Parámetros

 Para garantizar que todos los métodos se prueban al máximo, se utiliza una cuadrícula de
parámetros para comparar todas las posibles combinaciones.
 Los parámetros ampliados sobre todos los métodos de previsión son β& γ; y se configura
en una cuadrícula que va de {0.1, 0.2,…1}.
 Los métodos producirán un pronóstico para la última parte de la serie. Esto para permitir
que los métodos aprendan de una año de datos y empiece a pronosticar a partir de ahí.
 La previsión del SES con = 1 y la previsión media del tamaño del paso 1 se descuida debido
a su similitud completa con el método Naive 1.

Resultados

 La serie pronosticada se compara con las tres métricas de error descritas anteriormente
para evaluar el rendimiento de los métodos de previsión.
 la métrica MAPE no es capaz de manejar ventas cero y es por lo tanto de valor menos
práctico, debido al alto número de ocurrencias de cero ventas.
 El alto número de ocurrencias de cero ventas, es la consecuencia de la elección para
pronosticar series de demanda minorista a nivel de tienda.

 En la siguiente tabla, Los resultados se solucionarán por métrica y por conjunto de

pruebas.
 Los conjuntos que se han probado son los siguientes: El RST Set, Set "All ", es el conjunto
con todas las series, incluyendo la serie intermitente e incluso completamente cero. El
segundo conjunto, establecido "74 ", contiene todos los conjuntos que tienen al menos
una realización mayor que cero. El último conjunto, establecido "18 ", es el conjunto con
sólo la serie que tienen cada realización más grande que cero. Los nombres de conjunto
representan el número de series del conjunto.
 La tabla 1 muestra el rendimiento de los métodos probados por métrica. Los métodos de
mejor rendimiento están subrayados para cada conjunto y cada métrica. El rendimiento se
mide como un porcentaje, donde el número representa la cantidad de veces que el
método es el mejor método.

 Los resultados de guiones significan que el método no ha podido ser uno de los mejores
métodos para esa métrica de conjunto y error.

 El método de Croston está actuando igual comparado con el Método exponencial de

suavizado. Sólo es mejor cuando se consideran las series de cero sólo de ventas, como se
puede ver mirando en la columna "All”.
 También es notable el hecho de que los métodos Naive 1 y 2 están presentes en los
métodos de mejor rendimiento.
 El método Naive 2 es el único método adecuado para manejar la estacionalidad, que está
presente en un pequeño asunto en este caso de estudio.
 se esperaba que Holt Winter (doble suavizado exponencial) realizar mejor con respecto a
las series estacionales, pero el método requiere más datos para asegurarse de que la
inicialización es realiza correctamente y el método es suficiente listo para producir
pronósticos de alta calidad.
 El algoritmo LEA también se basa en su inicialización, que no es lo suficientemente
informativa en este estudio de caso para obtener pronósticos más relevantes.
 En las figuras se puede ver claramente que el método Naive 2 está funcionando bien cuando
hay un patrón de retorno en los datos, pero la tendencia es bastante estable.
 Además, el rendimiento de la Naive 1, LEA algoritmo y el SES con un alto alfa están mostrando
un comportamiento similar, siguiendo las realizaciones.
 El rendimiento de la previsión media se relaciona principalmente con la serie estable sin mucha
tendencia Movimiento.