课程背景：

本课程主要介绍预测的准备与数据清洗，传统预测技术与模型及实践应用，AI预测模型介绍，及预测准确率分析、评估方法和标准等。

课堂的重点是实践演练，预测课堂练习主要通过EXCEL函数，高级分析工具库Toolpak，并介绍Minitab与IBMSPSS的专业统计工具的预测分析方法，通过本课堂学习与练习，学员可以切实牢固掌握预测专业模型的知识和与分析方法及相关专业技能。

Thiscoursefocusesoncomprehensiveandpracticalforecastingmethodologies,coveringdatapreparation&preprocessing,classicalforecastingmodelsandtheirapplications,AIforecastingmodeling,andquantitativeaccuracyevaluation(MAE,RMSE,MAPE).

Centeredonhands-onpractice,thecourseadoptsExcelfunctionsandAnalysisToolPakforexercises,andintroducespredictiveanalysiswithMinitabandIBMSPSS.Afterthecourse,participantswillmasterprofessionalforecastingmodels,analyticalmethodsandcoreskillsfordata-drivendecision-making.

参训对象：

建议由供应链相关管理、决策和数据分析人员等相关职能参与，相关的岗位如需求计划经理/需求计划专职人员/预测专员等负责需求管理和预测的人员。

授课形式：

知识讲解、案例分析讨论、角色演练、小组讨论、互动交流、游戏感悟、头脑风暴、强调学员参与。

课程大纲：

1.预测的准备–ForecastingPreparation

预测的本质与预测的挑战Theforecastingnaturesandchallenges

预测测的准备Forecastingpreparation

数据清洗DataCleansing

如何评估预测准确率Forecastaccuracyassessment

课堂练习，如何评估预测准备率

认识预测的数据形态及评判Datapatternoftimeseries

2.预测技术介绍及应用–ForecastingTechnologiesIntroduction

预测的分类Theclassificationsofforecast

定性预测与定量预测Qualitativeandquantitativeforecasting

3.定量预测预测技术介绍及应用–QuantitativeForecastingModelsandApplications

定量预测模型：

天真预测NaïveForecast

移动平均MovingAverages

课堂练习，天真预测与移动平均法的应用（EXCEL分析）

简单指数平滑SimpleExponentialSmoothing

自适应指数平滑Adaptive-ResponseRateSingleExponentialSmoothing

趋势指数平滑TrendExponentialSmoothing

课堂练习，简单与趋势指数平滑的应用（EXCEL，Minitab分析）

季节指数的算法Howtocalculateseasonalindex

季节与趋势Trend&SeasonalExponentialSmoothing

课堂练习，季节趋势指数平滑的应用（EXCEL，Minitab，SPSS分析）

经典分解法Decomposition

课堂练习，季节趋势指数平滑的应用（EXCEL，Minitab，SPSS分析）

一元线性回归SimpleLinearprogramming

课堂练习，季节趋势指数平滑的应用（EXCEL，Minitab，SPSS分析）

多元线性回归介绍MultipleLinearprogramming

ARIMA及SARIMA模型介绍高级复杂预测应用的EXCEL，SPSS分析介绍

4.AI预测模型介绍TheintroductionofAIforecastingmodels

AI预测模型简介，以及应用场景AIforecastingmodels：XGboost,LSTM,LightGBM,CausalML

AI预测模型与常规的预测模型的不同点ThedifferencesforAIandregularmodels