Paramètres par défaut pour le moteur de prévisions ATT.

D'autres variables peuvent être utilisées dans l'algorithme Robust Holt-Winters. La valeur recommandée est 100, si la détection d'observations aberrantes n'est pas requise. Si la détection d'observations aberrantes est requise, la valeur est 3,5. La constante limite représente le nombre d'écarts types de la valeur historique lorsqu'elle est comparée à la valeur prévisionnelle.

Représente la limite de confiance pour le test de la boite de Ljung. Le test de la boite de Ljung établit si les résidus du modèle sont statistiquement significatifs. Si le test est positif, les résidus ne sont pas aléatoires, ce qui n'est pas compatible avec un modèle bien spécifié. Si la valeur est zéro, le moteur ne calculera pas cette statistique. Plus la valeur est proche de 1, plus la probabilité qu'un résultat significatif soit généré est forte. Cependant, ce modèle peut toujours être utilisé, même si le résultat est significatif.

Permet de déterminer le type de critère de décision à utiliser pour tester quel modèle est le "meilleur". Utilisé pour l'algorithme Best comme pour l'optimisation. Le critère d'information d'Akaike (AIC, Akaike Information Criterion) et le critère d'information bayésien (BIC, Bayesian Information Criterion) sont en général meilleurs que le modèle de l'écart type (SD, Standard Deviation).

Plus la valeur d’époque est élevée, plus le modèle est précis mais nuit aux performances

Représente le facteur d'amortissement de tendance d'historique pour l'algorithme de Holt-Winters. Ce facteur permet d'amortir la tendance lors du processus de spécification du modèle. Ce facteur permet également de continuer à amortir la tendance dans la prévision. S'il existe une tendance forte dans les données, le facteur d'amortissement de tendance doit être proche de 1 (une valeur de 0,95 est ainsi considérée comme acceptable). S'il n'est pas nécessaire d'amortir la tendance, utiliser une valeur de 1.

Détermine quelle technique d'initialisation doit être utilisée lorsque l'algorithme est Holt-Winters. N'est pas applicable si l'on choisit le moteur à l'aide de Best (fitmodelPickingAlgorithm) car un sous-ensemble de techniques d'initialisations y sont utilisées.

Permet de réviser les coefficients de régression de la prévision. Cette valeur est utilisée à la place de la version de routine sous certains cas, par exemple une exception aberrante ou un changement d'étape.

Valeur acceptée minimum pour le facteur de Bayes pour la variation de niveau avant l'activation d'un signal de suivi. Cela est utilisé pour la surveillance BATS.

Si le facteur de Bayes est inférieur à la valeur seuil dans une période individuelle, une observation aberrante est déclarée.

Si le facteur de Bayes est inférieur à la valeur seuil sur une base cumulative, le signal de suivi et le processus sont activés.

Représente le coefficient de lissage des niveaux pour l'algorithme de Holt-Winters. Permet d'augmenter ou de diminuer l'influence (pondération, taux de régression, etc.) de la nouvelle observation sur le composant de niveau du modèle de Holt-Winters. Si le coefficient est 0, la nouvelle observation n'a pas d'influence sur le niveau du modèle. Si le coefficient est 1, la nouvelle observation devient le niveau de lissage (après correction de toute influence saisonnière, le cas échéant).

Best.

H-W (Optimization = TRUE)

Le nombre maximum de conditions dans le modèle généré. Cela inclut le niveau, la tendance et 6 harmoniques (6 paires de sinus et cosinus).

Détermine le type de modèle à utiliser, par exemple : constant (niveau uniquement), linéaire (niveau et tendance), saisonnier (niveau, tendance et saisonnalité). À utiliser avec le paramètre SeasonalType sélectionné.

Le nombre minimum d'écarts types pour un point de données pour comparaison à la prévision, pour indiquer celle-ci comme une observation aberrante pour l'algorithme de la moyenne mobile (par défaut = 0, ce qui stoppe la détection d'observations aberrantes. Si le test d'observations aberrantes est requis, des valeurs faibles sont recommandées, par exemple : 2. Les observations aberrantes ne fonctionnent que si des erreurs importantes sont observées. Ceci est dû au fait que la spécification du modèle de la moyenne mobile inclut toute observation aberrante dans le calcul initial ; ces observations ont donc un impact relativement faible sur le modèle.

Représente le nombre de points de données utilisés dans chaque calcul de point mobile.

Le paramètre heuristique d'optimisation Late Acceptance Hill Climbing (LAHC) permet de déterminer le montant d'augmentation pour le coefficient de lissage de Holt-Winters, sur une itération de l'algorithme d'optimisation. Baisser cette valeur vers 0 augmente le nombre d'itérations, ce qui diminue la performance globale de l'optimisation.

Le paramètre heuristique d'optimisation Late Acceptance Hill Climbing (LAHC) permet de déterminer le nombre solutions candidates devant être calculées consécutivement, si la solution n'est pas enregistrée pour l'achèvement de l'optimisation. Correspond au pourcentage du nombre total d'exécutions pouvant se produire, selon l'optimisation incrémentale et la forme du modèle. Si cette valeur est égale à 1, l'optimisation est utilisée pour déterminer le nombre total d'exécutions pouvant se produire, selon l'optimisation incrémentale et la forme du modèle. Si cette valeur est égale à 0, une seule exécution est effectuée en utilisant les valeurs de départ de l'optimisation pour les coefficients de lissage pertinents. Il est recommandé d'utiliser la valeur par défaut. Plus cette valeur s'approche de 1, plus la longueur de l'exécution augmente et donc plus la performance baisse. Cependant, la possibilité d'atteindre la valeur minimum globale requise (les paramètres de lissage Best) augmente.

Le paramètre heuristique d'optimisation Late Acceptance Hill Climbing (LAHC) permet de déterminer la valeur de départ du coefficient de lissage de tendance pour l'algorithme de Holt-Winters.

Le paramètre heuristique d'optimisation Late Acceptance Hill Climbing (LAHC) permet de déterminer la valeur de départ du coefficient de lissage de tendance pour l'algorithme de Holt-Winters.

Le paramètre heuristique d'optimisation Late Acceptance Hill Climbing (LAHC) permet de déterminer la valeur de départ du coefficient de lissage saisonnier pour l'algorithme de Holt-Winters.

Détermine si des tests d'observations aberrantes sont effectués pour les algorithmes de Holt-Winters, des moindres carrés, de la moyenne mobile et de la moyenne mobile exponentielle.

Détermine si des tests de modifications d'étape sont effectués pour l'algorithme de Holt-Winters.

Détermine si le moteur effectue des tests de signaux de suivi pour les algorithmes de Holt-Winters, des moindres carrés, de la moyenne mobile et de la moyenne mobile exponentielle.

Périodicité de l'historique et des informations de masque. Représente la nature répétée des données relatives à la prédiction des influences saisonnières (par exemple, Mois = 12/13, Semaines = 52, Trimestres = 4, etc.)

• < 0 : Aucune randomisation n'est effectuée
• 0 : Une randomisation non reproductible est effectuée
• > 0 : La randomisation reproductible est effectuée. En d'autres termes, là ou le nombre est le même, l'ordre de randomisation est le même. Les résultats sont, par conséquent, reproductibles.

Indique le nombre de périodes d'historique récentes pour vérifier si les articles ont un historique des ventes. Si les articles n'ont pas d'historique des ventes pour le nombre de périodes indiqué dans le paramètre, le moteur ne retourne pas la prévision pour les périodes et une exception d'historique récente est signalée par le moteur.

Permet d'augmenter ou de diminuer l'influence (pondération ou taux de régression) de la nouvelle observation sur le composant de régression du modèle BATS. Si le facteur de remise tend vers 1, le modèle devient plus dynamique alors que s'il tend vers 0, le modèle devient moins dynamique.

Permet d'augmenter ou de diminuer l'influence (pondération ou taux de régression) de la nouvelle observation sur le composant saisonnier du modèle BATS. Si le facteur de remise tend vers 1, le modèle devient plus dynamique alors que s'il tend vers 0, le modèle devient moins dynamique.

Permet d'augmenter ou de diminuer l'influence (pondération ou taux de régression) de la nouvelle observation sur le composant de tendance du modèle BATS. Si le facteur de remise tend vers 1, le modèle devient plus dynamique alors que s'il tend vers 0, le modèle devient moins dynamique.

Permet d'augmenter ou de diminuer l'influence (pondération ou taux de régression) de la nouvelle observation sur le composant d'écart du modèle BATS. Si le facteur de remise tend vers 1, le modèle devient plus dynamique alors que s'il tend vers 0, le modèle devient moins dynamique.

Définit le nombre de périodes à suivre pour détecter des variations significatives du niveau et/ou de l'écart type, et la longueur maximum qu'un signal de suivi peut parcourir avant que le signal de suivi ne soit signalé (si pas encore signalé). Lorsqu'un signal de suivi est détecté, la combinaison article/emplacement est inscrite à l'Exception de signal de suivi, le cas échéant. Cela est utilisé pour la surveillance BATS.

Ces facteurs permettent de développer un modèle alternatif pour suivre l'augmentation de l'estimation de l'écart type. Cela est utilisé pour la surveillance BATS.

Valeur autorisée minimum que le facteur de Bayes de l'écart avant l'activation d'un signal de suivi. Si le facteur de Bayes est inférieur à ce seuil, le signal de suivi est activé.

Cela est utilisé pour la surveillance BATS.

Coefficient de lissage d'échelle pour l'algorithme Robust Holt-Winters. Permet d'augmenter ou de diminuer l'influence de l'erreur de la prévision sur le composant d'échelle du modèle Robust Holt-Winters. Si le coefficient est 0, l'erreur de prévision n'a pas d'influence sur l'échelle du modèle. Si le coefficient est 1, l'erreur de prévision a une influence significative sur l'échelle du modèle, ce qui rend ce dernier instable. Il est recommandé d'utiliser une valeur de 0,1 et de ne pas la modifier.

Représente le coefficient de lissage saisonnier pour l'algorithme de Holt-Winters. Permet d'augmenter ou de diminuer l'influence de la nouvelle observation sur l'indice saisonnier pertinent du modèle de Holt-Winters. Si le coefficient est 0, la nouvelle observation n'a pas d'influence sur l'indice saisonnier pertinent du modèle. Si le coefficient est 1, la nouvelle observation devient l'indice saisonnier pertinent du modèle (après correction de l'influence du niveau).

Détermine le type de saisonnalité à utiliser pour les modèles de Holt-Winters, par exemple, additive ou multiplicative.

Stocke la longueur minimum requise de l'historique pour la réalisation de l'adaptation du modèle. La longueur de l'historique doit être égale ou supérieure à la valeur du paramètre Short History (Historique court). Les masques définis par l'utilisateur sont supprimés avant le test.

Enregistre le facteur de remise utilisé pour lisser le niveau dans BATS pour les SMP. Ceci facilite le processus d'estimation de la durée actuelle entre des évènements de vente.

Détermine l'horizon d'historique dans le test d'exception de modification d'étape au niveau de la période de la prévision calculée (par exemple, nombre de mois, si Niveau de période = Mois). Les modifications d'étape ne sont définies pour l'historique complet que s'il existe une modification d'étape dans les périodes les plus récentes qui couvrent l'horizon d'exception (à pconst). Si la valeur n'est pas renseignée, il n'y a aucune limite.

Contient le nombre maximal d'observations aberrantes contigües nécessaires pour déclencher une modification d'étape dans l'algorithme de Holt-Winters. Toutes les observations aberrantes doivent être dans la même direction.

Détermine l'horizon d'historique dans le test d'exception de suivi au niveau de la période de la prévision calculée (par exemple, nombre de mois, si Niveau de période = Mois). Les signaux de suivi sont définis pour l'historique complet, mais uniquement s'il existe un signal de suivi au cours des périodes les plus récentes couvrant l'horizon d'exception (à pconst).

Détermine la limite de contrôle pour le suivi lorsque le suivi est défini comme actif. La valeur 0,99 désactive la détection de signal de suivi.

Détermine la stratégie de signal de suivi utilisée lorsque le suivi est défini comme actif.

Représente le coefficient de lissage des tendances pour l'algorithme de Holt-Winters. Permet d'augmenter ou de diminuer l'influence du niveau sur le composant de tendance du modèle de Holt-Winters. Si le coefficient est 0, la différence entre les niveaux anciens et nouveaux n'a pas d'influence sur la tendance du modèle. Si le coefficient est 1, la différence entre les niveaux anciens et nouveaux est la tendance.

Indique la différence maximum par rapport à la valeur AIC la plus basse pour une technique à inclure dans le calcul de pondération. Cette option est utilisée dans la technique d'AIC pondérée et applicable lorsque l'option Combinaison de prévisions est définie comme active.