Leserbewertungen
Zusammenfassung:Das Buch „Data Science for Supply Chain Forecasting“ ist ein praktisches Hilfsmittel für Fachleute der Lieferkette und Datenanalysten und bietet eine solide Mischung aus Theorie und Anwendung. Während es wertvolle Einblicke bietet und für Anfänger zugänglich ist, finden einige Leser den Inhalt grundlegend und nicht sehr tiefgründig, insbesondere für fortgeschrittene Datenwissenschaftler. Darüber hinaus bemängelten mehrere Rezensenten die Druckqualität, die den Gesamteindruck beeinträchtigte.
Vorteile:⬤ Praktischer und praxisnaher Ansatz für Fachleute der Lieferkette und Datenanalysten.
⬤ Gut strukturierte Kapitel, die die Theorie mit umsetzbaren Erkenntnissen verbinden.
⬤ Zugängliche Sprache und klare Erklärungen, auch für Anfänger in Python.
⬤ Enthält wertvolle Tipps und Code für Prognosen.
⬤ Nützlich für verschiedene Disziplinen über die Lieferkette hinaus, wie Planung und Vertrieb.
⬤ Einige Inhalte werden als grundlegend empfunden und bieten keine neuen Erkenntnisse für fortgeschrittene Datenwissenschaftler.
⬤ Bestimmte fortgeschrittene Themen wie ARIMA-Modelle oder Deep Learning werden im Buch nicht behandelt.
⬤ Probleme mit der Druckqualität, einschließlich herausfallender Seiten, führen zu Unzufriedenheit.
⬤ Einige Leser sind der Meinung, dass das Buch im Verhältnis zur Druckqualität überteuert ist.
(basierend auf 10 Leserbewertungen)
Originaltitel:
Data Science for Supply Chain Forecasting
Inhalt des Buches:
Der Einsatz von Data Science zur Lösung eines Problems erfordert eine wissenschaftliche Denkweise, die über Programmierkenntnisse hinausgeht. Data Science for Supply Chain Forecasting, Second Edition vertritt die Ansicht, dass eine echte wissenschaftliche Methode, die Experimente, Beobachtung und ständiges Hinterfragen einschließt, auf Lieferketten angewandt werden muss, um hervorragende Ergebnisse bei der Nachfrageprognose zu erzielen.
Diese zweite Auflage enthält mehr als 45 Prozent zusätzliche Inhalte mit vier neuen Kapiteln, darunter eine Einführung in neuronale Netze und das Rahmenwerk für den prognostizierten Mehrwert. Teil I konzentriert sich auf statistische "traditionelle" Modelle, Teil II auf maschinelles Lernen, und der völlig neue Teil III behandelt das Prozessmanagement der Nachfrageprognose. Die verschiedenen Kapitel konzentrieren sich sowohl auf Prognosemodelle als auch auf neue Konzepte wie Metriken, Underfitting, Overfitting, Ausreißer, Merkmalsoptimierung und externe Nachfragetreiber. Das Buch ist voll von Do-it-yourself-Abschnitten mit Implementierungen in Python (und Excel für die statistischen Modelle), um den Lesern zu zeigen, wie sie diese Modelle selbst anwenden können.
Dieses praxisnahe Buch, das die gesamte Bandbreite der Prognosen abdeckt - von den Grundlagen bis hin zu den modernsten Modellen -, wird Supply-Chain-Praktikern, Prognostikern und Analysten zugute kommen, die bei der Nachfrageprognose noch einen Schritt weiter gehen wollen.
Veranstaltungen rund um das Buch
Link zu einer De Gruyter Online-Veranstaltung, in der der Autor Nicolas Vandeput zusammen mit Stefan de Kok, Supply-Chain-Innovator und CEO von Wahupa, Spyros Makridakis, Professor an der Universität von Nikosia und Direktor des Institute For the Future (IFF), und Edouard Thieuleux, Gründer von AbcSupplyChain, die allgemeinen Fragen und Herausforderungen der Nachfrageprognose erörtern und Einblicke in bewährte Verfahren (Prozesse, Modelle) geben sowie erörtern, wie sich Datenwissenschaft und maschinelles Lernen auf diese Prognosen auswirken.
Die Veranstaltung wird von Michael Gilliland, Marketing Manager für SAS Forecasting Software, moderiert:
Https: //youtu. be/1rXjXcabW2s.
Weitere Daten des Buches:
| ISBN: | 9783110671100 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2021 |
| Seitenzahl: | 310 |
Kauf:
Derzeit verfügbar, auf Lager.
