Nauka o danych dla prognozowania łańcucha dostaw

Opinie czytelników

Książka „Data Science for Supply Chain Forecasting” to praktyczne źródło wiedzy dla specjalistów ds. łańcucha dostaw i analityków danych, oferujące solidne połączenie teorii i aplikacji. Choć dostarcza ona cennych spostrzeżeń i jest przystępna dla początkujących, niektórzy czytelnicy uważają, że treść jest podstawowa i brakuje jej głębi, zwłaszcza dla zaawansowanych analityków danych. Dodatkowo, kilku recenzentów zwróciło uwagę na problemy z jakością druku, które pogorszyły ich ogólne wrażenia z lektury.

⬤ Praktyczne i praktyczne podejście dla specjalistów ds. łańcucha dostaw i analityków danych.
⬤ Dobrze skonstruowane rozdziały, które łączą teorię z praktycznymi spostrzeżeniami.
⬤ Przystępny język i jasne wyjaśnienia, nawet dla początkujących w Pythonie.
⬤ Zawiera cenne wskazówki i kod do prognozowania.
⬤ Przydatne dla różnych dyscyplin poza łańcuchem dostaw, takich jak planowanie i sprzedaż.

⬤ Niektóre treści są postrzegane jako podstawowe i nie zapewniają nowych spostrzeżeń dla zaawansowanych naukowców zajmujących się danymi.
⬤ Książka nie obejmuje niektórych zaawansowanych tematów, takich jak modele ARIMA lub głębokie uczenie się.
⬤ Problemy z jakością druku, w tym wypadające strony, co prowadzi do niezadowolenia.
⬤ Niektórzy czytelnicy uważają, że cena książki jest zawyżona w stosunku do jakości druku.

(na podstawie 10 opinii czytelników)

Oryginalny tytuł:

Data Science for Supply Chain Forecasting

Zawartość książki:

Wykorzystanie nauki o danych w celu rozwiązania problemu wymaga bardziej naukowego sposobu myślenia niż umiejętności kodowania. Data Science for Supply Chain Forecasting, Second Edition twierdzi, że prawdziwa metoda naukowa, która obejmuje eksperymenty, obserwacje i ciągłe zadawanie pytań, musi być stosowana w łańcuchach dostaw, aby osiągnąć doskonałość w prognozowaniu popytu.

To drugie wydanie zawiera ponad 45 procent dodatkowej treści z czterema nowymi rozdziałami, w tym wprowadzeniem do sieci neuronowych i ramami wartości dodanej prognozy. Część I koncentruje się na statystycznych "tradycyjnych" modelach, część II na uczeniu maszynowym, a zupełnie nowa część III omawia zarządzanie procesem prognozowania popytu. Poszczególne rozdziały koncentrują się zarówno na modelach prognostycznych, jak i nowych koncepcjach, takich jak metryki, niedostosowanie, nadmierne dopasowanie, wartości odstające, optymalizacja funkcji i zewnętrzne czynniki napędzające popyt. Książka jest pełna sekcji "zrób to sam" z implementacjami dostarczonymi w Pythonie (i Excelu dla modeli statystycznych), aby pokazać czytelnikom, jak samodzielnie zastosować te modele.

Ta praktyczna książka, obejmująca cały zakres prognozowania - od podstaw po najnowocześniejsze modele - przyniesie korzyści praktykom łańcucha dostaw, prognostykom i analitykom, którzy chcą pójść o krok dalej w prognozowaniu popytu.

Wydarzenia wokół książki

Link do wydarzenia De Gruyter Online Event, w którym autor Nicolas Vandeput wraz ze Stefanem de Kokiem, innowatorem łańcucha dostaw i dyrektorem generalnym Wahupa; Spyrosem Makridakisem, profesorem na Uniwersytecie w Nikozji i dyrektorem Institute For the Future (IFF); oraz Edouardem Thieuleux, założycielem AbcSupplyChain, omawiają ogólne kwestie i wyzwania związane z prognozowaniem popytu oraz zapewniają wgląd w najlepsze praktyki (proces, modele) i omawiają wpływ nauki o danych i uczenia maszynowego na te prognozy.

Wydarzenie będzie moderowane przez Michaela Gillilanda, menedżera ds. marketingu oprogramowania prognostycznego SAS:

Https: //youtu. be/1rXjXcabW2s.