یک چارچوب مبنی بر شاخص اقتصاد کلان راهبردی
ترجمه نشده

یک چارچوب مبنی بر شاخص اقتصاد کلان راهبردی

عنوان فارسی مقاله: یک چارچوب مبنی بر شاخص اقتصاد کلان راهبردی به منظور تولید خودکار پیش بینی های فروش فنی
عنوان انگلیسی مقاله: A leading macroeconomic indicators’ based framework to automatically generate tactical sales forecasts
مجله/کنفرانس: مهندسی صنایع و کامپیوترها – Computers & Industrial Engineering
رشته های تحصیلی مرتبط: اقتصاد، مدیریت
گرایش های تحصیلی مرتبط: توسعه اقتصادی و برنامه ریزی، مدیریت کسب و کار، بازاریابی
کلمات کلیدی فارسی: پیش بینی، پیش بینی فروش، پیش بینی فروش فنی، شاخص های اقتصاد کلان، تجزیه، رگرسیون لسو
کلمات کلیدی انگلیسی: Forecasting, Sales forecasting, Tactical sales forecasting, Macroeconomic indicators, Decomposition, LASSO regression
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: Scopus – Master Journals List – JCR
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.cie.2019.106169
دانشگاه: Ghent University, Belgium
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2020
ایمپکت فاکتور: 4.485 در سال 2019
شاخص H_index: 111 در سال 2020
شاخص SJR: 1.334 در سال 2019
شناسه ISSN: 0360-8352
شاخص Quartile (چارک): Q1 در سال 2019
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 10
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: بله
آیا این مقاله مدل مفهومی دارد: دارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: دارد
کد محصول: E14170
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست انگلیسی مطالب

Abstract


1- Introduction


2- Literature review


3- Proposed framework


4- Data and forecasting results


5- Conclusions


Acknowledgements


References

نمونه متن انگلیسی مقاله

Abstract


Tactical sales forecasting is fundamental to production, transportation and personnel decisions at all levels of a supply chain. Traditional forecasting methods extrapolate historical sales information to predict future sales. As a result, these methods are not capable of anticipating macroeconomic changes in the business environment that often have a significant impact on the demand. To account for these macroeconomic changes, companies adjust either their statistical forecast manually or rely on an expert forecast. However, both approaches are notoriously biased and expensive. This paper investigates the use of leading macroeconomic indicators in the tactical sales forecasting process. A forecasting framework is established that automatically selects the relevant variables and predicts future sales. Next, the seasonal component is predicted by the seasonal naive method and the long-term trend using a LASSO regression method with macroeconomic indicators, while keeping the size of the indicator’s set as small as possible. Finally, the accuracy of the proposed framework is evaluated by quantifying the impact of each individual component. The carried out analysis has shown that the proposed framework achieves a reduction of 54.5% in mean absolute percentage error when compared to the naive forecasting method. Moreover, compared to the best performing conventional methods, a reduction of 25.6% is achieved in the tactical time window over three different real-life case studies from different geographical areas.


Introduction


Forecasting is one of the key aspects of operations management (Oliva & Watson, 2009). Sales forecasting plays a major role in the allocation of corporate resources (Stein, 1997), marketing (Crittenden, Gardiner, & Stam, 1993), and impacts decisions on production, transportation and personnel at all kinds of horizons in the supply chain (Hyndman & Athanasopoulos, 2014). Historically, forecasting research attempted to find the best model for the used data set (De Gooijer & Hyndman, 2006). With the rapid expansion of the internet, a lot of external data has become available. IBM estimates that in 2020 43 trillion GB of data will be created, which is 300 times the volume produced in 2008. This growth in data availability is causing a shift from finding the best model to finding the right data (causal method forecasting).


Traditional statistical forecasting methods only extrapolate historical trends and seasonal influences to predict future sales. As a consequence, these methods are not capable of anticipating macroeconomic changes in the business environment, which often significantly impact the demand. To account for these future changes, companies either adjust their statistical forecast manually or rely on expert forecasts. However, both approaches are notoriously biased, as humans are generally bad in making these adjustments, and are time consuming.

  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

یک چارچوب مبنی بر شاخص اقتصاد کلان راهبردی
نوشته های مرتبط
مقالات جدید
لوگوی رسانه های برخط

logo-samandehi

پیوندها