45 százalékkal több tartalommal bővül, négy új fejezettel, köztük a neurális hálózatok és az előrejelzési hozzáadott érték keretrendszerének bevezetésével. Az I. rész a statisztikai "hagyományos" modellekre, a II. rész a gépi tanulásra összpontosít, a teljesen új III. rész pedig a kereslet-előrejelzési folyamatok irányítását tárgyalja. A különböző fejezetek mind az előrejelzési modellekre, mind pedig az olyan új fogalmakra összpontosítanak, mint a mérőszámok, az alulillesztés, a túlillesztés, a kiugró értékek, a jellemzők optimalizálása és a külső keresleti tényezők. A könyv tele van csináld magad részekkel, Pythonban (és a statisztikai modellek esetében Excelben) megadott implementációkkal, amelyek megmutatják az olvasóknak, hogyan alkalmazhatják saját maguk ezeket a modelleket.

Ez a gyakorlatias könyv, amely az előrejelzés teljes skáláját lefedi - az alapoktól egészen a legmodernebb modellekig -, az ellátási láncban dolgozó szakemberek, előrejelzők és elemzők hasznára válik, akik a kereslet előrejelzésében szeretnének előrelépni.

Események a könyv körül

Link a De Gruyter online rendezvényéhez, amelyen a szerző, Nicolas Vandeput Stefan de Kokkal, az ellátási lánc innovátorával és a Wahupa vezérigazgatójával, Spyros Makridakisszal, a Nicosiai Egyetem professzorával és az Institute For the Future (IFF) igazgatójával, valamint Edouard Thieuleux-val, az AbcSupplyChain alapítójával együtt megvitatja a kereslet előrejelzésének általános kérdéseit és kihívásait, és betekintést nyújt a legjobb gyakorlatokba (folyamatok, modellek), valamint megvitatja, hogy az adattudomány és a gépi tanulás hogyan befolyásolja ezeket az előrejelzéseket.

Az esemény moderátora Michael Gilliland, a SAS előrejelző szoftverek marketingmenedzsere lesz:

Https: //youtu. be/1rXjXcabW2s.