Uchanganuzi tabiri na utabiri
Utabiri na makadirio ya mahitaji, uwezo, matukio ya hitilafu, na hatari ya mabadiliko huzisaidia timu kujiandaa, lakini kwa asili hayana uhakika; tumia misingi rahisi kwanza, onyesha safu badala ya namba moja, thibitisha dhidi ya data iliyozuiliwa, fuatilia kuteleza, na ufanye kanuni ya uamuzi iwe wazi kabla utabiri haujafanywa.
Kwa nini hili ni muhimu
Timu za huduma zinajiandaa kwa kitu kila wakati. Mawasiliano mangapi yatafika wiki ya kwanza ya muhula mpya? Hifadhi itajaa lini? Mabadiliko yapi yanaelekea kusababisha matukio ya hitilafu? Watu wangapi wanapaswa kuwa kwenye zamu za kuitwa wakati wa mauzo? Maamuzi kuhusu wafanyakazi, uwezo, na hatari yote yanategemea imani kuhusu siku zijazo, iwe mtu yeyote anazitaja au la.
Utabiri hufanya imani hizo ziwe wazi na zinazoweza kujaribiwa. Utabiri wa kiasi cha tiketi cha mwezi ujao, wenye safu, unaweza kulinganishwa na kinachotokea na kuboreshwa. Modeli inayokadiria hatari ya badiliko inaweza kukaguliwa dhidi ya mabadiliko yaliyoshindwa. Ukifanywa vizuri, hubadilisha hisia za tumbo na ushahidi. Ukifanywa vibaya, hubadilisha hisia za tumbo na kujiamini kwa uongo: namba moja hadi desimali mbili, iliyozalishwa na modeli ambayo hakuna anayeweza kuieleza, inayoaminika kwa sababu inaonekana ya kisayansi.
Utabiri hukosea kwa sababu za kawaida. Historia haikuwa na mfumo unaojalisha. Modeli inafuata kelele. Uzinduzi, badiliko la sera, au kuzimika huvunja uhusiano ambao modeli ilijifunza. Tukio nadra linatabiriwa kwa zana iliyojengwa kwa matukio ya kawaida. Mada hii inaeleza aina kuu za utabiri na makadirio katika usimamizi wa huduma, mbinu kwa maneno rahisi, na tabia zinazoziweka waaminifu. Inajenga juu ya uchanganuzi (mada 7.1 — Uchanganuzi kwa usimamizi wa huduma) na upangaji wa uwezo (mada 3.11 — Upatikanaji, Uwezo, na Utendaji), na kuhusiana na AIOps (mada 5.2 — AIOps) na uchumi wa wingu (mada 4.5 — Usimamizi wa fedha na FinOps).
Dhana kuu
Utabiri na makadirio. Utabiri hukadiria thamani za baadaye za kiasi kwa muda, kama mahitaji ya mwezi ujao. Makadirio kwa upana hukadiria kisichojulikana, kama badiliko litashindwa. Wikipedia inaeleza utabiri na uchanganuzi tabiri. Yote mawili hutumia mifumo katika data ya zamani, na yote mawili hayana uhakika.
Mfululizo wa wakati. Data inayorekodiwa kwa vipindi vya kawaida. Wikipedia inaeleza uchanganuzi wa mfululizo wa wakati. Viasi vingi vya huduma, kama hesabu za kila siku za tiketi, ni mfululizo wa wakati wenye mwelekeo (kupanda au kushuka kwa muda mrefu), mabadiliko ya msimu (mizunguko ya kawaida, kama ya kila wiki au kila mwaka), na kelele. Wikipedia inaeleza mabadiliko ya msimu. Utabiri unahitaji kuzingatia yote matatu.
Misingi. Utabiri rahisi zaidi unaoweza kufanya kazi: "wiki ijayo itakuwa kama wiki hii", au "mwezi huu utakuwa kama mwezi uleule mwaka jana, ukirekebishwa kwa ukuaji". Misingi ni ngumu kushinda kwa kushangaza. Linganisha mbinu tata na msingi kila wakati; kisipofanya vizuri zaidi waziwazi, tumia msingi.
Mbinu za kawaida. Mbinu kama usawazishaji wa kielelezo na modeli za autoregressive integrated moving average (ARIMA), ambazo Wikipedia inaeleza, hushughulikia mielekeo na mabadiliko ya msimu kwa mfululizo mwingi na mara nyingi ni ngumu kushindwa na zana tata zaidi. Pia ni rahisi kueleza.
Mbinu za kujifunza kwa mashine. Mbinu zinazojifunza mifumo kutoka kwa vigeu vingi, kama miti ya urejeshaji au mitandao ya neva, zinaweza kutumia taarifa za ziada, kama matukio yaliyopangwa. Wikipedia inaeleza uchanganuzi wa urejeshaji na kujifunza kwa mashine kwa ujumla. Zinaweza kufanya vizuri data nyingi husika ikiwepo na zinaweza kufuata kelele (overfit) isipokuwepo. Tazama mada 5.1 — AI katika usimamizi wa huduma.
Kufuata kelele na uthibitisho. Modeli inayolingana na yaliyopita kwa karibu mno, ikijumuisha kelele yake, hufanya vibaya kwa data mpya. Wikipedia inaeleza overfitting. Ulinzi ni kuzuia data ambayo modeli haikuiona, katika seti tofauti za mafunzo, uthibitisho, na jaribio, kama Wikipedia inavyoeleza, na kujaribu kwa vipindi vya baadaye kuliko vile vilivyotumika kujenga modeli. Kwa mfululizo wa wakati, hii huitwa backtesting; Wikipedia inaieleza.
Kuvuja (leakage). Kutumia taarifa katika modeli ambazo hazingepatikana wakati wa makadirio, kama uga unaojazwa baada ya tukio la hitilafu kutatuliwa. Wikipedia inaeleza kuvuja katika kujifunza kwa mashine. Huzalisha matokeo ya majaribio yanayovutia na utabiri usio na maana.
Kutokuwa na uhakika na vipindi. Utabiri ni mgawanyo wa uwezekano, si namba. Kipindi cha makadirio, kinachoelezwa na Wikipedia, kinatoa safu inayotarajiwa kuwa na matokeo kwa uwezekano uliotajwa. Ripoti safu, kama "kati ya mawasiliano 8,000 na 9,500, yanayowezekana zaidi 8,700". Mbinu za Monte Carlo, zinazoelezwa na Wikipedia, huiga siku nyingi zijazo zinazowezekana kuonyesha safu.
Matukio ya mfano. Kwa mambo yanayotegemea maamuzi au matukio, kama uzinduzi, upangaji wa matukio ya mfano (scenario planning), unaoelezwa na Wikipedia, hutengeneza hadithi chache zinazowezekana na kupanga kwa kila moja, badala ya utabiri mmoja. Tumia matukio ya mfano wakati siku zijazo zinaweza kutofautiana kwa aina na zilizopita.
Vipimo vya usahihi. Vipimo vya kawaida hulinganisha utabiri na matokeo, kama kosa la asilimia ya wastani kamili, ambalo Wikipedia inaeleza, na sehemu ya matokeo yanayoanguka katika safu iliyotajwa. Kila kimoja kina udhaifu: kosa la asilimia si thabiti thamani zinapokaribia sifuri. Chagua vipimo vinavyolingana na jinsi makosa yanavyokugharimu.
Uainishaji na alama za hatari. Kutabiri kama kitu kitatokea, kama badiliko kushindwa au tiketi kukiuka lengo lake, hutoa alama. Wikipedia inaeleza usahihi na urejeshaji, njia mbili ambazo makadirio kama hayo yanaweza kukosea: tahadhari za uongo na kukosa. Matukio nadra hufanya hili kuwa gumu: Wikipedia inaeleza kosa la kiwango cha msingi, ambapo kigunduzi kinachoonekana kizuri hutoa tahadhari za uongo kwa kiasi kikubwa tukio linapokuwa nadra. Amua gharama za kila aina ya kosa kabla ya kuchagua kizingiti.
Kupimwa sawa (calibration). Alama ya hatari imepimwa sawa ikiwa, kati ya vitu vilivyopewa asilimia 20, takriban asilimia 20 hutokea kweli. Wikipedia inaeleza calibration katika takwimu. Alama inayopanga vizuri lakini haijapimwa sawa inaweza kupotosha watu wanaoisoma kama uwezekano.
Kuteleza. Uhusiano hubadilika huduma, watumiaji, na zana zinapobadilika. Wikipedia inaeleza kuteleza kwa dhana. Modeli iliyofanya kazi mwaka jana inaweza kushindwa baada ya uzinduzi wa bidhaa mpya. Fuatilia usahihi kwa muda, na ufunze upya au ujenge upya inaposhuka.
Matukio nadra na yaliyokithiri. Modeli zilizofunzwa kwa historia ya kawaida hufanya vibaya kwa matukio yasiyo ya kawaida kabisa. Wikipedia inaeleza nadharia ya black swan, wazo kwamba matukio nadra, yenye athari kubwa hayatabiriki kutoka kwa data ya kawaida. Usitegemee utabiri kwa hatari za mkia; tumia matukio ya mfano, majaribio ya mkazo, na mazoezi. Tazama mada 3.12 — Usimamizi wa Mwendelezo wa Huduma.
Foleni na uwezo. Utabiri wa mahitaji hulisha maamuzi ya uwezo. Nadharia ya foleni na sheria ya Little, ambazo Wikipedia inaeleza, huhusisha mahitaji, uwezo, na kusubiri. Tazama mada 3.11 — Upatikanaji, Uwezo, na Utendaji na mada 2.3 — Mtiririko na kanban.
Maamuzi kwanza. Utabiri una manufaa tu ukibadilisha uamuzi. Kabla ya kujenga mmoja, andika uamuzi unaofahamisha, vizingiti vya hatua, na utafanya nini katika kila kimoja. Kama hakuna kitakachobadilika, usitabiri.
Busara ya binadamu. Watu wanajua kuhusu uzinduzi, mabadiliko ya sera, na matukio ambayo hakuna modeli iliyoyaona. Changanya matokeo ya modeli na busara, rekodi marekebisho, na ukague baadaye kama yalisaidia.
Lenzi zinavyolingana. Utabiri ni upande wa kutazama mbele wa uchanganuzi. Zoea la uchapuchapu linachukulia utabiri kama dhana, inayosasishwa mara nyingi. Mbinu za AI hupanua kinachoweza kutabiriwa, chini ya mapitio na tahadhari zilizo hapo juu. Uendeshaji otomatiki unaweza kutenda juu ya utabiri, kama kupanua kabla ya mahitaji, kwa vikomo.
Mazoea bora
- Taja uamuzi na vizingiti kwanza. Andika hatua ambayo kila safu ya utabiri ingeanzisha, na nani anaamua. Ruka utabiri ambao haungebadilisha chochote.
- Anza na msingi. Jenga utabiri rahisi, kama mfumo wa mwaka jana ukirekebishwa kwa ukuaji, na upime kosa lake. Utumie kama kiwango cha kushinda.
- Pendelea mbinu unazoweza kueleza. Tumia mbinu za kawaida au modeli rahisi isipokuwa tata ni bora waziwazi kwenye data iliyozuiliwa. Uweze kusema, kwa maneno rahisi, nini kinaendesha utabiri.
- Thibitisha kwa uaminifu. Zuia kipindi cha hivi karibuni, jaribu kwa vipindi kadhaa, na ukague kuvuja. Ripoti kosa kwenye data ambayo modeli haikuiona.
- Onyesha safu na matukio ya mfano. Toa thamani inayowezekana zaidi na safu inayokubalika. Tumia matukio ya mfano pale matukio yanaweza kubadilisha mfumo. Usionyeshe usahihi wa uongo.
- Jumuisha matukio yanayojulikana. Ongeza uzinduzi, tarehe za mwisho, sikukuu, na kampeni kutoka kwa watu wanaojua. Rekodi marekebisho yaliyofanywa kwa busara.
- Linganisha kizingiti na gharama ya makosa. Kwa alama za hatari, amua gharama ya tahadhari za uongo na kukosa, weka kizingiti ipasavyo, na ukague calibration.
- Fuatilia usahihi na kuteleza. Linganisha kila utabiri na matokeo, fuatilia kosa kwa muda, na ufunze upya au ujenge upya usahihi unaposhuka. Weka kumbukumbu ya utabiri ili uweze kukaguliwa.
- Usiamini kupita kiasi makadirio ya matukio nadra. Tumia matukio ya mfano, majaribio ya mkazo, na mazoezi kwa matukio makali lakini yasiyowezekana sana.
- Funga mzunguko na maamuzi. Rekodi uamuzi uliochukuliwa na matokeo, na uyatumie kuboresha utabiri na kanuni ya uamuzi.
Maswali ya kujadili na timu yako
Ni maamuzi gani tunayofanya leo kwa msingi wa kubahatisha siku zijazo, na tungefanya nini tofauti na bora zaidi? Yaorodheshe: wafanyakazi, uwezo, wakati wa toleo. Tarajia kadhaa. Ili kwenda mbali zaidi, chagua moja na uandike kanuni ya uamuzi.
Utabiri wetu watatu wa mwisho ulikuwa sahihi kiasi gani, na tuligunduaje? Omba namba. Tarajia kwamba hakuna aliyekagua. Ili kwenda mbali zaidi, linganisha utabiri wa zamani na uhalisia na ukubaliane kuweka kumbukumbu.
Utabiri rahisi zaidi unaoweza kufanya kazi kwa hili ni upi, na modeli tata inapaswa kuwa bora kiasi gani kuhalalisha? Jenga msingi. Tarajia unafanya vizuri kwa heshima. Ili kwenda mbali zaidi, weka uboreshaji wa chini wa kupokea chochote tata zaidi.
Tunajua matukio gani ambayo modeli iliyofunzwa kwa historia isingeyajua? Orodhesha uzinduzi, tarehe za mwisho, na mabadiliko ya sera. Tarajia mengi. Ili kwenda mbali zaidi, amua jinsi ya kuyajumuisha, kama pembejeo au marekebisho.
Alama ya hatari kwa mabadiliko ingetumikaje, na gharama ya tahadhari ya uongo dhidi ya kukosa ni ipi? Jadili kwa maneno halisi. Tarajia maoni tofauti. Ili kwenda mbali zaidi, kubaliana kizingiti na mapitio ya matokeo ya mwezi wa kwanza.
AI inaweza kutusaidia wapi kutabiri au kukadiria, na tungejuaje ilikosea? AI inaweza kufuata mifumo tata na pia kuibuni. Omba ulinganisho na misingi na mpango wa kufuatilia kuteleza. Ili kwenda mbali zaidi, endesha utabiri wa AI sambamba na mbinu ya sasa kwa robo mwaka.
Kwa vitendo: mfano wa usimamizi wa huduma
Dawati la msaada la wakala wa taifa wa mikopo ya wanafunzi ni tulivu kwa sehemu kubwa ya mwaka na hufurika katika wiki mbili kabla ya tarehe ya mwisho ya maombi ya kila mwaka. Hadi sasa, mkuu wa dawati amepanga wafanyakazi kwa kilele kwa kukumbuka uzoefu wa mwaka jana na kuongeza ziada. Miaka miwili iliyopita dawati lilikuwa na wafanyakazi wachache, na mwaka jana lilitumia kupita kiasi kwa mawakala wa muda.
Mchambuzi wa huduma, aliyeombwa kuboresha utabiri, anaanza na uamuzi: mawakala wangapi wa kuweka wiki sita mbele, kwa hatua za tano, na marekebisho ya mwisho wiki mbili mbele. Anajenga msingi: kwa kila siku katika miaka minne iliyopita, idadi ya mawasiliano kuhusiana na siku hadi tarehe ya mwisho, iliyopimwa kwa idadi ya waombaji hadi sasa. Kwenye data iliyozuiliwa ya mwaka uliopita, kosa la msingi katika wiki ya kilele ni asilimia 18. Anajaribu modeli tata zaidi inayoongeza hali ya hewa, kutajwa kwenye mitandao ya kijamii, na siku ya wiki. Kwenye mwaka uleule uliozuiliwa, inaboresha kosa hadi asilimia 15, lakini kwa mwaka kabla yake ni mbaya zaidi kuliko msingi, na hakuna anayeweza kueleza kwa nini. Anachagua msingi na marekebisho rahisi kwa idadi ya waombaji wapya, na kumwonyesha mkuu safu: mawasiliano 11,000 hadi 14,500 katika wiki ya kilele, yanayowezekana zaidi 12,500.
Anaiuliza biashara kuhusu matukio yanayojulikana. Fomu mpya ya mtandaoni itazinduliwa wiki mbili kabla ya tarehe ya mwisho, jambo linaloweza kuongeza au kupunguza mawasiliano. Anajenga matukio mawili ya mfano: moja ambapo fomu inapunguza mawasiliano kwa asilimia 15, na jingine ambapo inaongeza asilimia 10 kwa sababu ya mkanganyiko. Mkuu anapanga kwa katikati ya safu, akiwa na kundi la mawakala wa zamu za kuitwa kwa tukio la juu. Mchambuzi anarekodi utabiri, matukio ya mfano, na uamuzi.
Kinachobadilika: mawasiliano halisi ya wiki ya kilele ni 13,800, ndani ya safu, na dawati linatimiza lengo lake bila kutumia kupita kiasi. Kinachobaki kigumu: fomu ilileta mkanganyiko, ambao tukio la juu pekee lilitarajia; utabiri unategemea data kuhusu waombaji inayofika kwa kuchelewa; na meneja mwandamizi aliomba namba moja, ambayo mchambuzi alitoa pamoja na safu. Anarekodi kosa, asilimia 10 dhidi ya thamani inayowezekana zaidi, na kupanga kulinganisha na msingi na na mwaka ujao.
Mitazamo minne
Timu za bidhaa na utoaji
Waambie wachambuzi kuhusu uzinduzi, mabadiliko, na kampeni mapema, kwa kuwa zinasogeza mahitaji na hatari. Toa data ambayo makadirio yanahitaji, na utumie alama za hatari kama vichocheo vya maswali, si hukumu.
Timu za huduma na uendeshaji
Tumia utabiri kupanga wafanyakazi na uwezo, pamoja na ziada kwa tukio la juu. Ripoti utabiri ulipokuwa si sahihi na kwa nini, ili mbinu iboreke.
Uongozi na utawala
Omba uamuzi, msingi, safu, na rekodi ya usahihi. Kubali kutokuwa na uhakika. Fadhili data na muda wa kukagua utabiri. Usidai namba moja.
Wateja na watumiaji
Unanufaika watoaji wanapojiandaa kwa vilele na hatari. Mwambie mtoaji kuhusu mipango yako mwenyewe inayoweza kuathiri mahitaji, kama kampeni, na uripoti matatizo yanayopendekeza utabiri ulikosea.
Uchapuchapu, AI, uendeshaji otomatiki na uchanganuzi
Uchapuchapu
Chukulia utabiri kama dhana, uusasishe mara nyingi, na uukague baada ya kila kipindi. Washirikishe wadau katika dhana. Tahadhari: kutabiri upya kila mara bila kurekodi utabiri wa awali huficha ulivyokosea.
AI
Mbinu za AI zinaweza kuunda modeli ya vigeu vingi na ishara zisizo na muundo, na kuandaa muhtasari wa utabiri, chini ya mapitio. Taja mmiliki, linganisha na misingi, na ufuatilie kuteleza. Tahadhari: utabiri wa AI bila safu au jaribio kwenye data iliyozuiliwa ni kubahatisha kwa uso uliong'arishwa. Tazama mada 5.1 — AI katika usimamizi wa huduma.
Uendeshaji otomatiki
Fanya ukusanyaji wa data, uendeshaji wa utabiri, na tahadhari zilizopangwa, na, pale ni salama, vitendo kama kupanua kabla ya mzigo unaotarajiwa, kuwa vya kiotomatiki, kwa vikomo. Tahadhari: hatua ya kiotomatiki juu ya utabiri mbaya inaweza kupoteza pesa au kusababisha madhara; weka mipaka na upitie. Tazama mada 6.1 — Mkakati wa uendeshaji otomatiki.
Uchanganuzi
Pima kosa la utabiri, ufunikaji wa vipindi, calibration ya alama za hatari, na thamani ya maamuzi yaliyochukuliwa. Tahadhari: modeli yenye kosa dogo la wastani inaweza kushindwa kwenye vilele vinavyojalisha zaidi; tathmini mahali makosa yanapogharimu zaidi. Tazama kitabu cha Service Management Metrics na mada 7.1 — Uchanganuzi kwa usimamizi wa huduma.
Njia za kawaida za kushindwa
- Utabiri usiobadilisha chochote. Hakuna uamuzi unaoutegemea. Anza kutoka kwa uamuzi.
- Modeli tata, hakuna msingi. Haifanyi vizuri kuliko rahisi. Linganisha kila wakati.
- Kufuata kelele na kuvuja. Matokeo mazuri ya majaribio, uhalisia duni. Zuia data ya baadaye na ukague pembejeo.
- Namba moja. Usahihi wa uongo. Onyesha safu na matukio ya mfano.
- Kupuuza matukio yanayojulikana. Modeli inakosa uzinduzi. Ongeza wanachojua watu.
- Hakuna ufuatiliaji. Kuteleza hakuonekani. Fuatilia usahihi kwa muda.
- Kuamini makadirio ya matukio nadra. Hatari ya mkia imepimwa vibaya. Tumia matukio ya mfano na mazoezi.
Modeli ya ukomavu
| Kipimo | Kuanzisha | Kuendeleza | Kusanifisha | Kusimamia | Kuratibu |
|---|---|---|---|---|---|
| Maamuzi na misingi | Kubahatisha | Baadhi ya utabiri | Utabiri uliofungwa kwa maamuzi yaliyotajwa, pamoja na misingi | Thamani ya utabiri inapitiwa | Utabiri umeunganishwa katika mipango kati ya huduma |
| Mbinu na uthibitisho | Haujakaguliwa | Mbinu za msingi | Mbinu zinazoelezeka, backtesting, na ukaguzi wa kuvuja | Mbinu zinalinganishwa na kuboreshwa | Mbinu zinachaguliwa na kufuatiliwa kati ya jalada |
| Kutokuwa na uhakika | Namba moja | Baadhi ya safu | Safu na matukio ya mfano ni kawaida | Ufunikaji wa vipindi na calibration vinapimwa | Kutokuwa na uhakika kunatumika katika maamuzi ya kiotomatiki kwa vikomo |
| Ufuatiliaji | Hakuna | Mapitio ya mara moja moja | Usahihi na kuteleza vinafuatiliwa | Kufunza upya na kujenga upya kunaanzishwa na ushahidi | Tathmini endelevu kati ya modeli |
Orodha hakiki
- Kila utabiri unataja uamuzi na vizingiti unavyofahamisha.
- Tunalinganisha kila modeli na msingi rahisi.
- Tunathibitisha kwenye data ya baadaye iliyozuiliwa na kukagua kuvuja.
- Tunaripoti safu na kutumia matukio ya mfano pale matukio yanaweza kubadilisha mifumo.
- Matukio yanayojulikana kutoka kwa biashara yamejumuishwa au kurekodiwa kama marekebisho.
- Alama za hatari zina kizingiti kilichowekwa kwa gharama ya tahadhari za uongo na kukosa, na tunakagua calibration.
- Tunarekodi utabiri, kuulinganisha na matokeo, na kufuatilia kuteleza.
- Tunatumia matukio ya mfano na mazoezi kwa matukio nadra, makali.
Maelekezo ya AI
Jenga msingi kutoka kwa data.
Here is a monthly count of [quantity] for the last [number] years: [paste].
Describe the trend and seasonal pattern, produce a simple baseline forecast for the next [period] (state the method and show the calculation), and give an approximate range based on the spread in past years. Do not use any method that needs data I have not provided.
List what you are unsure of.
Kagua ripoti ya utabiri.
Here is a forecast report and how it was built: [paste].
List problems: no baseline comparison, no validation on held-back data, possible leakage, single numbers without ranges, missing known events, and claims that are stronger than the evidence. Quote the text for each. Do not redo the forecast.
List what you are unsure of.
Andaa matukio ya mfano.
The decision: [describe]. The uncertain event: [describe]. What we know: [list].
Draft three scenarios (low, middle, high) with the assumption behind each, what we would see early if it were happening, and how our plan would differ. Do not assign probabilities.
List what you are unsure of.
Ujuzi wa AI
- demand-forecasting: tumia kukadiria mahitaji ya baadaye kwa kutokuwa na uhakika kulikotajwa.
- capacity-planning: tumia kugeuza utabiri kuwa maamuzi ya uwezo.
- trend-analysis: tumia kuchanganua mielekeo na mabadiliko ya msimu.
- statistical-analysis: tumia kuchagua na kukagua mbinu.
- budget-forecasting: tumia kutabiri gharama kwa dhana.
Vyanzo vikuu
- Rob J. Hyndman and George Athanasopoulos, Forecasting: Principles and Practice (free online at otexts.com/fpp3): maandishi wazi, ya vitendo kuhusu mbinu za utabiri.
- Nate Silver, The Signal and the Noise (2012): maelezo yanayosomeka ya utabiri na mitego yake.
- Wikipedia, "Forecasting" and "Overfitting": muhtasari wa fani na mtego wake mkuu.
- Wikipedia, "Prediction interval": jinsi ya kueleza kutokuwa na uhakika.
Marejeo
- Forecasting — Wikipedia — https://en.wikipedia.org/wiki/Forecasting
- Predictive analytics — Wikipedia — https://en.wikipedia.org/wiki/Predictive_analytics
- Time series — Wikipedia — https://en.wikipedia.org/wiki/Time_series
- Seasonality — Wikipedia — https://en.wikipedia.org/wiki/Seasonality
- Exponential smoothing — Wikipedia — https://en.wikipedia.org/wiki/Exponential_smoothing
- Autoregressive integrated moving average — Wikipedia — https://en.wikipedia.org/wiki/Autoregressive_integrated_moving_average
- Overfitting — Wikipedia — https://en.wikipedia.org/wiki/Overfitting
- Backtesting — Wikipedia — https://en.wikipedia.org/wiki/Backtesting
- Prediction interval — Wikipedia — https://en.wikipedia.org/wiki/Prediction_interval
- Scenario planning — Wikipedia — https://en.wikipedia.org/wiki/Scenario_planning
- Concept drift — Wikipedia — https://en.wikipedia.org/wiki/Concept_drift
- Base rate fallacy — Wikipedia — https://en.wikipedia.org/wiki/Base_rate_fallacy