Klassische Zeitreihenprognosen (2008)

Im Jahr 2008 wurde Lokad mit einem als Software-as-a-Service (SaaS) angebotenen Prognosemodell gestartet. Der ursprüngliche Slogan des Unternehmens lautete Prognose als Dienstleistung. Dieses Modell bot klassische punktuelle Zeitreihenprognosen. Im Laufe der Jahre entwickelte sich Lokad weiter, indem es fortschrittlichere prädiktive Technologien einführte und einen breiteren Supply-Chain-Blickwinkel über seine ursprünglichen Wurzeln in der Nachfrageprognose hinaus annahm. Das ursprüngliche Prognosemodell wurde Mitte der 2010er Jahre allmählich eingestellt und schließlich 2020 vollständig abgeschaltet.

Das ursprüngliche Modell (jetzt nicht mehr existent), das 2008 eingeführt wurde, fungierte als Metamodell, das eine Reihe von Prognosemodellen enthielt - hauptsächlich der autoregressiven Art - sowie einen Klassifizierer, der als Modellauswahl verwendet wurde. Dieser Selektor wählte für jede Zeitreihe das geeignetste Modell aus. Von 2008 bis 2012 wurde das Modell schrittweise um zusätzliche Modelle und einen verfeinerten Selektor erweitert.

Spätere Verbesserungen umfassten nichtparametrische Modelle, die von den damals beliebten maschinellen Lernansätzen beeinflusst waren. Diese Modelle nutzten eine gleichzeitige Zeitreihenperspektive, die es dem Modell ermöglichte, geeignete Saisonalitätskoeffizienten auch für Zeitreihen anzuwenden, die kein volles Jahr historischer Daten hatten. Auf ähnliche Weise ermöglichte dies dem Modell, Produktstarts vorherzusagen, indem Ähnlichkeiten genutzt wurden, die durch Tags identifiziert wurden, die den Zeitreihen zugewiesen wurden.

Obwohl Lokad niemals die Daten eines Kunden verwendete, um die Prognosen eines anderen Kunden zu verbessern - ein Engagement, das nach wie vor gilt - gab es nur ein Prognosemodell, das allen Kunden gemeinsam war und die gleichen Metaparameter verwendete. Folglich musste Lokad hochwertige Standardparameter festlegen, die in verschiedenen Szenarien gut funktionieren würden. Indirekt profitierten andere Kunden von den technischen Erkenntnissen, die aus einem Kunden gewonnen wurden (und umgekehrt).

Letztendlich wurde dieses Modell eingestellt, als Lokad überlegene Technologien entwickelte. Obwohl der Ansatz zur Modellauswahl wie ein Wettbewerb zwischen konkurrierenden Modellen erscheinen mag, führte dies zu erheblicher Instabilität in den Prognosen. Schon ein weiterer Tag historischer Daten konnte den Selektor dazu veranlassen, Modelle für zahlreiche Zeitreihen zu wechseln, was zu unvorhersehbaren Schwankungen führte. Dieses Problem ist inherent für jedes Prognosesystem, das auf interner Konkurrenz beruht, und wird bei Lokad heute als veraltete Gestaltung angesehen.

Das Fehlen einer probabilistischen Ausgabe war das zweite wesentliche Problem. Punktuelle Zeitreihenprognosen übersehen vollständig die Unsicherheit, was Entscheidungen auf Basis dieser Prognosen äußerst fragil macht. Tatsächlich führt eine Abweichung der tatsächlichen Ergebnisse von der Prognose oft zu einem starken Leistungsabfall. Lokad hat diese Einschränkung durch die Einführung der probabilistischen Prognosetechnologie behoben.

Schließlich stellte die Starrheit einer reinen Zeitreihenperspektive ein ernsthaftes Hindernis dar. Zeitreihen - dargestellt als eindimensionale Vektoren - bieten eine begrenzte Ausdruckskraft für historische Daten. Selbst in Supply-Chain-Situationen, in denen punktuelle Prognosen ausreichen könnten, versagt ein reiner Zeitreihenansatz typischerweise darin, die volle Komplexität realer Kontexte zu erfassen.

Das klassische Prognosemodell wurde 2020 endgültig eingestellt, nachdem unsere Technologie des differenzierbaren Programmierens eingeführt wurde. Obwohl punktuelle Zeitreihenprognosen nicht mehr empfohlen werden, kann differenzierbares Programmieren sowohl punktuelle Zeitreihenprognosen als auch probabilistische Prognosen problemlos erstellen.