Der Großteil aller historischen oder zeitbasierten Daten enthält einen zugrunde liegenden Trend oder ein zugrunde liegendes saisonales Muster. Die meisten historischen Daten enthalten jedoch auch Zufallsschwankungen (Abweichungen), aufgrund derer es schwierig ist, diese Trends und Muster ohne einen Computer zu erkennen. Predictive Planning nutzt ausgereifte Zeitreihenmethoden zur Analyse der zugrunde liegenden Datenstruktur. Die Trends und Muster werden dann berechnet, um zukünftige Werte vorherzusagen.
Die Zeitreihenprognose teilt historische Daten in Komponenten auf: Ebene, Trend, Saisonalität und Fehler. Predictive Planning analysiert diese Komponenten und berechnet sie dann für die Zukunft, um wahrscheinliche Ergebnisse vorherzusagen.
In Predictive Planning ist eine Datenreihe ein Set von historischen Daten für ein einzelnes Element. Wenn Sie eine Vorhersage ausführen, werden alle Zeitreihenmethoden auf alle ausgewählten Datenreihen angewendet, und eine mathematische Kennzahl für die Anpassung wird berechnet. Predictive Planning wählt die Methode mit der besten Anpassung als die Methode aus, die die genaueste Prognose ergibt.
Die endgültige Prognose zeigt die wahrscheinlichste Fortsetzung der Daten. Bei all diesen Methoden wird angenommen, dass einige Aspekte des historischen Trends oder Musters auch in Zukunft bestehen. Je weiter Sie jedoch prognostizieren, desto größer ist die Wahrscheinlichkeit, dass Ereignisse vom vergangenen Verhalten abweichen, und desto geringer ist die Vertrauenswürdigkeit der Ergebnisse. Damit Sie die Zuverlässigkeit der Prognose beurteilen können, bietet Predictive Planning ein Vorhersageintervall, das den Grad der Unsicherheit im Zusammenhang mit der Prognose angibt.