EkonomiGenelHaberlerİnovasyonTeknoloji

Her yerde öngorme işlemi yapılmaktadır. Stratejik öngorme, mesela gelir, üretim, harcama, endüstriler arası kuruluşlar, dakik ve kısa-dönemli bir öngörme ve tahmin gerektirir. Bu tahminler içerisinde sipariş verilecek malların miktarı ve alıncak elemanlar da önemli. Şaşırtıcı olmayan bir şekilde, Uber aşağıdakiler de dahil olmak üzere çeşitli kullanım durumları için tahminler kullanır.

Pazar yeri tahmini:

Bir kritik platform olarak , Pazar yeri tahmini arz taleb istekleri mekansal ve zamansal boyutun’da şöforleri en yoğun olan yelere yönledirmek için seferlerini ve gelirlerini yükseltmek için önemlidir, Halen zamansal ve mekansal tahminler bir araştırma konusdur.

Donanım kapasitesi planlaması : Donanım yetersizliği Kullanıcı güvenini kırabilir ve donanım fazlası yüksek maliyete neden olabilir. Tahmin etme donanımın ne çok yetersiz olduğunu ve ne de çok fazla olmasını sağlar.

Pazarlama:

Bu çok önemli ,farklı medialar kendi trendlerini ve sezonluk ve dinamiklerini (yarışma ve fiyatlandırma ) korumaya çalışıyorlar.
Daha güçlü tahminler oluşturmamıza ve veri odaklı pazarlama kararlarını ölçeklendirmemize yardımcı olmak için gelişmiş tahmin yöntemlerinden yararlanıyoruz.

Belirgin tahmin yaklaşımları :

Nicel tahmin yaklaşımları aşağıdaki gibi gruplanabilir: modele dayalı veya nedensel klasik, istatistiksel yöntemler ve makine öğrenme yaklaşımları.

Model tabanlı tahmin, sorunun altında yatan mekanizmanın veya fiziğin doğru mühendislik ve bilimsel çözüldüğü zaman daha güçlü olabilir. Aynı zamanda, farklı teorileri takip eden geniş bir model yelpazesi ile ekonometride olağan yaklaşımdır.

borsada, ya da perakende satışlarda tam olarak bilinmediğinde, genellikle basit bir istatistiksel model uygulamak daha iyidir. Bu kategoriye ait popüler klasik yöntemler arasında ARIMA (otoregresif entegre hareketli ortalama), Holt-Winters gibi üstel düzeltme yöntemleri ve daha az kullanılan ancak çok iyi performans gösteren Theta yöntemi sayılabilir.

Son yıllarda, iyi bilinen kuantum regresyon ormanları (QRF) ve Random Forest dahil olmak üzere makine öğrenme yaklaşımları, tahmincinin araç setinin bir parçası haline gelmiştir.

Son yıllarda Tekrarlayan nöral ağların (RNN’ler), yeterli miktarda, özellikle eksojen regresörlerin mevcut olması durumunda da çok faydalı olduğu görülmüştür.

kalsik ve istatiksel
• Autoregressive integrated moving average
• Exponential smoothing methods
• Theta

Makine öğrenmesi
• Recurrent neural networks
• Quantile regression forest(QRF)
• Gradient boosting tree(GBM)
• Support vector regression (SVR)
• Gaussian Process Regression (GP)

Aslında, klasik ve ML metotları birbirinden farklı değildir, ancak modellerin daha basit ve yorumlanabilir veya daha karmaşık ve esnek olup olmadığı ile ayırt edilir.

Uber’de isabetli bir tahmin metodu, belirli bir kullanım için bir çok faktör vardır ,geçmişte var olan datalar ve var olan deişkenlerin büyük rol olduğu yerlerde mesela( hava şartlar vs..) modeler yorumlanabilir olmalıdır.

Refereans: https://eng.uber.com/forecasting-introduction/?utm_campaign=Artificial%2BIntelligence%2BWeekly&utm_medium=web&utm_source=Artificial_Intelligence_Weekly_88