历史清理的最佳实践

有句老话"你的预测准确度和你的销售历史一样好"。历史清理是一个过程，以获得基准历史的产品，这是其正常的历史需求没有推广，外部刺激，或任何其他异常或偏见。异常值是在特殊情况下可能出现的产品历史记录中过高或过低的销售数据。

历史记录清理是清理历史销售数据的过程，这是公司使用SAP IBP for Demand中的统计预测功能的先决条件。历史越好，预测就越好。历史清理的目的是导出一个基准历史，没有任何促销、短缺或任何其他意外更改。统计预测试图识别未来可能重复的趋势或模式。由于诸如短缺或促销之类的事件无法使用模式进行预测，因此需要从历史记录中删除相关数据，这是预测中的一个输入。尽管CPG产品的促销活动经常发生，但这些活动可能并不总是在过去相同的时间框架内发生。一旦清除了销售历史记录，预测算法就会使用一个基线历史记录来生成一个基线预测。历史清理是任何IBP需求规划项目中最重要的活动之一，但也可能是最耗时的活动。对于处理数千个SKU的组织来说，2到3年的清理历史可以消耗整个项目时间的30%左右。除了在sapibpfordemand的实现过程中进行一次性历史清理之外，清理还需要一个持续的过程。在完成了相当多涉及历史清理的DP项目后，以下是8个最佳实践，它们将帮助组织在短时间内完成历史清理过程

历史清理的范围是什么

一个非常常见的实践，我所看到的是试图清除组织过去销售的每一种可能产品的历史。如果历史清理的目的是获得最佳的统计预测，那么定义范围是至关重要的。理想情况下，历史应该只为那些可以统计预测的产品而被清除。有些产品很难进行统计预测，因此组织通常喜欢手动预测。例如，新产品或即将停产的产品，或历史记录很少的季节性产品。在IBP需求的统计预测中需要24到36个月的销售历史来生成一个良好的统计数据。对于这些情况，从统计预测的角度来看，历史清洗可能并不重要。

如何确定清洗过程的优先级

通过简单的80/20分析开始历史清洗。确定占总销售额80%的前20%的产品。最好从最新的历史开始，因为可能有产品在较长的历史时期内已经停产。IBP提供了一个很棒的工具ABC segmentation，可以用来生成类似的分析。使用前20%的产品进行清洁的好处是，这将最大限度地提高预测精度。这些产品的预测准确度仅提高几个百分点，就有助于实现总体准确度KPI指标。一旦清除了这些产品的历史记录，清洁工作就可以扩展到其他产品。80/20分析也称为ABC分析，其中前20%的产品贡献了80%的销售额，并被定义为A级产品。从清理的角度来看，大数据分析工具有哪些，A类是最重要的，而C类是最不重要的。

如何将产品分组进行清理有助于

此最佳实践使用另一种方法（也称为产品分组）来补充前两种方法，它可以进一步将历史清理工作集中在选定的产品集上。产品分组因行业和产品特性而异。从历史清理的角度来看，每个类别都有不同的处理方式。例如，基本产品组、促销产品组、重新包装产品组等。例如，对于经营矿产的大宗商品行业，可能有许多基本产品组的产品没有太多促销。因此，只有在生产短缺或无法交货的情况下才需要清理。一家CPG公司可能会在某些季节或活动期间推出大多数混合类产品和少数促销类产品。

如何确定基线历史的组成部分

如果清洁的目的是获得较短时间的基线历史，重要的是确定哪些内容应作为基线历史的一部分，哪些内容不应作为基线历史的一部分。要包含的组件的典型示例包括永久性促销、月末或季末选择和季节性行为。另一方面，不应包括贸易促销、ATL和特殊NPI促销。清楚地识别包含和排除组件可以消除任何未来的混淆和冲突。一个常见的冲突是决定使用哪个历史？发票数量或发货数量。理想情况下，大数据前景，应该不会有太大的差异，但现实是，他们可以是不同的。在这些情况下，装运数量的历史是更好的选择。

如何确定清除的时间段和层次结构

历史清除的时间段没有严格的指导原则。决策主要受预测时间段的影响。如果预测发生在每周水平上，那么历史也需要在每周水平上进行清理。基本规则是历史清理时间段必须与预测时间段相同或比预测时间段低一级。如果一个企业需要在更细粒度的级别（例如，每周）或更聚合的级别（例如，每月）执行清理，则需要在仔细评估这两种方法之后做出决定。在更精细的层次上进行清理需要更多的努力，但也有助于更精确地识别模式。然而，在总水平上，微小的变化是无法预测的，这将导致有偏见的基础历史。确定历史清理的产品层次结构也很重要。同样，决策受到多种因素的影响。一种稳健的方法是，清理需要至少在同一级别上进行，或者在进行预测的级别下进行。在大多数情况下，清洗是在较低的水平进行。在产品级别进行清理和在产品组级别进行预测是一个理想的例子。

我们应该清理多少数据