在任何生产环境中，需求预测都是管理综合物流系统的关键，它为采购、内部生产、库存管理等基本物流活动提供有价值的信息，交通等。有广泛的预测技术可用于预测需求，哪个云服务器，但在这个博客中，让我介绍不同的预测方法在高层和解释因果分析（多元线性回归方法）详细。
不同的预测方法包括
主观预测客观预测
主观预测-定性技术
这种方法主要依赖于判断和有根据的猜测，因为可用于预测的数据非常少。这在长期预测中尤其如此。预测下周的预测很容易，因为我们会有几个月或几年的数据来预测。但是，如果我们试图得到一个想法来预测一个10年后的产品，我们就不会有太多的定量变量来预测如此长的时间范围内的需求。技术、政治、经济、经济、经济都有可能发生变化，社会因素是在趋势的过程中发生和变化的，因此需要对过去的销售有很好直觉的主题专家的意见。基本上只有一类主观预测方法，称为"判断性"预测，这样的预测模型在SAP IBP中是不可用的，因为企业永远不会使用如此昂贵的工具来管理具有非常广阔前景（>3年）的预测。
目标预测
目标预测方法本质上是定量的，并且是在数据丰富时选择的。有三类目标预测方法：时间序列、分类和因果关系。
时间序列方法
时间序列方法试图根据历史数据估计未来的结果。在许多情况下，由于前期营销努力、重复经营、品牌意识，以及其他因素。每当选择时间序列方法时，我们都假设未来将继续像过去一样。在快速变化的行业或环境中，时间序列预测并不理想，而且可能毫无用处。
由于时间序列数据是历史数据，它们呈现出随时间推移而出现的四个组成部分：趋势，季节性、周期性、随机性（或不规则性），返利app，在对时间序列数据进行任何预测之前，必须对数据进行清理，以便进行下游分析，请参考我以前的博客
https://blogs.sap.com/2019/03/31/data-cleansingoutlier-correction-methods-in-ibp-demand/
最常用的时间序列方法包括
简单移动平均
指数平滑
Arima方法
分类分析
当我们打算预测一个时间序列的结果时，使用分类分析变量是分类的，云服务器好用吗，在这种情况下，我们需要使用预测方法，如决策树、随机预测等来预测这些变量的结果
因果分析
因果或计量经济预测方法试图根据影响这些结果的因素的变化来预测结果。例如，温度可以用来预测冰淇淋的销量；广告支出可以用来预测销量。这让我想起了一句统计谚语
"相关性不一定需要因果关系"–仅仅因为两个变量是相关的，就不需要相互因果关系例如：在印度的夏天，在一家特定的商店里，我们旅行的人大量出售毛衣，但这并不意味着明年夏天也会如此。因此，选择正确的预测变量（因变量）和解释变量（自变量）起着重要的作用
在本博客中，我将详细解释一种最广泛使用的随机分析预测模型，称为"多元线性回归"。
回归：回归帮助我们找到两个变量之间的关系，与相关性不同，它显示了两个变量之间存在的趋势。
简单线性回归：
简单线性回归使用一个解释（自变量）来帮助我们预测预测（自变量）。根据解释变量的趋势，预测变量可能呈上升或下降趋势。
上升趋势
下降趋势
通过上图的直线只不过是"最佳拟合线或回归线"
最佳拟合线：最佳拟合线用于描述数据，返利淘联盟，并用于进行预测。
简单线性回归一般采用回归方程
Y=mx+C
Y—自变量
X—因变量
M—回归线斜率
C—Y—回归线截距
斜率进行计算：它解释了当变量值发生相应变化时，因变量值的变化一个单位的自变量
Y截距：当自变量为零时，它解释了因变量的值。
简单线性回归将作为解释SAP IBP中使用的多元线性回归概念的基础。与一个解释变量（自变量）不同，多元线性回归使用多个解释变量来预测因变量。
任何偶然分析中最重要的是理解数据。理解数据意味着我们应该知道数据集中的每个变量描述了什么。在许多情况下，不是单个变量会导致因变量增加或减少，而是自变量的组合会导致因变量增加或减少。
使用线性回归技术时的关键假设
数据中的线性同构性多元正态性错误的独立性缺乏多重共线性
在选择线性回归模型之前，我们应该先找出这些假设是否成立，如果成立，我们就应该继续选择模型。
多元线性回归的统计方程
Y=m1x1+m2x2+m3x3+…。+mnxn+C
在SAP IBP中建立MLR预测模型
对于MLR，添加预测和事后预测的关键数字，我们需要进行以下设置，以便在我们的预测模型
变量选择中使用多元线性回归算法关键人物系统生成的特征
变量选择
该设置定义了系统必须如何选择对预测有重大影响的自变量。您可以选择以下选项：
反向选择（反向消除）
如果您选择此选项，系统在预测计算开始时会考虑所有自变量，并逐一排除与预测无关的所有因素。
正向选择
如果您选择此选项，系统从一个自变量开始，然后逐个加上其他自变量，直到识别出与预测相关的所有因素。
从技术角度来说，用正向选择法计算结果要复杂一些。
无
用这种方法，系统会将所有变量都考虑到预测中模型
关键数字
算法计算预测时应考虑的外部因素自变量
注：历史时段数必须比SAP推荐的自变量数多2个
系统生成特征
在天气预报中的苍蝇。以下特性可用：
坡度模拟-考虑数据趋势
如果我们选择此特性，该算法可以考虑趋势对预测的影响，即使这些趋势不能用任何已知的自变量来解释。
