La plupart des données historiques ou chronologiques possèdent une tendance sous-jacente ou un motif saisonnier. Toutefois, la plupart des données historiques présentent également des fluctuations aléatoires (bruit) qui rendent difficile la détection de ces tendances et motifs sans ordinateur. Predictive Planning utilise des méthodes sophistiquées de séries chronologiques pour analyser la structure sous-jacente de ces données. Il projette ensuite les tendances et les motifs pour prévoir les futures valeurs.
Les prévisions de séries chronologiques décomposent les données historiques en divers facteurs : niveau, tendance, saisonnalité et erreur. Predictive Planning analyse ces composants et les projette dans le futur pour prévoir des résultats probables.
Dans Predictive Planning, une série de données est un ensemble de données historiques pour un seul membre. Lorsque vous exécutez une prévision, le programme tente d'utiliser chaque méthode sur toutes les séries de données sélectionnées et calcule une mesure mathématique de qualité de l'ajustement. Predictive Planning sélectionne la méthode avec la meilleure qualité de l'ajustement comme étant celle qui fournira la prévision la plus précise.
La prévision finale présente la continuation la plus probable des données. Toutes ces méthodes supposent que certains aspects de la tendance historique ou du motif continueront à l'avenir. Toutefois, plus la prévision va loin dans le temps, plus il devient probable que les événements divergeront par rapport à leur comportement passé, ce qui rendra les résultats de moins en moins fiables. Pour vous aider à évaluer la fiabilité de la prévision, Predictive Planning fournit un intervalle de prévision qui indique le degré d'incertitude relatif à la prévision.