İş tahmini, gelecekteki kalıpları tahmin etmek veya tahmin etmek için kullanılan bir işlemdir. Yöneticiler, yöneticiler ve analistler daha iyi bilgilendirilmiş iş kararları vermede yardımcı olmak için öngörülen sonuçları kullanır. Örneğin, iş tahminleri üç aylık satışları, envanter seviyelerini, tedarik zinciri siparişlerini, web sitesi trafiğini ve risk riskini tahmin etmek için kullanılır. İş tahminleri genellikle istatistiksel teknikler kullanılarak gerçekleştirilirken, veri madenciliği de geçmişe yönelik verileri olan işletmeler için yararlı bir araç olduğunu kanıtlamıştır.
İş tahmini için kullanılan araçlar, işletmenin gereksinimlerine ve ilgili veri miktarına bağlıdır. Bu araçlar arasında elektronik tablolar, kurumsal kaynak planlaması, gelişmiş tedarik zinciri yönetim sistemleri ve diğer ağ veya web teknolojileri bulunur. Genel olarak, kullanılan araçlar, departmanlar veya iş birimleri arasında verilerin kolayca paylaşılmasını, birden fazla kaynaktan veri yüklenmesini, analiz tekniğinin bir çeşitliliğini ve sonuçların grafiksel olarak görüntülenmesini sağlamalıdır.
Farklı veri türleri ve analizler için üç iş tahmini yöntemi mevcuttur. Zaman serisi modeli, verilerin ileriye yansıtıldığı en yaygın olandır. Bu model için istatistiksel hesaplamalar hareketli ortalama, üssel düzeltme ve Box-Jenkins yöntemlerini içerir. Zaman serisi modelleri, formül belirlendikten sonra, geçmiş verileri eklemek, öngörülen sonuçları çıktıracak şekilde basittir. Sadece tarihsel veriler anomaliler için hesaba katılmamış güçlü bir model gösterdiğinde yararlıdır.
Açıklayıcı modeller başka bir iş tahmin yöntemidir. Bu modellerin, faydalı iş tahminleri alabilmeleri için zaman serisi analizi kadar geçmiş verilere ihtiyacı yoktur. Lineer regresyonlar, parametrik olmayan katkı maddeleri ve gecikmeli regresyonlar yaygın olarak kullanılan yöntemlerdir. Örneğin, istenen reklam geliri için web sitesi trafiğinin ne kadar getireceğini belirlemek için doğrusal bir regresyon kullanılabilir.
Veri madenciliği, iş tahmininde üçüncü bir yöntemdir ve işletmelerin verilerini daha fazla dijital biçimde toplayıp kurtardıkça popülerlik kazanmaktadır. Bu yöntem, kalıplar için geçmiş verilere göz atmaya dayanır. Bu veriler genellikle farklı bölümlerden, e-postalardan ve raporlardan alınır ve birleştirilir. Algoritmalar, Amazon.com'un müşterilerine tavsiye ettiği kitapları önerme sistemi gibi otomatik olarak tahminler yapmak için veri madenciliğine dayanabilir.
İş tahminlerinde hatalar yazılım sorunları, matematiksel hatalar, gereksiz ayarlamalar ve önyargılar nedeniyle yaygındır. Hataları azaltmak veya ortadan kaldırmak, farklı bir formül veya yöntem kullanılırken sonuçları yeniden hesaplayarak, sonuçları karşılaştırarak, tweaks'ı minimize ederek ve önyargı fırsatlarını kaldırarak gerçekleştirilebilir. Tahminlerin nasıl oluşturulduğuna dair bir açıklama ile tahminler açıkça tanımlanmalıdır. İlk tahminler, gerçek sonuçlarla karşılaştırıldığında yanlış olduğunu kanıtlayabilir, bu nedenle daha güçlü gelecek tahminleri üretmek için sürekli ince ayar yapılması gerekebilir.
