大数据预测：需求驱动与供应链变革

1 第1章 揭秘预测：神话与现实
1．1 数据采集、存储和处理的现状
1．2 预测艺术的神话
1．3 特惠区的困扰
1．4 判断超控的现状
1．5 由烤箱清洁剂引发的关联关系
1．6 更多并不一定就是更好
1．7 不受约束的预测、受约束的预测和规划的现状
1．8 东北地区销售综合预测
1．9 层层递进法则
1．10 欠佳的计划
1．11 按订单包装和按订单生产
1．12 “你需要配上炸薯条吗？”
1．13 总结
1．14 注释
25 第2章 什么是需求驱动的预测？
2．1 传统需求预测的转变
2．2 需求生成存在什么问题？
2．3 传统需求生成的根本缺陷
2．4 仅仅依靠供应驱动策略并非解决之道
2．5 什么是需求驱动的预测？
2．6 什么是需求感知和需求塑造？
2．7 需求管理流程的改变是关键
2．8 沟通是关键
2．9 成功需求管理的评估
2．10 需求驱动预测流程的好处
2．11 需求管理流程推进的关键步骤
2．12 为什么企业不接受需求驱动的概念？
2．13 总结
2．14 注释
61 第3章 预测方法概述
3．1 基础方法论
3．2 不同类别的方法
3．3 未来的可预见程度如何？
3．4 导致预测误差的一些原因
3．5 细分产品以选择合适的预测方法
3．6 总结
3．7 注释
83 第4章 预测性能测算
4．1 “我们超预测完成任务，让我们开个Party庆祝吧！”
4．2 预测性能测算的目的
4．3 标准统计误差术语
4．4 预测误差的具体测算
4．5 样本外测算
4．6 预测价值增加
4．7 总结
4．8 注释
103 第5章 使用时间序列数据的定量预测法
5．1 模型拟合过程的理解
5．2 定量时间序列方法简介
5．3 定量时间序列法
5．4 移动平均
5．5 指数平滑法
5．6 一次指数平滑法
5．7 Holt双参数法
5．8 Holt-Winters法
5．9 Winters加法季节性模型
5．10 总结
5．11 注释
133 第6章 回归分析
6．1 回归方法
6．2简单回归
6．3 相关系数
6．4 判定系数
6．5 多元回归
6．6 基于散点图和线图的数据可视化
6．7 相关矩阵
6．8 多重共线性
6．9 方差分析
6．10 F检验
6．11 调整后的R2
6．12 参数系数
6．13 t检验
6．14 P值
6．15 差异膨胀因子
6．16 德宾—瓦特逊统计
6．17 干预变量（或哑变量）
6．18 回归模型的结果
6．19 建立多元回归模型的关键行动
6．20 有关回归模型的忠告
6．21 总结
6．22 注释
171 第7章 ARIMA模型
7．1 步骤1：确定初始试验性模型
7．2 步骤2：对模型参数进行评估和诊断
7．3 步骤3：生成预测结果
7．4 季节性ARIMA模型
7．5 Box-Jenkins总结
7．6 ARIMA模型拓展：涵盖解释变量
7．7 传递函数
7．8 分子和分母
7．9 理性传递函数
7．10 ARIMA模型结果
7．11 总结
7．12 注释
201 第8章 加权综合预测法
8．1 加权综合预测是什么？
8．2 建立方差加权综合预测
8．3 加权综合预测使用指南
8．4 总结
8．5 注释
211 第9章 感知、塑造和关联需求以指导供应：MTCA应用案例
9．1 利用多层次因果分析（MTCA）将需求与供应进行关联
9．2 案例研究：碳酸软饮料的故事
9．3 总结
9．4 附录9A：消费者包装货品专用术语
9．5 附录9B：广告GRP/TRP的广告遗留指数转化
9．6 注释
237 第10章 新产品预测：结构判断法应用
10．1 改良型新产品与革命性新产品之间的区别
10．2 新产品预测的总体感觉
10．3 新产品预测概述
10．4 候选产品界定
10．5 新产品预测流程
10．6 结构化判定分析
10．7 结构化流程步骤
10．8 统计过滤步骤
10．9 建模步骤
10．10 预测步骤
10．11 总结
10．12 注释
263 第11章 战略价值评估：评估需求预测过程的预备性
11．1 战略价值评估体系
11．2 战略价值评估流程
11．3 SVA案例研究：XYZ公司
11．4 总结
11．5 建议阅读
11．6 注释
293 译者后记