Parámetro predeterminado establecido para el motor de previsiones ATT

Se utiliza en el sólido algoritmo de Holt-Winters. Los valores recomendados son 100, siempre que no sea necesaria una detección atípica. De ser necesaria, el valor será 3,5. La constante de límite representa el número de desviaciones estándar del valor histórico al compararlo con el valor previsto.

Representa el límite de confianza para la prueba de Ljung-Box. La prueba de Ljung-Box comprueba la significación estadística de los valores residuales ajustados al modelo. Si la prueba resulta significativa, los valores residuales no serán aleatorios, lo cual no es válido para un modelo bien ajustado. Un valor de cero indica al motor que no debe calcular esta estadística. Cuanto más próximo esté el valor a 1, más probabilidades existen de que se genere un resultado significativo. No obstante, aunque el resultado sea significativo, el modelo puede seguir utilizándose.

Determina el tipo de criterio de decisión que se empleará para probar y elegir el modelo más apropiado ("mejor"). Se utiliza tanto en la optimización como en el algoritmo "Mejor". AIC (criterio de información de Akaike) y BIC (criterio de información bayesiano) normalmente funcionan mejor que el modelo SD (desviación estándar).

Cuanto mayor sea el valor de época, más preciso es el modelo, pero afecta al rendimiento.

Representa el factor de absorción de tendencia del historial para el algoritmo de Holt-Winters. Este factor se utiliza para absorber la tendencia durante el proceso de ajuste del modelo. Este factor también se utiliza para continuar absorbiendo la tendencia en la previsión. Si los datos denotan una fuerte tendencia, el factor de absorción de tendencia deberá estar próximo a 1, por lo que un valor 0,95 se considera aceptable. Si no es necesaria ninguna absorción de tendencia, utilice un valor de 1.

Determina qué técnica de inicialización debe utilizarse con el algoritmo Holt-Winters. No se aplica cuando se llama al motor mediante el algoritmo "Mejor" (fitmodelPickingAlgorithm), ya que se emplea un subconjunto de técnicas de inicialización.

Se aplica para revisar los coeficientes de regresión de la previsión. Se utiliza en lugar de la versión de rutina en determinadas circunstancias, por ejemplo, un valor atípico o un cambio por etapas.

El valor mínimo aceptado para el factor bayesiano para el cambio de nivel antes de activarse una señal de seguimiento. Se utiliza en el control de BATS.

Si el factor bayesiano queda por debajo del valor de umbral en un período individual, se declarará una situación atípica.

Si el factor bayesiano queda por debajo del valor de umbral de manera acumulada, se activarán la señal de seguimiento y el proceso.

Representa el coeficiente de suavizado de nivel para el algoritmo de Holt-Winters. Se utiliza para aumentar o disminuir la influencia (la ponderación, la tasa de declive, etc.) de la nueva observación sobre el componente de nivel del modelo Holt-Winters. Cuando el coeficiente es 0, la nueva observación no tiene ninguna influencia sobre el nivel del modelo. Cuando el coeficiente es 1, la nueva observación pasa a ser el nivel de suavizado (tras eliminar cualquier influencia estacional, si procede).

Mejor

H-W (Optimización = Verdadero)

El número máximo de términos del modelo generado. Incluye nivel, tendencia y 6 armónicos (6 pares de un seno y coseno).

Determina el tipo de modelo que se utilizará, por ejemplo: constante (solo nivel), lineal (nivel y tendencia) o estacional (nivel, tendencia y estacionalidad). Debe funcionar juntamente con el parámetro SeasonalType seleccionado.

El número mínimo de desviaciones estándar para un punto de datos en comparación con la previsión, para marcarlo como un valor atípico para el algoritmo Media móvil (valor por defecto = 0, que detiene la detección de valores atípicos). Si se necesita la prueba atípica, se recomiendan valores bajos, por ejemplo, 2. Los valores atípicos solo funcionan cuando se deben producir errores importantes. Esto se debe al ajuste de modelo Media móvil, incluida cualquier observación de valor atípico en el cálculo inicial y, por tanto, no responde relativamente a los valores atípicos.

Representa el número de puntos de datos utilizados en cada cálculo de punto móvil.

El parámetro heurístico de optimización LAHC (Late Acceptance Hill Climbing) se utiliza para determinar la cantidad de aumento el coeficiente de suavizado de Holt-Winters en una iteración del algoritmo de optimización. Disminuya este valor hacia cero para aumentar el número de iteraciones, lo que, a su vez, disminuye el rendimiento de optimización general.

El parámetro heurístico de optimización LAHC (Late Acceptance Hill Climbing) se utiliza para determinar el número de posibles soluciones que se deben calcular consecutivamente cuando la solución no se guarda para terminar la ejecución de optimización. Es el porcentaje del número total de ejecuciones que se producen, según la optimización incremental y el formulario modelo. Si este valor es igual a uno, la optimización se utiliza para determinar el número total de ejecuciones que se producen, según la optimización incremental y el formulario modelo. Si este valor es cero, se realiza una sola ejecución con los valores de inicio de optimización para los coeficientes de suavizado relevantes. Se recomienda utilizar el valor predeterminado. Conforme este valor llega a 1, la duración de la ejecución aumenta y, por tanto, el rendimiento disminuye. Sin embargo, la posibilidad de llegar al valor mínimo global necesario (los parámetros de suavizado Mejor) aumenta.

El parámetro heurístico de optimización LAHC (Late Acceptance Hill Climbing) se utiliza para determinar el valor inicial del coeficiente de suavizado de tendencia del algoritmo Holt-Winters.

El parámetro heurístico de optimización LAHC (Late Acceptance Hill Climbing) se utiliza para determinar el valor inicial del coeficiente de suavizado de tendencia del algoritmo Holt-Winters.

El parámetro heurístico de optimización LAHC (Late Acceptance Hill Climbing) se utiliza para determinar el valor inicial del coeficiente de suavizado estacional del algoritmo Holt-Winters.

Determina si se realizan comprobaciones para los algoritmos Holt-Winters, Mínimos cuadrados, Media móvil y Media móvil exponencial.

Determina si se realizan comprobaciones para los cambios por etapas en el algoritmo Holt-Winters.

Determina si el motor realiza comprobaciones de las señales de seguimiento en los algoritmos Holt-Winters, Mínimos cuadrados, Media móvil y Media móvil exponencial.

Periodicidad del historial pasado y de la información de máscara. Representa la naturaleza repetitiva de los datos para predecir influencias estacionales (por ejemplo, Meses = 12/13, Semanas = 52, Trimestres = 4, etc.).

• <0: no se realiza la aleatorización.
• 0: se realiza una aleatorización no reproducible.
• >0: se realiza una aleatorización reproducible, es decir, donde el número es el mismo y el orden aleatorio es el mismo. Por lo tanto, los resultados se pueden reproducir.

Indica el número de períodos del historial reciente para comprobar si los artículos tienen historial de ventas. Si los artículos no tienen historial de ventas para el número de períodos especificado en el parámetro, el motor no devuelve previsiones para los períodos y el motor indica/se marca una excepción de historial reciente.

Se utiliza para aumentar o disminuir la influencia (ponderación o tasa de declive) de la nueva observación sobre el componente de regresión del modelo BATS. Si el factor de descuento tiende a 1, el modelo pasa a ser más dinámico mientras que si tiende a 0, el modelo pasa a ser menos dinámico.

Se utiliza para aumentar o disminuir la influencia (ponderación o tasa de declive) de la nueva observación sobre el componente estacional del modelo BATS. Si el factor de descuento tiende a 1, el modelo pasa a ser más dinámico mientras que si tiende a 0, el modelo pasa a ser menos dinámico.

Se utiliza para aumentar o disminuir la influencia (ponderación o tasa de declive) de la nueva observación sobre el componente de tendencia del modelo BATS. Si el factor de descuento tiende a 1, el modelo pasa a ser más dinámico mientras que si tiende a 0, el modelo pasa a ser menos dinámico.

Se utiliza para aumentar o disminuir la influencia (ponderación o tasa de declive) de la nueva observación sobre el componente de varianza del modelo BATS. Si el factor de descuento tiende a 1, el modelo pasa a ser más dinámico mientras que si tiende a 0, el modelo pasa a ser menos dinámico.

Define el número de períodos que se deben controlar para detectar cambios significativos en el nivel y/o la varianza, y la longitud máxima que se puede ejecutar una señal de seguimiento antes de marcarla (si no está ya marcada). Cuando se detecta una señal de seguimiento, la combinación de artículo/ubicación se escribe en Excepción de señal de seguimiento, donde se mapea. Se utiliza en el control de BATS.

Los factores empleados para desarrollar un modelo alternativo para controlar el aumento en la estimación de la varianza. Se utiliza en el control de BATS.

El valor mínimo permitido para la varianza del factor bayesiano antes de activarse una señal de seguimiento. Si el factor bayesiano queda por debajo de este umbral, se activará el proceso de señal de seguimiento.

Se utiliza en el control de BATS.

El coeficiente de suavizado de escala para el sólido algoritmo de Holt-Winters. Se utiliza para aumentar o disminuir la influencia del error de previsión sobre el componente de escala del modelo sólido de Holt-Winters. Cuando el coeficiente es 0, el error de previsión no tiene ninguna influencia sobre la escala del modelo. Cuando el coeficiente es 1, el error de previsión tiene un efecto significativo sobre la escala del modelo, ya que la hace inestable. Se recomienda establecer este valor en 0,1 y no modificarlo.

Representa el coeficiente de suavizado estacional para el algoritmo de Holt-Winters. Se utiliza para aumentar o disminuir la influencia de la nueva observación sobre el índice estacional relevante del modelo de Holt-Winters. Cuando el coeficiente es 0, la nueva observación no tiene ninguna influencia sobre el índice estacional relevante del modelo. Cuando el coeficiente es 1, la nueva observación pasa a ser el índice estacional relevante (tras eliminar la influencia del nivel).

Determina el tipo de estacionalidad que se empleará para los modelos de Holt-Winters, como por ejemplo, aditiva o multiplicativa.

Almacena la longitud mínima del historial necesario para realizar el ajuste del modelo. La longitud del historial debe ser igual o superior al parámetro de historial breve especificado. Las máscaras definidas por el usuario se eliminan antes de la prueba.

Almacena el factor de descuento usado para suavizar el nivel en BATS para SMP. Esto facilita el proceso de estimación del tiempo actual entre eventos de ventas.

Determina el horizonte histórico en la prueba Cambio por etapas en el nivel de período de la previsión calculada (por ejemplo, el número de meses si Nivel de período = Meses). Los cambios por etapas se establecen para el historial completo. Sin embargo, solo si hay un cambio por etapas dentro de los períodos más recientes que cubre el horizonte de excepciones se marca como una alerta estática (en pconst). Si no se especifica, no hay límite.

Contiene el número máximo de valores atípicos contiguos necesarios para activar un cambio por etapas en el algoritmo Holt-Winters. Todos los valores atípicos deben estar en la misma dirección.

Determina el horizonte histórico en la prueba Excepción de seguimiento en el nivel de período de la previsión calculada (por ejemplo, el número de meses si Nivel de período = Meses). Las señales de seguimiento se establecen para el historial completo. Sin embargo, solo si hay una señal de seguimiento dentro de los períodos más recientes que cubre el horizonte de excepciones se marca como una alerta estática (en pconst).

Determina el límite de control para seguimiento cuando el seguimiento está activado. El valor 0,99 detiene la detección de señales de seguimiento.

Determina la estrategia de señal de seguimiento usada cuando el seguimiento está activado.

Representa el coeficiente de suavizado de tendencia para el algoritmo de Holt-Winters. Se utiliza para aumentar o disminuir la influencia del nivel sobre el componente de tendencia del modelo de Holt-Winters. Cuando el coeficiente es 0, la diferencia entre los niveles nuevo y anterior no tiene ninguna influencia sobre la tendencia del modelo. Cuando el coeficiente es 1, la diferencia entre los niveles nuevo y anterior pasa a ser la tendencia.

Indica la diferencia máxima del valor AIC más bajo para una técnica que se debe incluir en el cálculo de la ponderación. Se utiliza en la técnica AIC ponderado y se aplica cuando la opción Combinación de previsión está activada.