FAQ: Bedarfsprognose

Lokad hat sich von seinen Anfängen in der Bedarfsprognose Ende der 2000er Jahre zu einem führenden Anbieter von prädiktiver Optimierung für Lieferketten entwickelt. Dabei konzentrieren wir uns auf eine überlegene Bewertung zukünftiger Ereignisse unter Berücksichtigung realer Komplexitäten.

Zielgruppe: Fachleute für Lieferketten, Bedarfs- und Angebotsplaner, Business-Analysten.

Zuletzt geändert: 7. März 2024

Prognoseprinzipien

Wie Keynes feststellte, ist es besser, ungefähr richtig zu sein als genau falsch. Dieses Prinzip gilt für die meisten Situationen in der Lieferkette (und auch für Nicht-Lieferketten-Szenarien), aber es ist besonders relevant, wenn es um Prognosen geht. Bei der Prognose geht Lokad über das bloße Vermeiden von exakten Fehlern hinaus; wir übertreffen routinemäßig nicht nur unsere Mitbewerber, sondern auch Forschungsteams¹ und definieren gelegentlich den Stand der Technik neu. In den letzten zehn Jahren haben wir jedoch erkannt, dass der größte begrenzende Faktor der traditionellen Prognoseperspektive nicht die Genauigkeit, sondern die Ausdrucksfähigkeit ist.

Klassische Prognosen - d.h. Punkt-Zeitreihenprognosen - sagen einfach nicht genug über die Zukunft aus. Dennoch sind Zeitreihenprognosen so verbreitet geworden, dass viele Fachleute vergessen haben, wie unvollständig - nicht nur ungenau - sie sind. Zeitreihenprognosen behandeln die Zukunft des Unternehmens wie die Bewegung des Planeten: ein Phänomen, bei dem der Beobachter nichts mit den beobachteten Objekten zu tun hat. Lieferketten sind jedoch nicht wie die Astronomie, und Unternehmen (im Gegensatz zu Planeten) beeinflussen aktiv die Richtung ihrer Lieferketten. Grundsätzlich ist die Zukunft nicht vorherbestimmt; sie ist das, was Sie daraus machen.

Seltsamerweise basiert die gesamte Mainstream-Theorie der Lieferkette auf Zeitreihenprognosen, was zu allerlei seltsamen Wendungen führt. Die Preisgestaltung - ein offensichtlicher Weg, um die Nachfrage zu steuern - wird in der Regel aus dem Bild entfernt und als völlig separates Anliegen betrachtet. Dies ist angesichts ihrer klaren Wechselbeziehung offensichtlich falsch.

Eine weitere Dimension, die in der traditionellen Zeitreihenperspektive vollständig fehlt, ist Unsicherheit. Diese Unsicherheit ist etwas, das Traditionalisten glauben, durch eine größere Genauigkeit in Isolation bewältigen zu können - oft mit erheblichen Ressourcen. Lieferketten beweisen jedoch immer wieder, dass die Unsicherheit, die mit zukünftigen Ereignissen verbunden ist, nicht reduzierbar ist und dass Lieferkettenprobleme mehr als isolierte Anpassungen erfordern - d.h. lokale Optimierung. Die zukünftige Unsicherheit ist nicht nur nicht reduzierbar, sondern globale Märkte scheinen durchaus in der Lage zu sein, Herausforderungen sowohl auf alte Weise (z.B. Kriege, Tsunamis) als auch auf neue Weise (z.B. Lockdowns, erfinderische Vorschriften) zu stellen.

Probabilistische Prognosen

Lokads erster großer Schritt weg von der klassischen Zeitreihenprognoseperspektive waren probabilistische Prognosen, die 2012 durch Quantilprognosen eingeführt wurden - die als unvollständige probabilistische Prognose angesehen werden können. Probabilistische Prognosen berücksichtigen alle möglichen Zukunftsszenarien (d.h. Bedarf, Vorlaufzeit usw.) und weisen jedem einzelnen Ergebnis Wahrscheinlichkeiten zu. Auf diese Weise berücksichtigen probabilistische Prognosen die nicht reduzierbare Unsicherheit zukünftiger Ereignisse anstatt den Fall vollständig abzulehnen. Seit 2012 haben sich probabilistische Prognosen immer wieder als überlegener Ansatz in Bezug auf das Risikomanagement für Lieferketten erwiesen. Dies gilt für alles, angefangen bei kleinen lokalen Entscheidungen wie der richtigen Menge für eine SKU bis hin zu großen Entscheidungen wie dem Abschluss eines langfristigen, millionenschweren Servicevertrags.

Darüber hinaus beschränkte sich Lokad nicht (und tut es immer noch nicht) auf die probabilistische Prognose des Bedarfs. Alle anderen Unsicherheitsquellen werden nun von der Lokad-Plattform quantifiziert. Diese Unsicherheiten umfassen unterschiedliche Vorlaufzeiten, unterschiedliche Abschöpfungsraten, unterschiedliche Kundenrücksendungen usw. Im weiteren Sinne müssen alle unsicheren zukünftigen Ereignisse idealerweise durch probabilistische Prognosen vorhergesagt werden. Heutzutage prognostiziert Lokad routinemäßig mehr als ein Dutzend verschiedene Arten von zukünftigen Ereignissen. Diese alternativen Prognosen sind jedoch keine Zeitreihenprognosen. Wir versuchen nicht, mehrere unterschiedliche Werte/Einheiten (z.B. Bedarf, Vorlaufzeit usw.) mithilfe einer Zeitreihe auszudrücken. Tatsächlich passt das Problem, das wir prognostizieren, meistens nicht einmal in den engen Rahmen, den eine Zeitreihe vorgibt.

Programmatische Prognosen

Lokads zweiter großer Schritt weg von der klassischen Prognoseperspektive war seine programmatische Umstellung, zuerst mit Deep Learning im Jahr 2018 und dann mit differenzierbarer Programmierung im Jahr 2019. Die vorherrschende Ansicht war, dass die Prognose als ein “verpacktes” technologisches Produkt angegangen werden sollte. Lokad bezeichnete wie die meisten seiner Mitbewerber sogar seine “Prognose-Engine” - eine monolithische Softwarekomponente, die ausschließlich dieser Aufgabe gewidmet ist. Diese Perspektive weist jedoch zwei wesentliche Mängel auf.

Erstens geht die Perspektive der “Prognose-Engine” davon aus, dass es eine standardisierte Art und Weise gibt, die Eingangsdaten zu organisieren, die der Engine zugeführt werden sollen. Dies ist nicht der Fall. Die Struktur der Eingangsdaten - im relationalen Sinne (z.B. SQL) - hängt sehr stark von den spezifischen Geschäftssystemen ab, die im Unternehmen vorhanden sind. Wenn man die historischen Daten, wie sie in den Geschäftssystemen zu finden sind, in ein vorgefertigtes Datenmodell zwängt, wie es von einer Prognose-Engine verlangt wird, treten allerlei Probleme auf. Obwohl es Lokad (durch immer raffiniertere Techniken) gelungen ist, eine Prognose-Engine zu entwickeln, die wesentlich flexibler ist als das, was unsere Konkurrenten immer noch anbieten, haben wir auch erkannt, dass dieser Ansatz eine technologische Sackgasse ist. Die Prognose-Engine ist niemals flexibel genug und lässt zwangsläufig kritische, aber nuancierte Aspekte des Geschäfts außer Acht.

Programmatische Ansätze haben sich jedoch als überlegene Lösung erwiesen. Hier werden Herausforderungen der prädiktiven Modellierung durch programmatische Paradigmen anstatt durch eine starre monolithische Software angegangen. Lokad begann 2018 mit Deep Learning-Frameworks, wie sie von der breiteren Community üblich sind, überarbeitete die Technologie jedoch vollständig aufgrund der Fortschritte, die im Jahr 2019 in der differenzierbaren Programmierung gemacht wurden. Die Absicht hinter dieser vollständigen technologischen Überarbeitung bestand darin, relationale Daten zu einem Bürger erster Klasse zu machen, im Gegensatz zu Deep Learning-Frameworks, die sie als Bürger zweiter Klasse behandeln - und immer noch behandeln. Während relationale Daten in der Lieferkette dominieren, handelt es sich nicht um die Art von Daten, die das Interesse der breiteren Machine-Learning-Community wecken (wo Bilder, natürliche Sprache, Sprache usw. vorherrschen).

Zweitens lässt die Perspektive der “Prognose-Engine” kein Raum für das Unternehmen, seine eigene Zukunft zu gestalten. Unabhängig von der Raffinesse der Engine impliziert das Paradigma, dass ein zweistufiger Prozess stattfindet, bei dem die Prognose-/Planungsphase von einer Optimierungs-/Ausführungsphase gefolgt wird. Dieses Paradigma lässt wenig bis gar keinen Spielraum für Hin- und Herbewegungen zwischen Planung und Ausführung. Theoretisch ist es möglich, die Prognose-Engine wiederholt auf Szenarien anzuwenden, die gemäß den Prognosen aus vorherigen Iterationen angepasst wurden. In der Praxis ist der Prozess jedoch so mühsam, dass das niemand wirklich tut (zumindest nicht lange).

Fazit: Programmatische Ansätze sind ein Game Changer. Denn dadurch wird es möglich, maßgeschneiderte Feedbackschleifen zwischen Planung und Ausführung zu betreiben, die subtile, aber profitable Optionen berücksichtigen, die das Unternehmen wahrscheinlich sonst übersehen würde. Wenn zum Beispiel der Kunde ein Unternehmen für die Instandhaltung, Reparatur und Überholung von Flugzeugen ist, wird es möglich, den Kauf und Verkauf von Rotables gleichzeitig in Betracht zu ziehen - der Verkauf von ungenutzten Teilen finanziert den Erwerb von dringend benötigten Teilen. Solche Interaktionen sind nicht unbedingt komplex oder herausfordernd, aber ihre Entdeckung erfordert eine sorgfältige Berücksichtigung der Feinheiten des Geschäfts. Nicht-programmatische Ansätze erfassen diese Feinheiten zwangsläufig nicht und zwingen die Supply-Chain-Praktiker zurück zu ihren Tabellenkalkulationen². Auch die differentielle Programmierung erweist sich in dieser Hinsicht als Game Changer.

Häufig gestellte Fragen (FAQ)

1. Prognosealgorithmen und -modelle

1.1 Können Sie einen Überblick über die von Ihnen verwendeten Prognose-Engine(s) geben?

Lokads Vorhersagefähigkeiten basieren auf den differentiellen Programmierfähigkeiten von Envision, der von Lokad für die prädiktive Optimierung der Supply Chain entwickelten DSL (domänenspezifische Programmiersprache). Anstatt eine “Engine” zu haben, verfügt Lokad über programmatische Bausteine, die leicht zu hochmodernen prädiktiven Modellen zusammengesetzt werden können.

Unsere prädiktiven Modelle umfassen (aber übertreffen auch) die Bereitstellung von hochmodernen Zeitreihen-Nachfrageprognosen, wie von Lokad durch den ersten Platz (unter etwa 1000 Mitbewerbern) auf SKU-Ebene in einem internationalen Prognosewettbewerb auf der Grundlage von Walmart-Datensätzen nachgewiesen. Die Feinheiten der Methode sind in einem öffentlichen Papier beschrieben. Die Programmierbarkeit der Lokad-Plattform bietet flexible Möglichkeiten, die durch eine traditionelle “Prognose-Engine” nicht repliziert werden können. Tatsächlich wurde unsere letzte “Prognose-Engine” 2018 zugunsten eines programmatischen Ansatzes eingestellt, genau wegen dieser Einschränkung.

Darüber hinaus sprechen wir in der Regel von “prädiktivem Modellieren” anstelle von “Prognose”, da nicht nur die zukünftige Nachfrage quantitativ geschätzt werden muss, sondern alle Unsicherheitsquellen. Diese Klassen umfassen zukünftige Vorlaufzeiten, zukünftige Rücksendungen, zukünftige Ausschussraten, zukünftige Bezugspreise, zukünftige Wettbewerbspreise usw. Durch differentielle Programmierung liefert Lokad Prognosen, die weit über das hinausgehen, was traditionell von einer Prognose-Engine erwartet wird. Diese erweiterten Prognosen sind entscheidend, um eine End-to-End-Optimierung der Supply Chain zu ermöglichen, anstatt nur einen isolierten Nachfrageplan.

Schließlich liefert Lokad ein “probabilistisches prädiktives Modell”. Probabilistische Prognosen (oder “probabilistisches Modellieren”) sind entscheidend, um risikoadjustierte optimierte Entscheidungen zu treffen. Ohne probabilistische Prognosen sind Supply-Chain-Entscheidungen anfällig für jede Variation und erzeugen kontinuierliche Overheads für Situationen, die durch etwas vorsichtigere Entscheidungen weitgehend abgemildert werden könnten.

Weitere Informationen zu diesem wichtigen Tool finden Sie in Differentiable Programming in Envision sowie in Geschichte der Prognose-Engine von Lokad, um unseren Prognosefortschritt zu überprüfen.

1.2 Können Sie eine Baseline-Prognose auf der Grundlage statistischer Modelle erstellen?

Ja. Lokad kann eine Baseline-Nachfrageprognose auf der Grundlage von niedrigdimensionalen parametrischen Modellen, d.h. einem statistischen Modell, erstellen. Wir verwenden dazu Envision, die DSL (domänenspezifische Programmiersprache) von Lokad, die speziell für die prädiktive Optimierung von Supply Chains entwickelt wurde. Durch die differentielle Programmierfähigkeit von Envision ist es auch einfach, Parameter anhand historischer Nachfragedaten zu erlernen.

Es gibt zwei wesentliche Einschränkungen der traditionellen Prognoseperspektive, die durch die neueren Technologien von Lokad abgelöst wurden. Erstens erfassen punktuelle Zeitreihenprognosen (auch “klassische Prognosen” genannt) nicht die unvermeidbare Unsicherheit der Zukunft. Tatsächlich ignorieren sie die Unsicherheit vollständig, indem sie zukünftige Unsicherheit als einen einzigen Wert (z.B. Nachfrage) anstatt einer Wahrscheinlichkeitsverteilung von Werten ausdrücken.

Als Ergebnis ist es durch traditionelle Zeitreihenprognosen nicht möglich, risikoadjustierte Entscheidungen zu treffen - z.B. solche, die die finanziellen Auswirkungen der Bestellung von X Einheiten oder X+1 Einheiten oder vielleicht auch keiner Bestellung widerspiegeln. Dieses Fehlen von Risikobewusstsein (d.h. in quantitativer Hinsicht) ist für den Kunden in der Regel sehr kostspielig, da es zu schlechten finanziellen Entscheidungen führt (z.B. Bestellungen, Zuweisungen usw.). Lokad begegnet diesem Problem durch probabilistische Prognosen, da sie die zukünftige Unsicherheit nicht ignorieren, sondern akzeptieren.

Zweitens ist die Nachfrageprognose zwar die wohl wichtigste Art von Prognose, aber nicht die einzige. Auch Vorlaufzeiten, Rücksendungen, Ausschussraten und alle anderen Bereiche zukünftiger Unsicherheit müssen prognostiziert werden. Lokad begegnet diesem Problem durch programmgesteuertes prädiktives Modellieren.

1.3 Welche Art von Datenanalyse und Algorithmen verwendet die Lösung, um genaue Nachfrageprognosen zu generieren?

Lokad verwendet differentielle Programmierung, um detaillierte historische Daten und - falls relevant - selektive externe Daten zur Generierung von Nachfrageprognosen und zur Bewältigung anderer Komplexitäten in der Supply Chain (z.B. Lagerbestände und Promotionen) zu nutzen.

Differentielle Programmierung - zur Erstellung parametrischer Modelle - ist die führende Technik zur Generierung genauer Nachfrageprognosen. Wie im M5-Prognosewettbewerb auf Basis von Einzelhandelsdaten von Walmart gezeigt, hat Lokad diesen Ansatz genutzt und auf SKU-Ebene den ersten Platz belegt (im Wettbewerb gegen etwa 1000 Teams weltweit). Dieser Erfolg qualifiziert den Ansatz als State-of-the-Art.

Allerdings hat der M5 nur die Oberfläche in Bezug auf Nachfrageprognosen angekratzt, da sich der Ansatz von Lokad für unzählige “Komplikationen” eignet, wie z.B. Umgang mit Lagerbeständen, Promotionen, Rücksendungen, Verderblichkeit usw. Strukturiertes prädiktives Modellieren für die Supply Chain liefert Einzelheiten dazu, wie Lokad diese Komplikationen angeht.

Datenmäßig nutzt Lokad alle relevanten historischen Verkaufsdaten, bis hin zu einzelnen Transaktionen (sofern diese Daten verfügbar sind). Wir nutzen auch andere historische Daten, die das Nachfragesignal ergänzen, wie z.B. historische Lagerbestände, historische Preise, historische Konkurrenzpreise, historische Anzeigeränge (E-Commerce) usw. Die Technologie von Lokad wurde entwickelt, um das Beste aus allen verfügbaren Daten zu machen und die Auswirkungen der leider nicht verfügbaren Daten zu minimieren.

Externe Daten können verwendet werden, wenn sie als relevant erachtet werden, um die Nachfrageprognosen zu verfeinern. Unsere Erfahrung zeigt jedoch, dass Daten jenseits der Wettbewerbsinformationen selten eine Genauigkeitsverbesserung bringen, die den erheblichen Aufwand für die Vorbereitung dieser Datensätze rechtfertigt (z.B. soziale Daten, Wetterdaten usw.). Die Nutzung solcher Datensätze sollte für etablierte Unternehmen vorbehalten sein, die bereits alle einfacheren Möglichkeiten zur Verbesserung der Prognosegenauigkeit ausgeschöpft haben.

1.4 Reduzieren Sie den Prognosefehler durch maschinelles Lernen?

Ja. Lokad verwendet differentielle Programmierung und Deep Learning, um den Prognosefehler zu reduzieren. Gelegentlich verwenden wir auch alternative Techniken wie Random Forests oder Gradient Boosted Trees. Darüber hinaus nutzen wir maschinelles Lernen (ML)-Techniken, um “klassische” statistische Methoden (z.B. autoregressive Modelle) zu überarbeiten, jedoch mit deutlich verbesserten Methoden zur Bestimmung der relevanten Parameter der Methoden.

Obwohl Lokad ML verwendet, ist zu beachten, dass es sich nicht um einen homogenen Arbeitsbereich handelt, sondern um eine gemeinsame Perspektive, wie man mit Daten umgeht. Angesichts der Tatsache, dass maschinelles Lernen als Forschungsfeld seit über drei Jahrzehnten existiert, umfasst der Begriff tatsächlich eine Vielzahl von Techniken; einige gelten als State-of-the-Art, andere sind ziemlich veraltet.

Aus unserer Sicht ist der wichtigste Paradigmenwechsel im ML, insbesondere für die Supply Chain, der Übergang von der Merkmalsextraktion zur Architekturkonstruktion. Einfach ausgedrückt sind die maschinellen Lernverfahren selbst programmierbar geworden. Sowohl Deep Learning als auch differentielle Programmierung spiegeln diese neuere Perspektive wider, die die Architekturkonstruktion gegenüber der Merkmalsextraktion bevorzugt, und deshalb verwendet Lokad diesen Ansatz.

Für die Supply Chain ist die Architekturkonstruktion entscheidend, um in das Vorhersagemodell die Struktur des behandelten Problems widerzuspiegeln. Obwohl dies wie eine abstrakte Überlegung erscheinen mag, ist es der Unterschied zwischen einer Prognose, die systematisch nicht mit den Daten des ERP-Systems übereinstimmt, und einer Prognose, die die Situation wirklich umfasst.

1.5 Wie identifizieren und prognostizieren Sie Nachfragemuster, um Lagerbestände und Überbestände zu vermeiden?

Lokad reduziert Lagerbestände und Überbestände durch probabilistische Prognosen, die die Unsicherheit zukünftiger Nachfrage berücksichtigen, indem sie Wahrscheinlichkeiten für große Nachfrageabweichungen liefern. Dieser Ansatz ermöglicht es Lokad, risikoadjustierte Entscheidungen für Kunden zu treffen, was bessere Auswahlmöglichkeiten (z.B. Bestellungen) ermöglicht und Lagerbestände und Überbestände reduziert. Dieser Ansatz steht im Gegensatz zu traditionellen punktbasierten Zeitreihenprognosen, die finanzielle Risiken ignorieren und darauf abzielen, Prognosefehler isoliert zu reduzieren.

Abgesehen von anderen möglichen Ursachen - wie z.B. variierenden Vorlaufzeiten - spiegeln Lagerbestände und Überbestände in der Regel unerwartete (zukünftige) Nachfrage wider. Lokad begegnet diesem Problem direkt durch probabilistische Prognosen. Im Gegensatz zu den gängigen Supply-Chain-Methoden, die die unvermeidliche Unsicherheit der Zukunft ignorieren, berücksichtigt Lokad die Unsicherheit in einem streng quantitativen Sinne. Probabilistische Prognosen liefern die Wahrscheinlichkeiten für das Auftreten großer Nachfrageabweichungen, was wesentlich ist, wenn man risikoadjustierte Entscheidungen treffen möchte.

Risikoadjustierte Entscheidungen berücksichtigen nicht nur die Wahrscheinlichkeit ungewöhnlicher Ereignisse (z.B. sehr geringe oder sehr hohe Nachfrage), sondern auch die finanziellen Risiken, die mit diesen Ergebnissen verbunden sind. Als Faustregel gilt, dass es hohe asymmetrische Kosten gibt, wenn es zu wenige oder zu viele Einheiten gibt. Eine risikoadjustierte Entscheidung minimiert die erwarteten Verluste, indem sie den Kunden in die “vorsichtigste” oder “belohnendste” Richtung lenkt.

Im Gegensatz dazu sind periodische punktbasierte Zeitreihenprognosen (auch “klassische Prognosen” genannt) trotz ihrer Beliebtheit völlig ignorant gegenüber diesen Risiken. Diese Perspektive zielt darauf ab, den Prognosefehler isoliert so weit wie möglich zu reduzieren, bis der Fehler vernachlässigbar wird. Dies ist jedoch Wunschdenken, da die zukünftige Unsicherheit unvermeidlich ist. Aus diesem Grund versagen punktbasierte Prognosen darin, Lagerbestände und Überbestände auf zufriedenstellende Weise zu verhindern.

Kurz gesagt spielt es keine Rolle, ob ein einfaches oder ausgefeiltes Modell verwendet wird, wenn die zugrunde liegenden Annahmen/Werkzeuge (z.B. punktbasierte Zeitreihenprognosen) grundsätzlich fehlerhaft sind.

Weitere Informationen zu diesem Konzept finden Sie unter probabilistische Vorhersage.

1.6 Wie gehen Sie mit Saisonalität in der Nachfrage um?

Zusammenfassung: Lokad behandelt Saisonalität in der Nachfrage durch differenzierbare Programmierung, wobei niedrigdimensionale parametrische Modelle verwendet werden, die die Struktur verschiedener Zyklen wie jährliche, wöchentliche und ereignisspezifische Muster fest kodieren. Dieser automatisierte Ansatz gewährleistet Genauigkeit und Stabilität bei der Nachfrageprognose, indem er alle Muster berücksichtigt, die sich gleichzeitig auf die Nachfrage auswirken, ohne manuelle Eingriffe zu erfordern.

Saisonalität, auch als jährliche Zyklik bezeichnet, ist eine der vielen Zyklik, die Lokad behandelt. Wir können auch die wöchentliche Zyklik (d.h. den “Wochentagseffekt”), die monatliche Zyklik (d.h. den “Gehaltseffekt”) und die quasi-jährlichen Zyklik (z.B. Ostern, Ramadan, chinesisches Neujahr, Black Friday, etc.) behandeln.

Unsere bevorzugte Technik zur Behandlung von Zyklik ist die differenzierbare Programmierung. Wir nutzen niedrigdimensionale parametrische Modelle, die strukturell die Zielzyklik widerspiegeln. Mit anderen Worten, wir wählen Modelle, bei denen die Struktur der Zyklik von Lokads Supply-Chain-Wissenschaftlern vorgegeben und fest kodiert ist. Dies soll uns helfen, die Größenordnung der Schwankungen im Zusammenhang mit den Zielzyklik zu quantifizieren - anstatt nur ihre Existenz zu identifizieren/entdecken.

Sobald das numerische Rezept von Lokads Supply-Chain-Wissenschaftlern entwickelt wurde, ist der gesamte Optimierungsprozess vollständig automatisiert. Insbesondere erfordert die Supply-Chain-Optimierung von Lokad keine Art von manuellem Eingriff (d.h. Mikromanagement des Saisonalitätsprofils) und stützt sich auch nicht auf Ausnahmen für neue Produkte oder Produkte, die noch nicht eingeführt wurden. Lokads Ansatz mag etwas neuartig erscheinen, ist aber für die Zwecke der Supply Chain von entscheidender Bedeutung.

Erstens liefert er genauere Ergebnisse, da der maschinelle Lernprozess nicht versucht, die Zyklik zu entdecken, sondern die Zyklik als gegeben (und bereits von Supply-Praktikern weithin anerkannt) betrachtet. Dies ist besonders wichtig in Situationen, in denen die Datenmenge begrenzt ist.

Zweitens liefert er stabilere Ergebnisse, indem er die Form der zu erlernenden Nachfragefunktion einschränkt. Dieser Ansatz trägt wesentlich dazu bei, numerische Artefakte zu vermeiden, bei denen die geschätzte zukünftige Nachfrage stark schwankt, während die Eingangsdaten dies nicht tun.

Schließlich ermöglicht die differentielle Programmierung, die von Lokad verwendet wird, um (maschinelles Lernen) Modelle aus den Daten des Kunden zu erstellen, die gemeinsame Berücksichtigung aller Zyklen sowie aller anderen Muster, die die beobachteten Nachfragemuster prägen (z.B. Lagerbestände oder Promotionen). Zyklen können nicht isoliert oder nacheinander von den anderen Mustern geschätzt werden, die die Nachfrage beeinflussen. Alle diese Muster und ihre jeweiligen Parameter müssen gemeinsam geschätzt werden.

Weitere Informationen zur differentiellen Programmierung und ihrer Rolle bei der Optimierung der Supply Chain finden Sie unter Strukturierte Vorhersagemodellierung für Lieferketten.

1.7 Haben Sie langfristige (mehr als 3 Jahre im Voraus) Prognosefähigkeiten, um die zukünftige Nachfrage vorherzusagen und entsprechende Anpassungsvorschläge zu machen? Wie weit in die Zukunft kann eine Prognose generiert werden?

Ja. Lokad kann unbegrenzt weit in die Zukunft prognostizieren, daher gibt es keine maximale Zeitspanne.

Angesichts der Unsicherheit der Zukunft nimmt die Prognoseungenauigkeit kontinuierlich zu, je weiter der Prognosehorizont reicht. Obwohl es technisch einfach ist, eine langfristige Prognose zu erstellen, bedeutet dies nicht, dass dieser Prognose für Supply-Chain-Zwecke vertraut werden kann. Egal wie ausgefeilt das zugrunde liegende Modell sein mag, eine Prognose versucht letztendlich, zu erraten, wie die Straße aussehen wird, während man in den Rückspiegel schaut.

Darüber hinaus führt die Möglichkeit, manuelle Anpassungen an einer ansonsten automatisierten Prognose vorzunehmen, tendenziell zu einer Verschlechterung der Situation. Sobald Prognosen von “Experten” manuell geändert wurden, vertrauen Organisationen ihnen zwangsläufig übermäßig. Zahlreiche von Lokad durchgeführte Benchmarks zeigen, dass Experten bei langfristigen Prognosen selten bessere Ergebnisse erzielen als einfache Durchschnittsmethoden. Daher profitieren manuell angepasste Prognosen in der Regel von einem unverdienten Expertenstatus, der Organisationen dazu veranlasst, sich übermäßig auf sie zu verlassen. Diese Praxis der manuellen Anpassung überlebt sogar, nachdem sich die Zahlen zwangsläufig als schlechte Schätzungen herausgestellt haben.

Als allgemeiner Kommentar zur langfristigen Prognose stimmen wir mit der Perspektive von Ingvar Kamprad (IKEA-Gründer) überein, der in Das Testament eines Möbelhändlers schrieb: “Übertriebene Planung ist die häufigste Ursache für den Untergang von Unternehmen”. Im Allgemeinen raten wir daher davon ab, die Supply Chain eines Unternehmens durch langfristige Prognosen zu steuern, es sei denn, das Unternehmen hat es mit außergewöhnlich stabilen Marktbedingungen zu tun (z.B. öffentliche Versorgungsunternehmen). Das Team von Lokads Supply-Chain-Wissenschaftlern steht zur Verfügung, um Anleitung zu besseren (und vernünftigeren) Ansätzen zu geben, die die spezifischen Anforderungen jedes Unternehmens einzigartig widerspiegeln.

1.8 Können Sie eine Prognose für Artikel-/Filialrollen für mindestens 28 Tage erstellen?

Ja, Lokad kann unbegrenzt weit in die Zukunft prognostizieren, sogar auf SKU-Ebene für eine große Einzelhandelskette.

Für unsere Einzelhandelskunden haben wir routinemäßig Prognosehorizonte von 200 (oder mehr) Tagen, während wir auf SKU-Ebene arbeiten. Diese mittelfristigen Horizonte sind nützlich, um die mit toten Beständen für langsame Bewegungen verbundenen Risiken angemessen einzuschätzen. Darüber hinaus ist die Plattform von Lokad hoch skalierbar und kann daher problemlos mit Millionen von SKUs umgehen und Jahre an täglichen historischen Daten verarbeiten. Tatsächlich kann die Plattform von Lokad problemlos auch große Einzelhandelsnetzwerke ohne vorherige Kapazitätsplanung bewältigen.

Siehe auch Prognosealgorithmen und Modelle 1.7 in diesem FAQ.

1.9 Können Sie externe Datenquellen und/oder Indikatoren nutzen, um die Genauigkeit der Nachfrageprognose zu verbessern?

Ja. Lokad verwendet beispielsweise routinemäßig Wettbewerbsinformationen (d.h. veröffentlichte Preise von Mitbewerbern). In bestimmten Branchen können öffentliche Indikatoren von großem Nutzen sein (z.B. prognostizierte Flottengrößen von Flugzeugen für die Luftfahrtinstandhaltung). Die programmatische Plattform von Lokad eignet sich einzigartig für die Nutzung verschiedener Datenquellen - über die historischen Daten hinaus, die aus den Geschäftssystemen gewonnen werden.

In Bezug auf externe Daten gibt es zwei Quellen, die überraschenderweise fast nie den Aufwand wert sind: Wetterdatensätze und soziale Netzwerkdatensätze. Wetterdatensätze sind sehr unhandlich (d.h. sehr groß und sehr komplex) und realistisch betrachtet nicht wirklich besser als saisonale Durchschnittswerte über zwei Wochen hinaus (plus/minus). Soziale Netzwerkdatensätze sind ebenfalls sehr unhandlich (d.h. sehr groß, sehr komplex und stark von Mülldaten bevölkert) und stützen sich auch stark auf kurzfristige Effekte - in der Regel über wenige Tage hinweg.

Wir behaupten nicht, dass aus Wetterdaten oder sozialen Netzwerkdaten kein Wert gezogen werden kann, da wir dies bereits für einige Kunden erfolgreich getan haben. Allerdings sind nicht alle Verbesserungen der Prognosegenauigkeit den Aufwand wert, um sie zu erhalten. Unsere Kunden müssen mit begrenzten Ressourcen arbeiten, und in der Regel sind diese Ressourcen besser investiert, um andere Aspekte der End-to-End-Optimierung der Lieferkette zu verbessern. Dies ist ein vernünftigerer Ansatz als die Suche nach den letzten 1% (in der Regel nicht einmal so viel) zusätzlicher Genauigkeit durch externe Datensätze, die 2 oder 3 Größenordnungen größer sind als die vom Kunden verwalteten eigenen historischen Datensätze.

1.10 Wie gehen Sie mit unterschiedlichen Verkaufsraten um, von weniger als 1 pro Woche bis zu Tausenden pro Tag?

Um unterschiedliche Verkaufsraten zu verwalten, verwendet Lokad probabilistische Prognosen für geringe Nachfrage und spezialisierte Datenstrukturen wie Ranvar, um die Effizienz bei allen Verkaufsvolumina zu erhöhen und so die Herausforderungen der Lieferkette zu vereinfachen.

Wenn es um unterschiedliche Größenordnungen von Verkaufsraten geht, liegt die Hauptherausforderung bei den kleinen Zahlen im Gegensatz zu den großen Zahlen - große Zahlen sind im Vergleich viel einfacher zu verarbeiten. Um mit geringer Nachfrage umzugehen, nutzt Lokad probabilistische Prognosen. Probabilistische Prognosen weisen jeder diskreten Ereigniswahrscheinlichkeit eine Wahrscheinlichkeit zu, z.B. die Wahrscheinlichkeit, 0 Einheiten, 1 Einheit, 2 Einheiten usw. zu verkaufen. Wahrscheinlichkeiten eliminieren ganze Klassen von Problemen, die mit Bruchteilswerten der Nachfrage verbunden sind, wie sie traditionell mit gängigen Methoden der Lieferkette ermittelt werden.

Unter der Haube werden Wahrscheinlichkeiten über eine kurze Reihe diskreter Möglichkeiten als Histogramme (oder ähnliche Datenstrukturen) dargestellt. Diese Datenstrukturen sind sehr kompakt und verursachen daher nur geringe Berechnungsüberköpfe. Bei geringer Nachfrage würde jedoch eine naive Implementierung solcher Datenstrukturen (z.B. ein Eimer pro Einheit der Nachfrage) dramatisch ineffizient, wenn sie mit nicht geringer Nachfrageverteilung(en) konfrontiert würde, die Tausende von Einheiten der Nachfrage pro Periode umfasst.

Daher hat Lokad spezielle Datenstrukturen entwickelt, wie z.B. Ranvar (siehe unten), die konstante Zeit- und Speicherüberköpfe für die algebraischen Operationen mit Wahrscheinlichkeitsverteilungen garantieren. Ranvar approximiert die ursprüngliche Wahrscheinlichkeitsverteilung elegant, wenn die Zahlen groß werden, während der Verlust an Präzision aus Sicht der Lieferkette vernachlässigbar ist. Datenstrukturen wie Ranvar eliminieren weitgehend die Notwendigkeit, geringe Nachfrage zu isolieren und anzustreben, während sie alle wünschenswerten Muster mit kleinen Ganzzahlen beibehalten, wenn es um geringe Nachfrage geht.

Siehe unsere öffentliche Vorlesung Probabilistische Prognose für die Lieferkette und unsere öffentliche Dokumentation Ranvars und Zedfuncs für weitere Details zu diesem Punkt.

1.11 Prognostizieren Sie in verschiedenen Einheiten (Stück, Preis, Fall, Gewicht usw.)?

Ja, die Plattform von Lokad ist programmatisch. Wir können unsere Prognosen in jeder gewünschten Einheit ausdrücken. Darüber hinaus können wir Situationen berücksichtigen, in denen mehrere Einheiten beteiligt sind. Zum Beispiel sind Container sowohl in Bezug auf Gewicht als auch Volumen begrenzt. Daher müssen bei der Prognose zukünftiger Containerverwendung beide Einschränkungen berücksichtigt werden, um angemessen zu bewerten, wie viele Container voraussichtlich benötigt werden.

1.12 Unterstützen Sie mehrere Prognosealgorithmen (z.B. lineare Regression, exponentielle Glättung, gleitender Durchschnitt, ARIMA usw.)?

Ja. Die Plattform von Lokad ist programmatisch, daher können wir alle klassischen Prognosemodelle unterstützen (wie in der Frage aufgeführt).

Es ist wichtig zu beachten, dass die meisten “klassischen” Prognosemodelle (z.B. lineare Regression, exponentielle Glättung, gleitender Durchschnitt, ARIMA usw.) nicht mehr als State-of-the-Art gelten und nicht als Spitzenleister in öffentlichen Prognosewettbewerben auftauchen. Insbesondere schneiden die meisten dieser Modelle schlecht ab, wenn es darum geht, die üblichen Komplikationen in Lieferkettensituationen zu berücksichtigen (z.B. Lagerbestände, Kannibalisierungen, quasi-saisonale Ereignisse wie das chinesische Neujahr usw.).

In der Regel entwickeln die Supply Chain-Wissenschaftler von Lokad ein maßgeschneidertes numerisches Rezept, um den Prognosebedarf des Kundenunternehmens abzudecken. Unsere Supply Chain-Wissenschaftler prognostizieren die erforderliche Nachfrage sowie alle anderen unsicheren Faktoren der Lieferkette, wie z.B. Vorlaufzeiten, Rücksendungen, Ausschussraten, Wettbewerbspreise usw. Darüber hinaus müssen die Prognosealgorithmen an die verfügbaren Daten angepasst werden, um die Datenverzerrungen zu minimieren, die in Lieferkettenoperationen inhärent sind (z.B. die Nachfrage steigt häufig am Ende eines Lagerbestandsereignisses wieder an).

Weitere Informationen zu Lokads Prognosefähigkeiten finden Sie in unserer öffentlichen Vorlesung No1 auf SKU-Ebene im M5-Prognosewettbewerb.

1.13 Welche Granularität wird für die Prognose zurückgegeben?

Lokad kann jede gewünschte Granularität in seinen Prognosen berücksichtigen. Das bedeutet, dass wir bis zur kleinsten disaggregierten Granularität, z.B. bis zum SKU oder sogar zur Prognose der Nachfrage pro Kunde pro SKU (wenn es sinnvoll ist), prognostizieren können, sowie bis zu unternehmensweiten Prognosen.

Da Prognosen numerische Artefakte sind, die zur Generierung optimierter Entscheidungen in der Lieferkette dienen, passen die Supply Chain-Wissenschaftler von Lokad die Granularität der Prognosen genau an die Entscheidungen an, die die Prognosen unterstützen sollen. Insbesondere wenn mehrere Lieferkettenentscheidungen unterstützt werden müssen, gibt es in der Regel auch mehrere Prognosegranularitäten.

Lokad geht jedoch über die bloße Anpassung der Granularität der Prognose hinaus (d.h. die Auswahl einer bestimmten Ebene innerhalb einer gegebenen Hierarchie). Wir passen die gesamte Perspektive der Prognose an, um die Aufgabe besser widerzuspiegeln. Zum Beispiel könnte es für einen B2B-Einzelhändler sinnvoll sein, die Kundenabwanderung vorherzusagen, da der Lagerbestand des Kunden (der eine konstante Nachfrage nach einem bestimmten SKU bedient) über Nacht zu totem Lagerbestand werden könnte. Dies könnte passieren, wenn die Nachfrage von einem großen Kunden kam, der plötzlich abgewandert ist. Lokad ist in der Lage, die Wahrscheinlichkeiten der Kundenabwanderung zusammen mit der Nachfrage nach einem bestimmten SKU vorherzusagen. Anschließend können wir die beiden Prognosen nach Bedarf kombinieren, um die relevanten Bestandsentscheidungen zu optimieren.

1.14 Können Sie quantitative Prognosen auf der Grundlage von wöchentlichen Verkaufsdaten generieren?

Ja. Unsere Prognosefähigkeiten sind sehr flexibel. Wir können beispielsweise wöchentliche Verkaufsdaten anstelle von rohen Transaktionsdaten (unserer bevorzugten Option) berücksichtigen.

Es ist erwähnenswert, dass die Umwandlung von Transaktionsdaten in eine wöchentliche Zeitreihe ein Verlustprozess ist, d.h. kritisch nützliche Informationen können dabei verloren gehen. Sobald diese Informationen verloren sind, können sie unabhängig von der Raffinesse des Prognosemodells nicht wiederhergestellt werden.

Stellen Sie sich zum Beispiel einen Heimwerker-Einzelhändler vor, der Lichtschalter verkauft. Dieser Einzelhändler beobachtet eine durchschnittliche Nachfrage von 1 Einheit pro Tag für ein bestimmtes SKU in einem Geschäft, das jeden Tag der Woche aufgefüllt wird. Wenn der Großteil der Nachfrage von Kunden kommt, die jeweils 1 Einheit kaufen, dann werden 4 Einheiten im Lager wahrscheinlich einen anständigen Servicegrad bieten. Wenn der Großteil der Nachfrage jedoch von Kunden kommt, die normalerweise ein halbes Dutzend Einheiten auf einmal kaufen (mit durchschnittlich 1 Kunde pro Woche), dann entspricht ein Lagerbestand von 4 Einheiten einem schlechten Servicegrad.

Dies zeigt das Problem mit willkürlicher Aggregation. Sobald Verkaufsdaten wöchentlich aggregiert wurden, geht beispielsweise der Unterschied zwischen den beiden oben beschriebenen Situationen verloren. Das ist genau der Grund, warum Lokad bevorzugt, rohe Transaktionsdaten zu verarbeiten, wann immer dies möglich ist.

1.15 Generieren Sie eine tägliche (oder intraday) Prognose aus der täglichen Historie oder wenden Sie tägliche Muster auf eine wöchentliche statistische Prognose an?

Wenn tägliche historische Daten verfügbar sind (oder noch besser, Daten auf Transaktionsebene), lernen wir in der Regel gemeinsam alle relevanten Zyklen - den Wochentag, die Woche des Monats, die Woche des Jahres -, um die Prognosegenauigkeit zu verbessern. Über die Plattform von Lokad ist es sehr einfach, beliebige Zyklen oder quasi-zyklische Ereignisse (z.B. Ostern, chinesisches Neujahr, Ramadan usw.) einzuschließen oder auszuschließen.

Die hierarchische Zerlegung, die die Wochentagszyklizität von der Jahreswochenzyklizität trennt, kann von Lokad verwendet werden oder auch nicht. Unsere Plattform unterstützt jedoch beide Optionen. Diese Überlegung (zu zerlegen oder nicht zu zerlegen) betrifft nicht nur die Zyklen, sondern es müssen ähnliche Überlegungen für alle anderen Muster angestellt werden.

Die Wahl des geeignetsten Modells obliegt den Supply Chain-Wissenschaftlern von Lokad. Ihre Wahl basiert auf einer sorgfältigen Untersuchung der spezifischen Muster, die in der Lieferkette von Interesse beobachtet werden.

1.16 Passen Sie die Prognose automatisch im Laufe des Tages (oder der Woche) anhand der tatsächlichen Verkäufe im Vergleich zu den erwarteten Verkäufen an?

Lokad aktualisiert seine Vorhersagemodelle täglich, um Fehler durch falsche Dateneingaben zu korrigieren und genaue und aktuelle Prognosen zu gewährleisten. Dieser Ansatz bekämpft numerische Instabilitäten in älteren Technologien und verwendet stabile und präzise Modelle, um unvorhersehbare Prognoseänderungen zu verhindern und die Entscheidungen in der Lieferkette zu verbessern.

Als Faustregel aktualisiert Lokad alle seine Vorhersagemodelle jedes Mal, wenn wir eine frische Charge historischer Daten erhalten. Dies geschieht in der Regel einmal täglich für die Mehrheit unserer Kunden. Der wichtigste Grund dafür ist sicherzustellen, dass falsche Dateneingaben, die bereits behoben wurden, nicht aufgrund der Persistenz von “fehlerhaften” Prognosen, die in der Vergangenheit generiert wurden (basierend auf diesen falschen Eingaben), bestehen bleiben. Die Funktionalität von Lokad macht die tägliche Aktualisierung der Vorhersagemodelle zu keinem Problem, selbst bei sehr großen Lieferketten.

Auf der anderen Seite leiden einige veraltete Prognosetechnologien unter numerischen Instabilitäten. Als Ergebnis können Supply Chain-Praktiker Angst vor einem System haben, das zu häufig aktualisiert wird, weil es in ihrer Erfahrung bedeutet, dass die Prognosen unberechenbar handeln werden. Aus Lokads Sicht ist ein Vorhersagemodell, das aufgrund des Eintreffens täglicher Dateninkremente “wild herumspringt”, tatsächlich ein fehlerhaftes Modell, das behoben werden muss. Das Hinauszögern der Aktualisierungen zur Minderung des Problems kann nicht als vernünftige Lösung betrachtet werden, da die Prognosegenauigkeit unnötig darunter leidet, die jüngsten Ereignisse nicht zu berücksichtigen.

Lokad löst dieses Problem, indem es Klassen von Vorhersagemodellen übernimmt, die hinsichtlich der numerischen Stabilität von vornherein korrekte Eigenschaften aufweisen. Differenzierbare Programmierung ist besonders effektiv bei der Entwicklung von Modellen, die sowohl sehr stabil als auch sehr genau sind.

Weitere Informationen zu diesem Punkt finden Sie unter Alles täglich erneuern.

1.17 Wie stellen Sie ein Vertrauensniveau her, dass das tatsächliche Umsatzniveau in die Zukunft fortbesteht?

Wir verwenden probabilistische Prognosen und stochastische Optimierung, um alle möglichen Ergebnisse und ihre Wahrscheinlichkeiten zu bewerten und risikobereinigte Entscheidungen in der Lieferkette zu ermöglichen. Jedes mögliche Ergebnis hat ein Konfidenzintervall, das verwendet werden kann, um Vertrauensniveaus auszudrücken.

Wenn, wie von Lokad empfohlen, probabilistische Prognosen verwendet werden, erhält jede mögliche Zukunft eine geschätzte Wahrscheinlichkeit. Im Gegenzug sind Konfidenzintervalle einfach aus einer probabilistischen Prognose zu erhalten. Die Konfidenzintervalle können verwendet werden, um ein “Vertrauensniveau” entsprechend eines bestimmten Risikograd (z.B. schlechtestes 5%-Szenario vs. schlechtestes 1%-Szenario) festzulegen.

Die implizite Annahme hinter “Vertrauensniveaus” ist jedoch, dass die Lieferkettenentscheidung von der ursprünglichen Prognose abhängt. Die probabilistische Perspektive der Prognose ändert vollständig, wie wir die Frage der (Un)genauigkeit der Prognose angehen. Wenn probabilistische Prognosen verfügbar sind, können die Lieferkettenentscheidungen (z.B. eine bestimmte Bestellung) plötzlich von einer risikobereinigten Optimierung profitieren. Mit anderen Worten, die Entscheidung kann für alle möglichen Zukünfte und ihre jeweiligen Wahrscheinlichkeiten optimiert werden, und jede Entscheidung kann hinsichtlich ihrer finanziellen Auswirkungen bewertet werden.

Der technische Begriff für diese “Optimierung unter Unsicherheit” lautet stochastische Optimierung. Lokad bietet sowohl probabilistische Prognosen als auch stochastische Optimierung.

1.18 Können Sie mehrere Prognosealgorithmen kombinieren?

Ja, obwohl wir diese Praxis vor etwa einem Jahrzehnt nicht mehr empfehlen. Die Kombination mehrerer Prognosealgorithmen (auch “Meta-Modelle” genannt) in einer Produktionsumgebung führt in der Regel zu suboptimalen Lieferkettenentscheidungen - genau aus diesem Grund empfehlen wir diesen Ansatz nicht.

Die Kombination mehrerer Prognosemodelle ist eine der einfachsten Möglichkeiten, um synthetische Ergebnisse zu verbessern, die in der Regel durch Backtesting erzielt werden. Dieses “Meta-Modell” (das Produkt der Kombination mehrerer zugrunde liegender Prognosemodelle) ist jedoch in der Regel instabil, da es ständig zwischen den Modellen wechselt. Als Ergebnis sind Lieferkettenpraktiker häufig verwirrt über plötzliche Abweichungen oder “Meinungsänderungen” des Meta-Modells. Noch schlimmer ist, dass Meta-Modelle aufgrund ihrer Zusammensetzung aus mehreren Modellen in der Regel recht undurchsichtig sind. Selbst wenn die zugrunde liegenden Modelle einfach sind, ist das Meta-Modell, das aus ihrer Kombination entsteht, dies nicht.

Jede “zusätzliche Genauigkeit”, die durch die Verwendung von Meta-Modellen im Benchmark (d. h. “synthetische Ergebnisse”) erzielt wird, geht in der Produktion (d. h. in realen Szenarien) aufgrund von Effekten zweiter Ordnung wie der erhöhten Instabilität und der erhöhten Undurchsichtigkeit der Prognosen zwangsläufig verloren.

1.19 Wählen Sie automatisch das am besten geeignete Modell für die Prognosen aus?

Ja, Lokad liefert ein einzigartiges, effektives Vorhersagemodell für die Lieferkettenprognose. Wir verwenden keine “Meta-Modelle”, da sie in der realen Welt unterdurchschnittlich abschneiden und undurchsichtig sind.

Lokads Supply Chain Scientists liefern jedem Kunden ein einzigartiges Vorhersagemodell anstelle einer Kombination verschiedener Algorithmen, die um die Auswahl konkurrieren, wie es beim “Meta-Modell”-Ansatz der Fall ist. Dieser Meta-Modell-Ansatz ist etwas, von dem Lokad vor etwa einem Jahrzehnt abgekommen ist.

Es ist erwähnenswert, dass Lokad auf technischer Ebene kein Problem damit hat, einen “inneren Wettbewerb” von Prognosemodellen durchzuführen - d. h. einen Pool von Modellen, bei dem das beste Modell automatisch ausgewählt wird, wie es die Anforderungen erfordern. Ein solcher Ansatz ist technisch unkompliziert. Der Grund, warum Lokad von dieser Praxis abrät, besteht darin, dass die mit Meta-Modellen verbundenen Vorteile synthetisch sind (d. h. in Benchmarks sichtbar) und sich nicht auf reale Lieferketten-Szenarien übertragen lassen. Unsere Erfahrung zeigt, dass Meta-Modelle in der Regel schlechter abschneiden als ihre nicht zusammengesetzten Gegenstücke.

Meta-Modelle spiegeln in erster Linie veraltete Prognosetechnologien wider, bei denen eine Sammlung defekter Modelle zusammengestellt wird: Das erste Modell ist schlecht in Bezug auf Saisonalität; das zweite Modell ist schlecht bei kurzen Zeitreihen; das dritte Modell ist schlecht bei unregelmäßigen Zeitreihen usw. Der Aufbau eines Meta-Modells erweckt den Eindruck, dass das Modell seine konstituierenden Mängel abgeschwächt hat. Die Mängel jedes Modells treten jedoch regelmäßig wieder auf, da die Logik des Modellauswählers selbst ihre eigenen Grenzen hat. Schlimmer noch, Meta-Modelle untergraben in der Regel das Vertrauen der Lieferkettenpraktiker, da dieses Design “von Natur aus undurchsichtig” ist.

Aus diesem Grund besteht der Ansatz von Lokad darin, ein Vorhersagemodell zu entwickeln, das genau so einfach ist, wie es sein kann, aber nicht einfacher. Wenn es mit geeigneten unterstützenden Technologien wie differenzierbarer Programmierung entwickelt wird, bewältigt dieses einzelne Modell den gesamten Lieferkettenumfang für das Kundenunternehmen, ohne auf eine Mischung von Modellen zurückgreifen zu müssen.

Siehe auch Prognosealgorithmen und Modelle 1.18 in diesem FAQ.

1.20 Können Sie Prognose-Turniere durchführen, bei denen automatisch das beste Modell mit der besten Parametrierung ausgewählt wird? Machen Sie das mit maschinellem Lernen?

Ja, Lokad kann dies tun, obwohl wir diesen Ansatz nicht empfehlen. Die Kombination von Modellen über maschinelles Lernen (um “Meta-Modelle” zu erstellen) bringt in einer Produktionsumgebung keine Vorteile. Wir befürworten stattdessen einen Einzelmodell-Ansatz.

Vor etwa einem Jahrzehnt haben wir Meta-Modelle für die Prognose genutzt. Meta-Modelle sind Modelle, die eine Kombination anderer Modelle darstellen und/oder ein Modell, das eine Auswahl anderer Modelle ist. Die Mischung und/oder Auswahl der zugrunde liegenden Modelle wurde ebenfalls mit maschinellem Lernen durchgeführt - typischerweise mit Random Forests und Gradient Boosted Trees.

Trotz der Verbesserung synthetischer Ergebnisse durch Benchmarking (typischerweise durchgeführt mit Backtesting) führt der Meta-Modell-Ansatz zwangsläufig zu einer Verschlechterung der realen Ergebnisse für den Kunden. Die automatische Auswahl des Modells führt zu unvorhersehbaren Prognose-“Sprüngen”, wenn das Meta-Modell von einem Modell zum anderen wechselt. Der Einsatz von maschinellem Lernen für die Modellauswahl verschlimmert dieses Verhalten tendenziell noch, indem er die Übergänge noch unvorhersehbarer macht.

Daher empfehlen wir trotz der Unterstützung von Prognose-Turnieren durch die Lokad-Plattform nicht, solche Ansätze für Produktionszwecke zu verwenden. Insbesondere zeigen aktuelle Prognosewettbewerbe, dass ein einheitliches Modell komplexere Meta-Modelle übertrifft, wie von Lokad illustriert durch den ersten Platz auf SKU-Ebene in einem weltweiten Wettbewerb mit einem Walmart-Datensatz (siehe unten).

Siehe auch Prognosealgorithmen und Modelle 1.18 in diesem FAQ.

1.21 Wie stellen Sie sicher, dass für jedes Artikel-/Ladengeschäft granularere Informationen verwendet werden, während Rauschen und Überanpassung des Modells vermieden werden?

Lokad nutzt differenzierbare Programmierung, um die Prognosegenauigkeit zu verbessern. Dieser Ansatz ermöglicht es uns, Modelle an spezifische Datenstrukturen anzupassen und Überanpassung durch Kontrolle der Modell-Expressivität zu vermeiden. Dieser Ansatz adressiert effektiv das “Gesetz der kleinen Zahlen”, indem er minimal (aber entscheidend) Expertenwissen einbezieht, um die Dateneffizienz zu optimieren.

Die Probleme von Rauschen und Überanpassung sind die Hauptgründe, warum Lokad differenzierbare Programmierung in der Prognose verwendet. Durch differenzierbare Programmierung haben die Supply Chain Scientists von Lokad die volle Kontrolle über die Struktur des Modells. Differenzierbare Programmierung ermöglicht es ihnen, ein Modell zu erstellen, das die Eingangsdaten (einschließlich ihrer Beziehungsstruktur) widerspiegelt. Darüber hinaus ermöglicht differenzierbare Programmierung ihnen, die Expressivität des Modells einzuschränken, um die Überanpassung unter Kontrolle zu halten.

Differenzierbare Programmierung war für Lokad ein Durchbruch, um mit dem “Gesetz der kleinen Zahlen” umzugehen, das die Supply Chains regiert - d.h. Prognosen müssen immer auf der Ebene/Granularität erfolgen, die die interessierenden Supply Chain-Entscheidungen widerspiegelt, wie z.B. “nach SKU nach Tag”. Dabei sehen sich Prognosemodelle Situationen gegenüber, in denen die Anzahl der relevanten Datenpunkte einstellig ist.

Der Durchbruch der differenzierbaren Programmierung besteht darin, dass ein Supply Chain Scientist (in der Regel bei Lokad angestellt, aber möglicherweise auch bei der Kundenfirma) einige hochrangige Vorabinformationen in das Vorhersagemodell einbringen kann (z.B. eine Auswahl der relevanten Zyklen), um das Beste aus den sehr wenigen verfügbaren Datenpunkten zu machen. Anders als “Expertensysteme” der 1980er Jahre erfordert differenzierbare Programmierung nur sehr begrenzte Anleitung durch einen menschlichen Experten - doch diese begrenzte Anleitung kann den entscheidenden Unterschied in Bezug auf die Dateneffizienz ausmachen.

2. Prognosemanagement und Anpassungen

2.1 Können Benutzer Prognosen visualisieren? Können sie die Prognosen auf verschiedenen Ebenen aggregieren (z.B. Lager, Geschäft, Laden)?

Zusammenfassung: Ja, Lokads Plattform bietet robuste Datenvisualisierung (in Echtzeit) zur Inspektion und Aggregation von Prognosen auf beliebiger gewünschter Ebene(n).

Lokads Plattform bietet umfangreiche Datenvisualisierungsmöglichkeiten, die zur Inspektion von Zeitreihenprognosen verwendet werden können. Insbesondere ist es einfach, Prognosen gemäß einer beliebigen Hierarchie (z.B. Standorte, Regionen, Produktkategorien usw.) und einer beliebigen Granularität (z.B. Tag, Woche, Monat usw.) zu aggregieren. Darüber hinaus stellt Lokads Plattform sicher, dass diese Berichte in konstanter Zeit angezeigt werden, d.h. sie werden in weniger als 500 Millisekunden gerendert - vorausgesetzt, der Endbenutzer hat genügend Bandbreite, um den Bericht in diesem Zeitrahmen zu laden.

Diese Frage geht jedoch implizit davon aus, dass wir über Punktzeitreihenprognosen (auch klassische Nachfrageprognosen genannt) sprechen. Obwohl Lokads Plattform Punktzeitreihenprognosen unterstützt, sind diese Prognosen aus zwei Gründen veraltet.

Erstens stellen Punktprognosen einen zukünftigen Wert dar, als ob es DEN zukünftigen Wert (d.h. genau das, was passieren wird) gäbe. In dieser Hinsicht behandelt es die Zukunft als das Symmetrische der Vergangenheit. Die Unsicherheit der Zukunft ist jedoch irreduzibel, und die Zukunft, aus Sicht der Supply Chain und nicht aus Sicht eines Physikers, ist nicht das Symmetrische der Vergangenheit. Aus diesem Grund sollten probabilistische Prognosen bevorzugt werden - ein Ansatz, der ALLE möglichen zukünftigen Ergebnisse (z.B. Nachfragewerte) berücksichtigt und Wahrscheinlichkeiten für jedes einzelne zuweist. In Bezug auf das Risikomanagement bietet dies eine viel robustere Verteidigung gegen die irreduzible Unsicherheit der Zukunft.

Allerdings sind probabilistische Prognosen zwar auf jeder Ebene ausdrückbar (z.B. Lager, Geschäft, Produkt usw.), sie sind jedoch nicht additiv, zumindest nicht im üblichen Sinne. Daher bietet Lokads Plattform alle relevanten Datenvisualisierungsmöglichkeiten für unsere Prognosen, aber diese Möglichkeiten entsprechen in der Regel nicht denjenigen, die Supply Chain-Experten erwarten würden (zumindest nicht solche, die keine vorherige Erfahrung mit probabilistischer Prognose haben).

Zweitens sind Zeitreihenprognosemodelle häufig ungeeignet, weil die Zeitreihenperspektive selbst vereinfachend ist und das Wesen des Geschäfts nicht erfasst. Ein B2B-Einzelhändler kann zum Beispiel eine Mischung aus zwei Arten von Bestellungen haben: kleine Bestellungen, die Kunden erwarten, dass sie sofort aus dem Lager des Einzelhändlers bedient werden können, und große Bestellungen, die Monate im Voraus aufgegeben werden und die Kunden erwarten, dass sie rechtzeitig bedient werden - genau weil die Bestellung von Anfang an so viel Spielraum lässt. Dieses Muster, so einfach es auch sein mag, kann nicht mit einer Zeitreihenprognose behandelt werden. Darüber hinaus gehören zu den Mustern, die nicht in Zeitreihenprognosen passen, Ablaufdaten, Kannibalisierungen, Substitutionen, Änderungen der Wettbewerbspreise usw.

Allgemeiner gesagt, sind Zeitreihenprognosen schön für Visualisierungszwecke. Doch in den meisten Fällen wird bei Lokad das zugrunde liegende Prognosemodell kein Zeitreihenmodell sein - selbst wenn die endgültigen Daten zur Vereinfachung als Zeitreihen visualisiert werden.

2.2 Welche Art von Prognoseerkenntnissen sollten von den Experten und welche vom System/Maschine behandelt werden?

Die Experten sollten sich auf die hochrangige Struktur des Vorhersagemodells konzentrieren (z.B. die relationale Struktur der Eingangsdaten, die wichtigsten strukturellen Annahmen, die über diese Daten getroffen werden können, usw.). Es wird nicht erwartet, dass die Experten die Prognosen selbst mikroverwalten (z.B. manuell überschreiben).

Da Lokad moderne Prognosetechnologie - differenzierbares Programmieren - nutzt, konzentrieren sich unsere Supply Chain Scientists fast ausschließlich auf die “hochrangige Struktur” des Vorhersagemodells. Dies steht im Gegensatz zu älteren Technologien (jetzt veraltet), die in der Regel erwarteten, dass der Experte, der sie verwendet, die Prognosen mikroverwaltet und korrigierende Erkenntnisse für alle Randfälle liefert, die die Modelle präsentierten. Leider erwiesen sich solche veralteten Ansätze immer als zu mühsam für Experten, um sie im Laufe der Zeit aufrechtzuerhalten. Als Folge davon verloren die Unternehmen, die sie nutzten, in der Regel ihre Experten und mussten dann wieder auf Tabellenkalkulationen zurückgreifen.

Im Gegensatz dazu kann die hochrangige Struktur des Vorhersagemodells in der Regel prägnant ausgedrückt werden, oft durch nicht mehr als 100 Zeilen Code. Diese Kürze gilt auch für sehr komplexe Lieferketten. Die hochrangige Struktur repräsentiert den Kern des menschlichen Verständnisses der prognostischen Herausforderung. In der Zwischenzeit bleiben die Prozesse, die für das “Lernen” der Parameter des Modells zuständig sind, vollständig automatisiert. Dies geschieht durch die Nutzung der Eingangsdaten (in der Regel der historischen Daten) sowie einiger anderer Datenquellen (z.B. bevorstehende Marketingkampagnen).

2.3 Können die Prognosen manuell angepasst/überschrieben werden?

Zusammenfassung: Ja. Obwohl die Plattform von Lokad manuelle Anpassungen an Prognosen unterstützt, ist dies aufgrund der probabilistischen Prognosen selbst unnötig, da diese dazu entwickelt wurden, Risiken und Unsicherheiten zu berücksichtigen - typischerweise die treibenden Prinzipien hinter manuellen Überschreibungen.

Die Plattform von Lokad bietet umfangreiche programmatische Möglichkeiten, sodass die Bearbeitung von Prognosen für jeden Prognoseprozess problemlos unterstützt werden kann. Die Notwendigkeit einer manuellen Anpassung von Prognosen spiegelt jedoch hauptsächlich die Einschränkungen veralteter Prognosetechnologien wider. Durch den Einsatz fortschrittlicher probabilistischer Prognosen von Lokad wird der Bedarf an Mikromanagement der Prognosen weitgehend eliminiert. Tatsächlich ist bei Lokad der Bedarf an einem solchen Mikromanagement vor einem Jahrzehnt effektiv verschwunden.

Manuelle Korrekturen der Prognosen sind in der Regel als indirekter Weg gedacht, um Risiken zu mindern. Der Supply Chain-Praktiker erwartet nicht, dass die Prognose in statistischem Sinne genauer wird, sondern dass die Entscheidungen, die sich aus der angepassten Prognose ergeben, weniger riskant sind (d.h. weniger kostspielig für das Unternehmen). Bei probabilistischen Prognosen sind die von Lokad generierten Supply Chain-Entscheidungen bereits risikobereinigt. Daher besteht kein Grund, die probabilistische Prognose zu steuern, um Entscheidungen zu entrisikieren, da die Entscheidungen von Natur aus darauf ausgelegt sind, risikobereinigt zu sein.

Darüber hinaus sind manuelle Korrekturen der Prognosen häufig dazu gedacht, Situationen hoher Unsicherheit zu mildern. Probabilistische Prognosen sind jedoch darauf ausgelegt, Unsicherheit zu erfassen und zu quantifizieren. Daher spiegeln die probabilistischen Prognosen bereits den Bereich(e) hoher Unsicherheit wider, und risikobereinigte Entscheidungen werden entsprechend getroffen.

Grundsätzlich macht es keinen Sinn, “falsche” Prognosen manuell zu korrigieren. Wenn Prognosen nachweislich weniger genau sind als erwartet, sollte das numerische Rezept, das die Prognosen generiert, korrigiert werden. Wenn die Prognosen aus Gründen modifiziert werden, die nicht die Genauigkeit betreffen, müssen die nachgelagerten Berechnungen angepasst werden. In jedem Fall ist die manuelle Anpassung von Prognosen eine veraltete Praxis, die in einer modernen Lieferkette keinen Platz hat.

2.4 Können benutzerdefinierte Prognosealgorithmen integriert werden?

Ja. Lokad ermöglicht die Integration von benutzerdefinierten Prognosealgorithmen über Envision - unsere domänenspezifische Programmiersprache (DSL). Diese flexible, anpassbare und skalierbare DSL kann Mainstream- und fortgeschrittene Prognosealgorithmen und -techniken unterstützen, wie sie benötigt werden.

Die Plattform von Lokad ist programmatisch, was in unserer Technologie eine erstklassige Rolle spielt und über Envision - die von Lokad entwickelte DSL (domänenspezifische Programmiersprache) - bereitgestellt wird, um die vorhersagende Optimierung von Lieferketten zu ermöglichen. Über Envision können alle gängigen Prognosealgorithmen (und deren Varianten) neu implementiert werden. Darüber hinaus unterstützt Envision auch einige noch nicht weit verbreitete Prognosealgorithmen, einschließlich wettbewerbsfähiger Techniken auf der Grundlage von differenzierbarer Programmierung und probabilistischer Prognose (siehe unten).

Die Integration dieser benutzerdefinierten Algorithmen in Lokad sollte nicht mit einer “Anpassung” des Lokad-Produkts verwechselt werden. Aus Lokads Sicht ist die Verwendung maßgeschneiderter Algorithmen der normale Weg, um unseren Service zu nutzen. Die Lokad-Plattform bietet eine sichere, zuverlässige und skalierbare Ausführungsumgebung, um solche Algorithmen zu unterstützen. Die Implementierung der Algorithmen (in der Regel als “numerische Rezepte” bezeichnet) wird normalerweise von den Supply Chain Scientists von Lokad durchgeführt. Wenn das Unternehmen jedoch über eigene Fachkräfte für Data Science verfügt, können diese Mitarbeiter die Plattform von Lokad ebenfalls für diesen Zweck nutzen.

Darüber hinaus bietet die Plattform von Lokad eine vollständige integrierte Entwicklungsumgebung (IDE), um solche benutzerdefinierten Algorithmen zu erstellen. Diese Funktion ist entscheidend, um sicherzustellen, dass die Algorithmen in einer Umgebung entwickelt werden, die die Produktionsumgebung streng widerspiegelt - sowohl in Bezug auf die Eingabedaten als auch auf die Laufzeitfähigkeiten. Mit Lokad kann ein überarbeiteter Prognosealgorithmus, der als zufriedenstellend (und in der Regel überlegen gegenüber der vorherigen Iteration) angesehen wird, innerhalb von Minuten in die Produktion übernommen werden. In diesem Zusammenhang bietet die Plattform von Lokad umfangreiche “by design” Garantien, um ganze Klassen von Problemen bei der Überführung von Algorithmen vom Prototypen- in den Produktionsstatus vollständig zu eliminieren.

Weitere Informationen zu Lokads Prognosetechniken finden Sie unter No1 auf SKU-Ebene im M5-Prognosewettbewerb.

2.5 Wie erklären Sie, was die Lösung tut, um zu einer Prognose oder Bestellung zu gelangen, damit der Benutzer dies verstehen, hinterfragen und anderen Stakeholdern im Unternehmen erklären kann?

Die Plattform von Lokad nutzt eine flexible domänenspezifische Programmiersprache (Envision), mit der wir intuitive Dashboards erstellen können, um die wichtigsten Kennzahlen und Entscheidungen für den Kunden zu demonstrieren. Diese Dashboards werden in Zusammenarbeit mit den Kunden so gestaltet, dass sie schnell und bequem verstanden werden können. Für kompliziertere Punkte sind die Supply Chain Scientists von Lokad sowohl für die Gestaltung als auch für die Erklärung der Algorithmen (“numerische Rezepte” - die Dinge, die die Prognosen und Lieferkettenentscheidungen generieren) und ihrer Ergebnisse für die Kunden verantwortlich. Diese Experten sind darauf geschult, relevante Geschäfts-, Wirtschafts- und Data-Science-Einblicke für die Kunden bereitzustellen, um ihnen zu helfen, zu verstehen, was “hinter den Kulissen” passiert.

Der Supply Chain Scientist, der bei Lokad beschäftigt ist, ist die Person, die das numerische Rezept (den Algorithmus) schreibt, das das Vorhersagemodell unterstützt (und somit seinen Entscheidungsprozess). Der Supply Chain Scientist ist persönlich dafür verantwortlich, die Angemessenheit der Prognosen und aller Entscheidungen, die vom numerischen Rezept generiert werden, zu verteidigen und zu erklären.

Somit hat jede Situation einen menschlichen Copiloten (den Supply Chain Scientist), auch wenn sich die Situationen von einem Kundenunternehmen zum anderen unterscheiden. Es ist kein unpersönliches “System”, das für eine Prognose oder eine Entscheidung verantwortlich ist; es handelt sich um eine Reihe von numerischen Rezepten, die unter der direkten Kontrolle eines benannten Supply Chain Scientists stehen. Diese Verantwortung umfasst auch das “White-Boxing” der numerischen Rezepte, d.h. die Zugänglichkeit und Verständlichkeit der Ergebnisse für die Anteilseigner.

Um diesen Prozess zu unterstützen, verwenden unsere Supply Chain Scientists Tools wie Backtesting, um ihre Analysen zu unterstützen und zu demonstrieren. Noch wichtiger ist jedoch, dass sie informierte Entscheidungen über die Annahmen treffen, die in ihre numerischen Rezepte einfließen (wie relevante Einschränkungen und Treiber). Letztendlich hängt die “Angemessenheit” eines numerischen Rezepts davon ab, ob es die Absicht des Unternehmens widerspiegelt, und dies ist etwas, das der Supply Chain Scientist durch sorgfältige Prüfung der Supply Chain-Situation des Kunden (sowie Beratung mit dem Kunden) feststellt.

Sehen Sie sich unser Video zum öffentlichen Demo-Konto an, um einen Überblick darüber zu erhalten, wie Lokad Daten vorbereitet und Ergebnisse für Kunden visualisiert.

2.6 Kann die Prognose in einzelne Artikel und Stücklisten aufgeteilt werden?

Ja, Lokad kann Prognosen auf beliebiger Ebene liefern. Dies ist auf die umfangreichen programmatischen Fähigkeiten unserer probabilistischen Modellierung zurückzuführen. Wir können die Prognose zwischen einzelnen Artikeln und Stücklisten aufteilen und auch mit Situationen umgehen, in denen Artikel entweder als Teil von Stücklisten verbraucht oder unabhängig verkauft werden können.

Darüber hinaus prognostizieren wir nicht nur die Nachfrage nach den inneren Artikeln, wenn Stücklisten vorhanden sind, sondern optimieren auch die Entscheidungen in der Supply Chain, um widerzuspiegeln, dass verschiedene Baugruppen intern um die gleichen inneren Teile konkurrieren. Das heißt, Situationen, in denen sich die jeweiligen Stücklisten überschneiden. Diese Optimierung kann dazu führen, dass ein “einsamer” Teil nicht verkauft wird, wenn dieser Teil die Verfügbarkeit größerer und wichtigerer Stücklisten gefährden würde.

2.7 Empfehlen Sie automatisch Meta-Parameter für Ihre Prognosealgorithmen?

Ja. Die Standardpraxis bei Lokad ist, dass Vorhersagemodelle vollständig unbeaufsichtigt arbeiten müssen. Die Supply Chain Scientists von Lokad sind dafür verantwortlich, geeignete Meta-Parameter festzulegen. Entweder sind die Meta-Parameter stabil genug, um fest codiert zu werden, oder das numerische Rezept enthält einen Abstimmungsschritt, der der Identifizierung eines geeigneten Meta-Parameterwerts gewidmet ist. In jedem Fall kann der Algorithmus (auch “numerisches Rezept” genannt) unbeaufsichtigt ausgeführt werden.

Lokad verwendet im Vergleich zu den meisten anderen konkurrierenden Lösungen viel weniger Meta-Parameter. Dies liegt daran, dass differentiable programming, Lokads Präferenz in dieser Hinsicht, ein allgemeines Parameter-Fitting-Paradigma ist. Wenn differentiable programming verfügbar ist, werden die meisten Parameter gelernt. Die Technologie ist äußerst leistungsfähig, wenn es darum geht, alle Arten von Parametern zu lernen, nicht nur die “traditionellen” (z.B. Saisonalitätskoeffizienten).

Aus Sicht von Lokad sind die meisten Werte, die von unseren Kollegen als “Meta-Parameter” betrachtet würden, einfach “reguläre Parameter”, die keine spezielle Aufmerksamkeit erfordern. Als Faustregel haben die meisten von Lokad in der Produktion betriebenen Vorhersagemodelle sehr wenige Meta-Parameter (weniger als 10). Unsere Kunden müssen diese Zahlen in der Regel jedoch nicht feinabstimmen, da dies die Verantwortung unserer Supply Chain Scientists ist.

2.8 Kann das Produkt Prognosen durch kausale Variablen anpassen?

Ja.

Dies ist eine der Kernstärken des differentiable programming - des technologischen Ansatzes, den Lokad für die Vorhersagemodellierung bevorzugt. Differentiable programming ist ein programmatisches Paradigma, daher ist die Verwendung einer erklärenden Variable gegeben. Noch besser ist, dass der Kausalmechanismus im Modell reifiziert wird; er kommt mit seinen eigenen “benannten” Parametern. Somit nutzen die Prognosen nicht nur die kausale Variable, sondern dies geschieht auf eine Weise, die von Supply Chain-Experten überprüft und untersucht werden kann.

Wenn beispielsweise der Einzelhandelspreis als kausale Variable verwendet wird, kann die genaue Nachfrageantwort in Bezug auf Preisvariationen dargestellt und untersucht werden. Dieses Ergebnis kann für das Unternehmen selbst von großem Interesse sein. Wenn das Unternehmen ein Einzelhandelsnetzwerk ist, kann dies verwendet werden, um Liquidationsveranstaltungen in den Filialen zu steuern, die am stärksten auf die Rabatte reagieren. Dadurch kann das Gesamtvolumen der benötigten Rabatte minimiert werden, um den veralteten Bestand vollständig zu liquidieren.

2.9 Ist das Produkt in der Lage, Prognoseexperimente und Algorithmusentwicklung und/oder Anpassung durchzuführen?

Ja. Unsere Supply Chain Scientists experimentieren regelmäßig mit Vorhersagemodellen, um neue Algorithmen zu entwickeln und ältere Algorithmen weiter anzupassen. Dies ist möglich, weil die Plattform von Lokad programmatisch ist und über eine flexible DSL (domain-specific programming language) namens Envision verfügt, die explizit für die prädiktive Optimierung der Supply Chain entwickelt wurde.

Die Lokad-Perspektive besagt, dass Experimente und Anpassungen der Vorhersagemodelle keine Umgehungslösung sind, um mit den Einschränkungen der Prognosetechnologie umzugehen. Vielmehr ist es die beabsichtigte Art und Weise, Lokads Lösung überhaupt zu nutzen. Dieser Ansatz liefert nicht nur überlegene Ergebnisse in Bezug auf die Genauigkeit der Prognose, sondern auch Ergebnisse, die sich als viel “produktionsreifer” erweisen als alternative “verpackte” Ansätze.

Wir beschweren uns nicht über “schlechte Daten”; die Daten sind einfach das, was sie sind. Unsere Supply Chain Scientists machen das Beste aus dem, was verfügbar ist. Sie quantifizieren auch in Euro oder Dollar (oder einer anderen gewünschten Währung) den Nutzen der Verbesserung der Daten, damit das Unternehmen die Datenverbesserungen ermitteln kann, die den größten Nutzen bringen. Die Verbesserung der Daten ist ein Mittel, kein Zweck. Unsere Supply Chain Scientists geben Anleitung, wenn die zusätzliche Investition einfach nicht den erwarteten Nutzen für die Supply Chain bringt.

2.10 Ist es möglich, die Feature-Engineering hinter der Prognose zu iterieren und zu verfeinern?

Ja.

Lokads Supply Chain Scientists passen routinemäßig die Merkmale an, die in ein Vorhersagemodell einfließen. Dies ist möglich, weil die Plattform von Lokad programmatisch ist und über eine flexible DSL (domain-specific programming language) namens Envision verfügt, die explizit für die prädiktive Optimierung der Supply Chain entwickelt wurde.

Es sollte jedoch beachtet werden, dass das Feature-Engineering (als Modellierungstechnik) im letzten Jahrzehnt rückläufig war. Tatsächlich wird es allmählich durch das Modellarchitektur-Engineering ersetzt. Kurz gesagt, anstatt das Merkmal zu ändern, um besser zum Modell zu passen, wird das Modell geändert, um besser zum Merkmal zu passen. Differentiable programming, der bevorzugte Ansatz von Lokad für die prädiktive Modellierung, unterstützt sowohl das Feature-Engineering als auch das Architektur-Engineering. Letzteres ist jedoch in den meisten Situationen besser geeignet.

Siehe auch Forecast Management and Adjustment 2.9 in diesem FAQ.

3. Prognosegenauigkeit und Leistungsmessung

3.1 Wie ist die Einschätzung Ihrer Organisation zur Prognoseleistung und wie sollte die Prognoseleistung gemessen werden?

Die Prognosegenauigkeit muss in Euro oder Dollar (oder der gewünschten Währung des Kunden) gemessen werden, die Auswirkungen haben. Dies bezieht sich auf den Return on Investment (ROI) von Entscheidungen, die auf der Grundlage der Prognose getroffen werden. Die Messung von Prozentpunkten des Fehlers ist einfach nicht ausreichend. Die Prognosegenauigkeit muss auch alle Unsicherheitsbereiche umfassen, nicht nur die zukünftige Nachfrage, z. B. Vorlaufzeiten, Rücksendungen, Rohstoffpreise usw. Dies sind alles Faktoren, die variieren und prognostiziert werden müssen, genauso wie die zukünftige Nachfrage.

Traditionelle Metriken wie MAPE (mittlerer absoluter prozentualer Fehler), MAE (mittlerer absoluter Fehler), MSE (mittlerer quadratischer Fehler) usw. sind technische Metriken, die für einen Supply Chain Scientist von Interesse sein können, aber aus Sicht der Supply Chain sind sie grundsätzlich sowohl blind als auch irreführend. Die Details dieser Argumentation finden Sie in Lokads öffentlicher Vorlesung über Experimentelle Optimierung.

Daher sollten diese Metriken nicht an die breitere Organisation kommuniziert werden, da dies nur Verwirrung und Frustration verursachen würde. Im Gegenteil, es ist in der Regel einfach, die Prognose in statistischem Sinne genauer zu machen, während gleichzeitig die wahrgenommene Servicequalität für die Kunden beeinträchtigt wird und die Betriebskosten für die Lieferanten steigen (die daraufhin ihre Preise erhöhen).

Prognosemetriken sind nur dann wichtig, wenn sie die Generierung besserer Entscheidungen in der Supply Chain unterstützen. Was Lokad betrifft, sind die generierten finanziell sinnvollsten Nachbestellmengen, Produktionsmengen, Versandmengen, Preise usw. die Details, auf die es ankommt. Alles andere, einschließlich der Prognosefehler isoliert betrachtet, ist nur am Rande von Bedeutung für das Kerngeschäftsziel, den Return on Investment zu maximieren.

Siehe auch Lieferzeitprognose.

3.2 Wie messen Sie die Leistung der Prognosen im Vergleich zu den tatsächlichen Verkäufen?

Wenn das Modell “Verkäufe” prognostiziert, ist die Messung der Genauigkeit der “Verkaufsprognose” einfach: Jeder der üblichen Indikatoren wie der MAE (mittlerer absoluter Fehler) funktioniert. Der Haken dabei ist jedoch, dass die meisten Unternehmen “Nachfrage” und nicht Verkäufe prognostizieren möchten. Die historischen Verkaufsdaten sind jedoch ein unvollkommener Proxy für die historische Nachfrage. Lagerbestandsengpässe, Werbeaktionen (und möglicherweise die Aktivitäten von Wettbewerbern) verzerren die historischen Verkäufe.

Die Herausforderung besteht daher darin, die ursprüngliche “Nachfrage” zu ermitteln, während die historischen Daten nur die historischen Verkäufe widerspiegeln. Zu diesem Zweck verwendet Lokad eine Vielzahl von Techniken. Tatsächlich variiert die Art der Verzerrung zwischen den (beobachteten) Verkäufen und der (versteckten) Nachfrage stark, abhängig von der Art des betrachteten Geschäfts. Kannibalisierungen und Substitutionen erschweren die Situation zusätzlich.

Die meisten von Lokads Techniken verlassen sich auf Zeitreihenmodelle, die aus konzeptionellen Gründen nicht die erforderlichen Informationen erfassen können. Tatsächlich werden die Verkaufsdaten in den meisten Fällen mit zusätzlichen Informationen (wie Lagerbestandsengpässen) “angereichert”, die genutzt werden können, um ein besseres Modell der versteckten Nachfrage zu erhalten. Diese zusätzlichen Informationen passen jedoch selten in das (simplistische) Zeitreihenparadigma. Die vermeintliche Raffinesse von Zeitreihenmodellen ist irrelevant, wenn die erforderlichen Daten außerhalb ihres Anwendungsbereichs existieren (d. h. nicht erfasst oder ausgedrückt werden können).

Weitere Informationen zu diesem Punkt finden Sie unter Strukturierte Vorhersagemodellierung für die Supply Chain.

3.3 Stellen Sie Berichte über die Prognosegenauigkeit zur Verfügung? Geben Sie einen Ausblick auf den prognostizierten Prognosefehler?

Executive Summary: Ja. Zur Vereinfachung kann die Lokad-Plattform ihre probabilistischen Prognosen (und damit den Fehler) in einem intuitiven Diagrammformat darstellen. Dies erfolgt in Form eines traditionellen Zeitreihendiagramms, bei dem der Prognosefehler (“Unsicherheit”) mit dem Zeitraum zunimmt. Dieses Shotgun-Effekt-Diagramm hilft dabei, zu visualisieren, wie sich der Bereich der möglichen Werte (z. B. Nachfrage) erhöht, je weiter man in die Zukunft schaut. Diese Berichte stehen den Kunden jederzeit in ihren Lokad-Konten zur Verfügung.

Die Hälfte der Herausforderung bei der Verbesserung der Genauigkeit eines Vorhersagemodells besteht darin, angemessene Berichtsinstrumente zu erstellen. Diese Aufgabe wird von den Supply Chain Scientists von Lokad durchgeführt. Da Lokad probabilistische Prognosen verwendet, zeigt der prognostizierte Fehler in der Regel einen “Shotgun-Effekt”, bei dem der erwartete Prognosefehler mit dem Prognosehorizont stetig zunimmt. Diese Berichte sind für das Unternehmen des Kunden innerhalb der Lokad-Plattform zugänglich.

Unter dem Rahmen der probabilistischen Prognose wird die “Prognosegenauigkeit” jedoch weitgehend zu einer technischen Nebensächlichkeit degradiert. Unter diesem Ansatz besteht das Hauptziel darin, risikobereinigte finanzielle Entscheidungen zu treffen, die die Gesamtheit der wirtschaftlichen Treiber und Einschränkungen des Kunden berücksichtigen und gleichzeitig die hohe Unsicherheit zukünftiger Werte (wie Nachfrage oder Vorlaufzeiten) widerspiegeln. Wenn beispielsweise die Unsicherheit besonders hoch ist, sind die entsprechenden Entscheidungen in der Regel konservativer. Daher ist es unklug, die probabilistische Prognosegenauigkeit isoliert zu messen. Stattdessen sollte man die mit den risikobereinigten Entscheidungen, die mithilfe der probabilistischen Prognosen generiert werden, verbundene ROI überprüfen.

Bei klassischen Prognosen (auch deterministische Prognosen genannt, im Gegensatz zu probabilistischen Prognosen) führt fast jede Ungenauigkeit der Prognose zu kostspieligen Fehlentscheidungen für den Kunden. Das ist der Grund, warum Unternehmen so darauf bedacht sind, ihre Prognosen zu “reparieren”. Doch selbst fünf Jahrzehnte nach der Einführung moderner statistischer Zeitreihenprognosetechniken sind Unternehmen immer noch weit davon entfernt, “genaue” Prognosen zu haben. Bei Lokad glauben wir nicht, dass eine “super-genaue” Prognosetechnik in greifbarer Nähe ist. Wir sind der Meinung, dass die Unsicherheit der Zukunft in großem Maße nicht reduzierbar ist. Wenn jedoch probabilistische Prognosen mit risikobereinigten Entscheidungen kombiniert werden, werden die negativen Auswirkungen der hohen Unsicherheit weitgehend gemildert.

Dadurch verliert die Prognosegenauigkeit das Interesse aller außer der technischen Experten, die sich mit dem Vorhersagemodell selbst befassen. Die Einsätze sind für den Rest der Organisation einfach nicht mehr hoch genug, um sich darum zu kümmern.

3.4 Wie hoch ist der erwartete Prozentsatz automatisierter und genauer Prognosen?

100%, wenn wir “genau” als ausreichend betrachten, um fundierte Supply-Chain-Entscheidungen zu treffen. Das bedeutet nicht, dass jede Prognose präzise ist. Im Gegenteil, Lokad akzeptiert durch probabilistische Prognosen die nicht reduzierbare Unsicherheit der Zukunft. Häufig ist die Unsicherheit groß, und daher sind die probabilistischen Prognosen sehr weit gestreut. Entsprechend sind die auf diesen Prognosen basierenden risikobereinigten Entscheidungen sehr vorsichtig.

Anders als viele veraltete technologische Lösungen betrachtet Lokad jede einzelne (probabilistische) Prognose, die nicht für Produktionszwecke verwendet werden kann, als Softwarefehler, der behoben werden muss. Unsere Supply Chain Scientists sind dafür da, sicherzustellen, dass all diese Fehler lange vor dem Produktionsstart behoben werden. Unsere Zeitspanne für die Behebung dieser Art von Problemen liegt in der Regel in der Mitte der Einführungsphase.

Auf der anderen Seite verursachen klassische Prognosen (auch als “deterministische” Prognosen bezeichnet) immer Chaos, wenn sie ungenau sind, da aufgrund dieser Prognosen unsinnige nachgelagerte Supply-Entscheidungen getroffen werden. Im Gegensatz dazu enthalten probabilistische Prognosen ihre eigene Quantifizierung der erwarteten Unsicherheit. Wenn die Nachfragevolumina gering und unregelmäßig sind, spiegeln probabilistische Prognosen die hohe inhärente Unsicherheit der Situation wider. Die Berechnung der risikobereinigten Entscheidungen von Lokad hängt sehr stark von der Fähigkeit ab, Risiken im ersten Schritt zu bewerten. Dafür sind die probabilistischen Prognosen vollständig konzipiert.

3.5 Können Sie Metriken wie MAPE (Mean Absolute Percentage Error), MPE (Mean Percentage Error), MAE (Mean Absolute Error) im Laufe der Zeit verfolgen?

Ja.

Lokads Plattform ist programmatisch und es ist einfach, alle üblichen Metriken wie MAPE, MEP, MAE usw. zu verfolgen. Wir können auch alle etwas ungewöhnlicheren Metriken verfolgen, wie z.B. angepasste Variationen dieser Metriken, die von der Kundenfirma bevorzugt werden. Zum Beispiel “gewichtete” Varianten wie gewichteter MAPE, gewichteter MAE usw., bei denen die Gewichtungsschemata von spezifischen Geschäftsregeln abhängen.

Lokad kann relevante/bevorzugte Metriken im Laufe der Zeit sammeln und konsolidieren, während neue Prognosen generiert werden. Wir können auch Metriken durch “Wiedergabe” der historischen Daten (d.h. Backtesting) neu generieren, wenn die Kundenfirma die erwartete statistische Leistung eines überarbeiteten Prognosemodells bewerten möchte.

Die oben genannten Metriken beziehen sich jedoch alle auf klassische Prognosen (auch als deterministische Prognosen bezeichnet). Deterministische Prognosen sollten für Supply-Chain-Zwecke als veraltet betrachtet werden, da sie nicht darauf ausgelegt sind (oder in der Lage sind), mit der Unsicherheit zukünftiger Werte (wie Nachfrage oder Vorlaufzeiten) umzugehen. Sie zielen darauf ab, einen einzigen möglichen zukünftigen Wert zu identifizieren, anstatt alle wahrscheinlichen zukünftigen Werte und ihre Wahrscheinlichkeiten. Aus diesem Grund verwendet Lokad probabilistische Prognosen, einen Ansatz, der die Unsicherheit von Zeitreihenprognosen quantifiziert.

3.6 Können Sie mehrere Szenarien mit benutzerdefinierten Metriken (z.B. Umsatz, Gewinn, Kosten, Risiko usw.) vergleichen?

Ja.

Lokads Plattform ist programmatisch, daher können komplexe Metriken eingeführt werden, die von vielen Geschäftsregeln (z.B. benutzerdefinierten Metriken) geleitet werden. Es können auch komplexe alternative Szenarien eingeführt werden, bei denen die Struktur und/oder Kapazitäten des Supply-Chain-Netzwerks modifiziert werden (über die bloße Inflation/Deflation von Nachfrage und Vorlaufzeiten hinaus). Dies hilft Lokad, das Risikomanagement, die strategische Planung und die Entscheidungsfindung zu verbessern, indem verschiedene potenzielle Supply-Chain-Situationen und Ergebnisse vorbereitet werden.

Es ist erwähnenswert, dass typische “Szenario”-Managementfähigkeiten aus Lokads Perspektive veraltet sind. Da Lokad probabilistische Vorhersagemodelle verwendet, ist jede von uns generierte Supply-Chain-Entscheidung bereits risikobereinigt. Das heißt, sie ist bereits optimiert in Bezug auf alle möglichen zukünftigen Werte (z.B. Nachfrage) unter Berücksichtigung ihrer jeweiligen Wahrscheinlichkeiten.

Daher werden “Szenarien” in Lokad nicht verwendet, um “zukünftige Variationen” zu bewerten, da diese Variationen bereits vollständig in den Basisbetriebsmodus von Lokad integriert sind. Szenarien werden verwendet, um mit drastischen Änderungen jenseits von Variationen umzugehen, die typischerweise eher mit dem bezeichnet werden, was Praktiker als “Supply-Chain-Design” bezeichnen würden, wie z.B. die Änderung der Netzwerktopologie, der Netzwerkkapazität, des Standorts der Lieferanten usw.

3.7 Verfolgen und überwachen Sie die Genauigkeit der Prognosen und den Prognosefehler (und gegebenenfalls andere Nachfragemetriken) mit verschiedenen definierten Verzögerungen?

Ja. Lokad verfolgt Vorhersagefehler mit vielen Metriken, einschließlich der Dimension der Vorhersagehorizont/Verzögerung. Lokad verfolgt die Vorhersagegenauigkeit für alle Prognosen, einschließlich Nachfrage, Vorlaufzeit, Rücksendungen usw.

Die Qualität aller Vorhersagemodelle hängt vom Horizont ab. In der Regel nimmt mit zunehmendem Vorhersagehorizont die Unsicherheit zu. Die Plattform von Lokad wurde so konzipiert, dass es einfach ist, eine Vielzahl von Metriken unter Berücksichtigung des anwendbaren Horizonts/der Verzögerung zu verfolgen. Dieses Prinzip wird nicht nur auf Nachfrageprognosen angewendet, sondern auf alle Prognosen, einschließlich Vorlaufzeitprognosen, Rücksendeprognosen usw.

Außerdem ist zu beachten, dass probabilistische Vorhersagen eine direkte quantitative Bewertung der mit dem Horizont wachsenden Unsicherheit liefern. Somit wird der horizontabhängige wachsende Fehler nicht nur gemessen, sondern auch vorhergesagt. Da die von Lokad optimierten Supply-Chain-Entscheidungen risikobereinigt sind, spiegeln unsere Entscheidungen automatisch das zusätzliche Risiko wider, das mit Entscheidungen verbunden ist, die von langfristigen Prognosen abhängen (im Vergleich zu kurzfristigen Prognosen).

3.8 Können Sie Daten auf Produkt-/Filialebene aggregieren, um die statistische Prognose zu validieren?

Ja, Lokad verfolgt Vorhersagefehler und -verzerrungen auf vielen Ebenen, einschließlich der relevanten hierarchischen Ebenen (z.B. nach Produkt, nach Filiale, nach Kategorie, nach Region, nach Marke usw.), wenn Hierarchien vorhanden sind. Die differentiable Programmierungstechnologie von Lokad ermöglicht es uns sogar, Vorhersagen auf einer bestimmten Granularität zu verfeinern, um einen Fehler oder eine Verzerrung zu minimieren, die auf einer anderen Granularität auftritt.

Allgemeiner gesagt, auf der Validierungsseite können die historischen Prognosen auf beliebige Weise von der Kundenfirma neu aggregiert werden, die als angemessen erachtet wird. Ebenso kann die Metrik, die zur Validierung der aggregierten Prognosen verwendet wird, von der Metrik abweichen, die zur Validierung der disaggregierten Prognosen verwendet wird, wenn die Verwendung einer alternativen Metrik von der Kundenfirma bevorzugt wird.

4. Datenmanagement und Bereinigung

4.1 Identifizieren Sie Datenfehler automatisch?

Ja. Die Supply-Chain-Wissenschaftler von Lokad erstellen akribisch “Datenintegritäts”-Dashboards für jedes Projekt des Kunden. Diese Dashboards zur Datenintegrität sind so konzipiert, dass sie automatisch alle Datenprobleme identifizieren. Darüber hinaus identifizieren diese Dashboards die Kritikalität der Probleme und die Verantwortlichkeit für die Probleme.

Die Kritikalität des Problems bestimmt, ob es akzeptabel ist, Entscheidungen für die Supply Chain auf der Grundlage der Daten zu treffen, bei denen das Problem auftritt oder nicht. Manchmal bedeutet dies, dass die akzeptablen Entscheidungen auf einen Teilbereich innerhalb der Kundenfirma beschränkt werden, der als “sicher” vor dem Problem gilt. In der Realität ist es in der Regel nicht realistisch, einen Datensatz zu erwarten, der zu 100% frei von Problemen ist, wenn es um große Unternehmen geht. Daher muss die Supply-Chain-Optimierung in der Lage sein, (in gewissem Maße) mit unvollkommenen Daten zu arbeiten, solange die Unvollkommenheit die Vernunft der Supply-Chain-Entscheidungen nicht gefährdet.

Die Verantwortlichkeit für das Problem legt fest, wer für die Behebung des Problems verantwortlich ist. Je nach Art des Problems kann das Problem aus völlig unterschiedlichen Bereichen innerhalb der Kundenfirma stammen. Zum Beispiel ist abgeschnittene historische Daten sehr wahrscheinlich ein Problem für die IT-Abteilung, während negative Bruttomargen (d.h. der Verkaufspreis liegt unter dem Einkaufspreis) entweder der Beschaffungs- oder der Vertriebsabteilung gehören.

Die Identifizierung von nicht trivialen Datenfehlern ist ein Problem der allgemeinen Intelligenz, das ein tiefes Verständnis der relevanten Supply Chain erfordert. Daher kann dieser Prozess (noch) nicht automatisiert werden; er geht derzeit über das hinaus, was Softwaretechnologien leisten können. Sobald jedoch ein bestimmtes Problem identifiziert ist, kann ein Supply Chain Scientist zukünftige Erkennungen automatisieren. In der Praxis implementieren unsere Supply Chain Scientists proaktiv die häufigsten Arten von Problemen als Teil des ersten Entwurfs der “Datenqualität”-Dashboards.

Weitere Informationen zur Datenqualität finden Sie unter Datenextraktions-Pipeline in The Data Extraction Pipeline.

4.2 Werden historische Daten automatisch bereinigt?

Zusammenfassung: Ja, im Sinne dessen, dass Lokad nicht erwartet, dass unsere Kunden die Geschäftsdaten manuell vor der Bereitstellung an uns vorverarbeiten. Darüber hinaus läuft die gesamte Datenpipeline (die zwischen Lokad und jedem Kunden aufgebaut wird) unbeaufsichtigt und alle Prozesse sind vollständig automatisiert.

Lokad bereinigt historische Daten selten; zumindest nicht im üblichen Sinne. Es gibt einige veraltete Technologien, die eine umfangreiche Vorbereitung (“Bereinigung”) der historischen Daten erfordern, um zu funktionieren. Zum Beispiel erwarten alte Zeitreihensysteme typischerweise, dass Nachfragerückgänge (Lagerbestandsausfälle) und Nachfrageanstiege (Promotions) korrigiert werden, um die Prognosen sinnvoll zu halten.

Dies ist eine Reflexion der Grenzen des Zeitreihenansatzes. Als Ergebnis muss die historische Daten umfangreich vorbereitet werden, um sie für ein fehlerhaftes System (Zeitreihen) besser geeignet zu machen. Die Bezeichnung dieses Prozesses als “Datenbereinigung” ist irreführend, da der Eindruck erweckt wird, dass das Problem bei den historischen Daten liegt, während die eigentliche Ursache das fehlerhafte Design des Systems ist, das die historischen Daten verarbeitet.

Im Gegensatz dazu geht Lokads prädiktive Modellierungstechnologie weit über den Zeitreihenansatz hinaus. Durch differenzierbare Programmierung können wir jede Art von relationalen Daten verarbeiten, anstatt auf eine “Zeitreihe” beschränkt zu sein. Dies bedeutet, dass alle kausalen Faktoren (z.B. Preisgestaltung, Bestände, Ereignisse usw.), die entweder die Nachfrage oder die Vorlaufzeit beeinflussen, explizit in das Modell einbezogen werden. Die kausale Integration ist der Datenbereinigung weit überlegen, wenn sie anwendbar ist, da die bereinigten Daten unrealistisch sind (niemand wird jemals sicher wissen, wie hoch der Nachfragewert gewesen wäre, wenn der Lagerbestandsausfall nicht stattgefunden hätte).

Gelegentlich erfordern die Geschäftsdaten (historisch oder nicht) Korrekturen. Lokad versucht, diese Korrekturen automatisch zu liefern, wenn dies möglich ist, möglicherweise unter Verwendung von maschinellem Lernen, abhängig von der Situation. Zum Beispiel kann die mechanische Kompatibilitätsmatrix zwischen Autos und Teilen mit einer halbüberwachten Lernmethode automatisch verbessert werden (siehe Preisoptimierung für den Automobil-Aftermarket).

4.3 Können Benutzer historische Daten manuell bereinigen?

Ja, wenn der Kunde diese Funktion wünscht, kann Lokad einen Workflow für diesen Zweck bereitstellen. Wir empfehlen jedoch in der Regel nicht, dass Endbenutzer die Daten manuell bereinigen.

Andere Softwarelösungen legen ihren Endbenutzern zahlreiche manuelle Aufgaben auf. Im Gegensatz dazu entwickeln die Supply Chain Scientists von Lokad End-to-End-Algorithmen (“numerische Rezepte”), die mit den vorhandenen Daten auskommen. Für uns ist die manuelle Datenbereinigung durch den Kunden die Ausnahme, nicht die Regel.

Siehe auch Datenmanagement und Bereinigung 4.2 in diesem FAQ.

4.4 Wie werden die Daten bereinigt, verwaltet und gewartet, um unnötige Modellfehler zu vermeiden?

Die Supply Chain Scientists von Lokad sind für die Einrichtung der Datenpipeline verantwortlich. Die Daten müssen vorbereitet werden, aber vor allem müssen vorhersagende Modelle entwickelt werden, die zu den vorhandenen Daten passen. Der Supply Chain Scientist führt Instrumente ein (z. B. dedizierte Dashboards), um die Rohdaten und die vorbereiteten Daten zu überwachen und sicherzustellen, dass die von Lokad generierten Supply Chain-Entscheidungen solide sind.

Viele alternative Lösungen betrachten das Problem nur durch die Brille der Datenbereitung, bei der jede falsche Ausgabe durch Anpassung der Eingabe behoben werden muss. Solche Lösungen sind nicht programmatisch, daher können die Kernmodelle nicht geändert werden - nur ihre Eingaben können geändert werden. Lokad hingegen verfolgt einen anderen technologischen Ansatz. Wir unterstützen eine programmatische Vorhersagetechnologie (über differenzierbare Programmierung). Wenn also unangemessene Ausgaben auftreten (d. h. schlechte Supply Chain-Entscheidungen), können wir entweder die Eingaben oder die Modelle (oder beides) korrigieren.

Fast immer ist es die Kombination aus den beiden Anpassungen - einer besseren Datenbereitung und einer besseren Datenverarbeitung -, die zu zufriedenstellenden Ergebnissen führt, und das Auslassen einer der beiden Anpassungen ist ein Rezept für enttäuschende Ergebnisse.

Siehe auch Datenmanagement und Bereinigung 4.2 in diesem FAQ.

Siehe auch Die Datenextraktionspipeline für weitere Informationen zur automatisierten Datenübertragung zwischen Kunden und Lokad.

4.5 Verwalten und pflegen Sie Stammdaten (die die Prognosebemühungen unterstützen)?

Ja, wenn es vom Kundenunternehmen gewünscht wird.

Wir empfehlen jedoch dringend, Lokads Plattform nicht für diesen Zweck zu verwenden. Unserer Meinung nach sollten analytische Tools (wie Lokad) strikt von Dateneingabetools wie einem Stammdatenmanagementsystem getrennt werden.

Als Faustregel empfehlen wir, um eine Anbieterbindung zu vermeiden, alle umfassenden Unternehmenssoftwaretools zu vermeiden. Die Designanforderungen für das Stammdatenmanagement sind völlig anders als die für die Vorhersageanalyse. Lokads Plattform könnte ein anständiges Stammdatenmanagementsystem sein, aber es wird nie ein großartiges sein (unser Design stützt sich zu stark auf die Vorhersageanalyse), und umgekehrt sind die meisten Stammdatenmanagementsysteme für die Analyse absolut unbrauchbar.

4.6 Können Benutzer Vertriebs- und Marketingdaten hochladen (einschließlich zukünftiger Pläne/Einblicke)?

Ja.

Lokads Plattform ist in der Lage, mehrere Datenquellen in vielen Datenformaten zu empfangen und zu verarbeiten, einschließlich Excel-Tabellenkalkulationen. Unsere Plattform ist auch in der Lage, Daten so zu verarbeiten, wie sie in Vertriebs- und Marketingabteilungen vorliegen (d. h. in welcher Granularität auch immer sie gespeichert sind).

Vertriebs- und Marketingteams liefern selten Daten, die auf der SKU-Ebene organisiert sind - oder sogar auf der SKU x Standort-Ebene, unserer bevorzugten Granularitätsebene. Angesichts dieser Einschränkung ist Lokads Plattform darauf ausgelegt, Eingabedaten (z. B. aus Vertrieb und Marketing) zu nutzen, die auf unterschiedlichen Granularitätsebenen von den beabsichtigten Ausgabeprognosen (z. B. SKU x Standort) liegen.

4.7 Archivieren Sie historische Nachfrage und Prognosen, um die Wasserfallprognose zu analysieren?

Ja, wir archivieren in der Regel alle vergangenen Prognosen, einschließlich der Nachfrage, der Vorlaufzeit, der Rücksendungen usw.

Wir haben fortschrittliche Kompressionstechniken entwickelt, um den Speicherplatzbedarf für die Archivierung großer Datenmengen zu begrenzen. Wir haben auch ein Gesamtkonzept entwickelt, das sicherstellt, dass die archivierten Daten, auch in großen Mengen, die Leistung der Plattform im täglichen Betrieb nicht beeinträchtigen (z. B. Berechnungen und Dashboard-Anzeigen werden nicht durch archivierte Daten verlangsamt).

Die Entwicklung der Lokad-Plattform unterscheidet sich erheblich von alternativen Lösungen, die entweder durch Kosten oder Leistung (oder beides) stark beeinträchtigt werden, wenn umfangreiche Archivierungsstrategien implementiert werden. Während diese alternativen Lösungen nominell umfangreiche Archivierungsmöglichkeiten bieten, werden solche Archive in der Praxis stark gekürzt, um die Lösung am Laufen zu halten. Dies ist bei Lokad nicht der Fall. Selbst bei großen Kundenunternehmen ist es in der Regel unproblematisch, jahrelange Archive zu führen.

4.8 Archivieren Sie manuelle Eingaben/Anpassungen, um die Auswirkungen von Anpassungen auf Nachfragemetriken zu analysieren?

Ja, Lokad archiviert alle manuellen Eingaben, einschließlich manueller Datei-Uploads von Excel-Tabellenkalkulationen. Wenn manuelle Eingaben verwendet werden, um Vorhersagemodelle (“Overrides”) zu ändern, verwenden wir diese Archive, um die Verbesserung (oder Verschlechterung) der Vorhersagegenauigkeit zu quantifizieren. Diese Arbeit wird normalerweise von den Supply Chain Scientists von Lokad durchgeführt.

Die Plattform von Lokad verfügt über vollständige Versionsverwaltungsfunktionen sowohl für die Daten als auch für den Code/Scripts. Dies ist entscheidend, um sicherzustellen, dass bei Backtests die “regulären” Geschäftsdaten (in der Regel die historischen Daten, die aus den Geschäftssystemen stammen) zusammen mit den manuellen Eingaben genau die gleichen sind wie zum Zeitpunkt der ursprünglichen Bereitstellung der manuellen Eingaben.

Die Geschäftsdaten werden in der Regel automatisch aktualisiert. Die Verwendung der neuesten Version der Geschäftsdaten spiegelt jedoch nicht richtig die Situation wider, wie sie zum Zeitpunkt der manuellen Korrektur oder Eingabe war. Ähnlich kann sich der von Lokad verwendete Vorhersagecode seit dem Zeitpunkt, zu dem die manuelle Eingabe erfolgt ist, weiterentwickelt haben. Tatsächlich kann die manuelle Eingabe dazu dienen, einen Fehler im Vorhersagecode zu beheben, der seitdem behoben wurde.

Lokads Plattform deckt auch diese Situationen ab und verhindert ganze Klassen von falschen Schlussfolgerungen. Betrachten Sie Situationen, in denen manuelle Eingaben später als “falsch” bewertet werden, wenn sie tatsächlich unter Berücksichtigung der genauen Bedingungen zum Zeitpunkt der ursprünglichen Bereitstellung der manuellen Eingaben relevant waren.

5. Produktklassifizierung und Clustering

5.1 Identifizieren Sie langsam laufende Artikel und unregelmäßige Nachfragemuster?

Zusammenfassung: Ja, Lokads Vorhersagetechnologie bietet eine sehr gründliche quantitative Charakterisierung aller relevanten SKUs.

Insbesondere ist Lokads probabilistischer Prognoseansatz gut geeignet, um intermittierende und unregelmäßige Nachfragemuster zu bewältigen. Durch die Bewertung der Wahrscheinlichkeiten für seltene Ereignisse kann Lokad die “Unregelmäßigkeit” der Nachfrage identifizieren - etwas, das typischerweise darauf hinweist, dass einzelne Verbraucher viele Einheiten auf einmal kaufen. Zum Beispiel kauft ein Kunde den gesamten verfügbaren Bestand an (identischen) Lichtschaltern in einem Baumarkt und verursacht so einen Lagerbestandsengpass auf SKU-Ebene.

Differentiable Programming, Lokads maschinelles Lernparadigma, eignet sich ideal für den Umgang mit dem “Gesetz der kleinen Zahlen”, das die meisten Supply-Chain-Situationen charakterisiert. Langsam laufende Artikel haben von Natur aus sehr begrenzte Datenpunkte. Ähnlich sind Spitzen in unregelmäßiger Nachfrage ebenfalls selten. Daher ist die Dateneffizienz des Vorhersagemodells von entscheidender Bedeutung. In dieser Hinsicht ist Differentiable Programming anderen Alternativen überlegen, da es in der Lage ist, hochrangige Erkenntnisse durch die Struktur des Modells selbst widerzuspiegeln.

Alternative Lösungen scheitern in der Regel bei langsam laufenden Artikeln und unregelmäßigen Nachfragemustern. Klassische Prognosen (d.h. nicht-probabilistische Prognosen) können langsam laufende Artikel nicht bewältigen, ohne auf eine nicht “reale” Bruchnachfrage zurückzugreifen. Diese Bruchnachfrage (z.B. 0,5 Einheiten) ist zwar “mathematisch” korrekt, aber kein praktikabler Weg, um sinnvolle Supply-Chain-Entscheidungen zu treffen, da natürlich ganze Einheiten bestellt werden müssen.

Ebenso können klassische Prognosen die “Unregelmäßigkeit” der Nachfrage mathematisch nicht widerspiegeln.

Zum Beispiel kann eine probabilistische Prognose widerspiegeln, dass eine Buchhandlung durchschnittlich 1 Einheit pro Tag verkauft, bestehend aus einem Mix aus 1 Professor, der durchschnittlich 20 Bücher pro Monat kauft, und 1 Student, der alle 2 Tage durchschnittlich 1 Buch kauft.

Diese Informationen werden in der Wahrscheinlichkeitsverteilung der Nachfrage des Modells widergespiegelt. Für eine klassische Zeitreihenprognose ist es jedoch nicht möglich, die nuancierte Realität der Nachfrage, wie sporadische Großeinkäufe, zu vermitteln. Es würde nur eine durchschnittliche Nachfrage von 1 Buch pro Tag vorhersagen und dabei das tatsächliche Nachfragemuster nicht erfassen und somit die wahre Natur der Verkäufe falsch darstellen. Dies wiederum begrenzt erheblich den Umfang, in dem finanziell sinnvolle Lagerentscheidungen getroffen werden können.

5.2 Identifizieren Sie langsam laufende oder veraltete Bestände und geben Empfehlungen für “behalten oder verkaufen”?

Ja. Lokad identifiziert langsam laufende Bestände mithilfe probabilistischer Prognosen und ermöglicht frühzeitige, risikoadjustierte Entscheidungen zur Reduzierung von Überbeständen und toten Beständen. Die Empfehlungen gehen über “behalten oder verkaufen” hinaus und umfassen Rabatte, Umlagerungen und Anpassungen, um Kannibalisierung zu vermeiden.

Die Identifizierung von langsam laufenden oder veralteten SKUs (nachfragebedingt) erfolgt mithilfe probabilistischer Nachfrageprognosen. Probabilistische Prognosen eignen sich hervorragend zur Identifizierung und Bewertung von Risiken, einschließlich Risiken von Überbeständen und toten Beständen. Dadurch können wir risikoadjustierte Entscheidungen treffen, wenn sie mit unseren stochastischen Optimierungsfähigkeiten kombiniert werden. Somit werden die Lagerbestandsrisiken für alle SKUs in allen Phasen ihres Lebenszyklus quantifiziert. Dieses Design ist entscheidend, da es uns ermöglicht, die meisten Lagerbestandssituationen so früh wie möglich zu identifizieren (und anzugehen), bevor sie zu einem Problem werden.

Schließlich ist Lokad nicht auf bloße “behalten oder verkaufen” Empfehlungen beschränkt. Wir können den Kunden Empfehlungen geben, die das gesamte Spektrum der verfügbaren Optionen widerspiegeln. Zum Beispiel kann Lokad Rabatte oder Sonderaktionen empfehlen, um den Bestand zu liquidieren. Wir können auch empfehlen, den Bestand an einen anderen Ort zu verlagern, wenn andere Kanäle eine hohe Nachfrage aufweisen. Wir können empfehlen, vorübergehend ein anderes Produkt zu pausieren oder herabzustufen, das versehentlich die Nachfrage nach einem anderen SKU kannibalisiert.

Kurz gesagt, die Supply Chain Scientists von Lokad stellen sicher, dass kein Stein umgedreht wird, bevor irgendein Bestand als “tot” erklärt wird.

Siehe auch Produktklassifizierung und Clustering 5.1 in diesem FAQ.

5.3 Ermöglichen Sie es Benutzern, hierarchische Produkt-Daten-Workflows (von oben nach unten, von der Mitte nach außen und von unten nach oben) zu verwalten?

Ja. Da die Lokad-Plattform programmatisch ist, können wir jeden vernünftig spezifizierten Workflow für unsere Kunden bearbeiten. Beispiele hierfür sind Workflows, die entlang der bestehenden Produkt-Hierarchien des Kunden arbeiten.

Unserer Meinung nach ist der ROI (Return on Investment) des Kunden für das Navigieren seiner Mitarbeiter durch solche Workflows sehr unklar. Der Bedarf an solchen Workflows spiegelt tiefgreifende Mängel in der Supply Chain-Software wider, die von innen heraus behoben werden müssen - unter Nutzung so viel Automatisierung wie möglich.

Die Plattform von Lokad bietet umfangreiche Möglichkeiten, um die Daten entlang aller relevanten Dimensionen zu visualisieren: Produkt-Hierarchien, Regionen, Zeit-Horizonte/Verzögerungen, Lieferanten, Kundentypen usw. Diese Möglichkeiten sind entscheidend, um sowohl Mängel als auch Bereiche für weitere Verbesserungen zu identifizieren. Es ist jedoch in der Regel fehlgeleitet (obwohl für Lokad unkompliziert), diese Möglichkeiten für einen “Workflow” zu nutzen. Stattdessen empfehlen wir, die zugrunde liegenden numerischen Rezepte (Code), die von Lokad ausgeführt werden, direkt zu ändern, um die Notwendigkeit zu beseitigen, dass Supply Chain-Praktiker die Workflows überhaupt verwalten müssen.

Viele alternative Lösungen verfügen nicht über programmatische Fähigkeiten. Wenn also ein Mangel identifiziert wird, gibt es in der Regel keine Optionen, außer auf die nächste Version der Software zu warten (möglicherweise Jahre in der Zukunft) oder eine Anpassung vorzunehmen - ein Weg, der in der Regel Schwierigkeiten mit sich bringt, da das Unternehmen des Kunden am Ende ein nicht gewartetes Softwareprodukt hat.

5.4 Ermöglichen Sie es Benutzern, hierarchisch zusammenhängende Elemente zu organisieren und basierend auf einer Vielzahl von Faktoren zusammenzuführen?

Ja.

Die Plattform von Lokad bietet umfangreiche Möglichkeiten, mit denen Benutzer Elemente (z. B. SKUs, Produkte, Kunden, Lieferanten, Standorte usw.) basierend auf einer Vielzahl von Faktoren zusammenführen können - einschließlich manueller Eingaben.

Da die Plattform von Lokad programmatisch ist, ist es einfach, die Client-Elemente entsprechend zu gruppieren, solange das Gruppierungs- oder Nähekriterium numerisch ausgedrückt werden kann. Diese Aufgabe wird von den Supply Chain Scientists von Lokad durchgeführt.

In diesem Zusammenhang kann die Plattform von Lokad auch Beziehungen zwischen hierarchisch zusammenhängenden Elementen für vorhersagende oder optimierende Zwecke nutzen. Insbesondere

Die Plattform von Lokad nimmt eine relationale Perspektive für all ihre numerischen Werkzeuge ein. Die relationale Perspektive geht über Zeitreihen und Graphen hinaus, indem sie sowohl relationale als auch hierarchische Daten kombiniert. Diese relationale Perspektive durchdringt unsere Werkzeuge, einschließlich unserer maschinellen Lernwerkzeuge. Dieser Aspekt ist entscheidend, um verfügbare Beziehungen über bloße Anzeigezwecke hinaus zu nutzen.

5.5 Welche Art von Produktklassifizierung bieten Sie (ABC / XYZ…) basierend auf historischen Verkaufsdaten an?"

Zusammenfassung: Lokad kann flexible ABC- und ABC-XYZ-Produktklassifizierungen anbieten, die sich an Variationen und Ausschlüssen anpassen, wenn der Kunde dies wünscht. Wir betrachten diese Klassifizierungen (und ihre Zeitgenossen) jedoch als veraltet. Lokads Position ist, dass das moderne Supply Chain Management sich auf handlungsorientierte Erkenntnisse konzentrieren sollte, die zu risikoadjustierten Entscheidungen führen, anstatt sich auf vereinfachte Kategorisierungswerkzeuge zu verlassen.

Die Plattform von Lokad unterstützt alle gängigen Klassifizierungsschemata, einschließlich ABC und ABC XYZ-Analyse, usw. Da die Plattform von Lokad programmatisch ist, ist es auch einfach, alle subtilen Variationen zu berücksichtigen, die beim sorgfältigen Definieren solcher Klassen existieren (z. B. subtile Ausschlussregeln). Produktklassifizierungen (wie die oben genannten) sind jedoch ein technologisch veraltetes Vorgehen zur Lösung von Supply Chain-Problemen und zur Optimierung.

Einige Anbieter von Supply Chain-Software, insbesondere solche mit veralteten Technologien, bieten stolz ABC-Analyse oder ABC XYZ-Analyse an. Die Klassifizierungen, die diese Tools jedoch bieten, werden in der Regel genutzt, um die zahlreichen Mängel der bereits verwendeten Softwarelösung des Kunden zu mildern. Dadurch werden jedoch nur die Symptome, nicht aber die Ursache des Problems behandelt. Diese Tools werden als grobe Aufmerksamkeitspriorisierungsmechanismen verwendet. Dies ist jedoch kein geeigneter Ansatz für die interessierenden Themen wie intermittierende oder volatile Nachfrage.

Zunächst müssen die grundlegenden Mängel behoben werden, um die Supply Chain-Praktiker von solchen mühsamen Überprüfungen zu entlasten. Zweitens sind volumenbasierte Klassifizierungen viel zu grob, um einen praktischen Nutzen zu haben, und sie nutzen die Zeit der Supply Chain-Praktiker sehr schlecht.

Aus diesem Grund führen die Supply Chain-Wissenschaftler von Lokad Kunden zu Entscheidungen, die sich auf die finanziellen Auswirkungen einer potenziellen Supply Chain-Entscheidung/Aufforderung widerspiegeln (typischerweise gemessen in Dollar oder Euro). Wenn Artikel und Entscheidungen nicht im Hinblick auf ihre Rendite (Return on Investment) priorisiert werden, ist jeder Versuch der “Priorisierung” oder “Optimierung” grundsätzlich sinnlos.

Weitere Informationen zu den Einschränkungen dieser Klassifizierungswerkzeuge finden Sie unter ABC XYZ in 3 Minuten und ABC-Analyse funktioniert nicht.

5.6 Bieten Sie Produkt- und/oder Filialclustering/Stratifizierung an?

Ja.

Lokads Plattform bietet Clustering-/Stratifizierungsfunktionen für jedes interessierende Element, wie Filialen, Produkte, Kunden, SKUs, Lieferanten usw. Dies ist auf die Verarbeitungsfähigkeiten unserer Plattform in Bezug auf relationale Daten zurückzuführen. Dadurch können wir komplexe Elemente ansprechen, die nicht in eine feste Reihe von Eigenschaften “abgeflacht” werden können. Durch differenzierbare Programmierung kann Lokad auch die zur Gruppierung von Elementen verwendeten Ähnlichkeitsmetriken auf eine für eine bestimmte Aufgabe besonders nützliche Weise erlernen/anpassen, z. B. für die Prognose.

Weitere Informationen zu Lokads Clustering-Fähigkeiten mit nur wenigen Zeilen Envision-Code finden Sie unter Illustration: Clustering.

5.7 Verfeinern Sie die Prognose mit Produkt-/Standorthierarchien und/oder Clustering?

Ja.

Lokad nutzt die relationale Struktur der Eingabedaten voll aus. Unser Ansatz der differenzierbaren Programmierung ist besonders gut geeignet für die Verarbeitung relationaler Daten. So kann Lokad Hierarchien, Listen, Optionen, Graphen, numerische und kategoriale Attribute für seine Vorhersagemodelle nutzen. Unsere Vorhersagemodelle berücksichtigen alle Unsicherheiten in der Supply Chain, einschließlich Nachfrage, Vorlaufzeiten, Rücksendungen, Erträge, Rohstoffpreise usw.

Clustering kann verwendet werden, um ein relevantes Muster für die interessierende Prognose zu identifizieren. Zum Beispiel können alle typischen Zyklen (z. B. Wochentag, Woche des Monats, Woche des Jahres usw.) und die quasi-zyklischen Ereignisse (z. B. Ostern, chinesisches Neujahr, Ramadan, Black Friday usw.) von dieser Art Technik profitieren. Lokads Plattform bietet umfangreiche Unterstützung für die Instrumentierung von Clustering zu Vorhersagezwecken.

Weitere Informationen zu diesem Punkt finden Sie unter Illustration: Clusterbasierte Zyklen.

6. Ereignisse und erklärende Variablen

6.1 Identifizieren Sie außergewöhnliche Ereignisse (z. B. Lagerbestandsereignisse) und Promotionen in historischen Daten?

Executive Summary: Ja. Lokad enriches historical data with known exceptional events using predictive programming, improving accuracy over traditional time-series forecasting. This approach handles incomplete data and can reconstruct lost events (as a workaround for when a direct recording of historical events is unavailable).

Historische Daten enthalten zahlreiche Ereignisse, die Messungen verzerren (z. B. Nachfrage, Vorlaufzeit usw.). Lokad arbeitet mit prädiktiven Programmierparadigmen wie der differenzierbaren Programmierung, die es uns ermöglichen, die Basishistorie mit all diesen Ereignissen anzureichern. Allerdings werden diese außergewöhnlichen Ereignisse im Allgemeinen nicht “identifiziert” - sie sind bereits bekannt. Wenn bemerkenswerte Ereignisse verloren gegangen sind, kann Lokad jedoch ein Vorhersagemodell verwenden, um solche Ereignisse zu rekonstruieren.

Alte, mittlerweile veraltete Prognosetechnologien konnten nur mit einfachen Zeitreihen umgehen. Als Ergebnis musste jede Verzerrung, die jemals auf die Nachfrage angewendet wurde, im Voraus korrigiert werden, da sonst die Prognosen erheblich beeinträchtigt würden. Leider ist dieser Ansatz von Grund auf fehlerhaft, da diese Zeitreihenprognosen auf anderen Prognosen aufbauen und dadurch Ungenauigkeiten ansammeln.

Lokads prädiktive Technologie leidet nicht unter dem gleichen Problem, da sie zusätzliche erklärende Variablen unterstützt. Anstatt vorzugeben, dass wir sicher wissen, was ohne die historischen Ereignisse (wie z. B. ein Lagerbestand) passiert wäre, spiegelt das Vorhersagemodell die erklärende Variable in seinen Ausgaben (d. h. seinen Prognosen) wider. Diese Methodik erfordert keinen phasenweisen Ansatz zur Prognose. Darüber hinaus kann sie unvollständige Daten nutzen, wie z. B. einen Lagerbestand, der am Ende des Tages nach einem Rekordverkauf von Einheiten aufgetreten ist - Informationen, die auch in unvollständiger Form immer noch sehr relevant sind.

Wenn bemerkenswerte Ereignisse (z. B. Lagerbestände) verloren gegangen oder einfach nie erfasst wurden, ist Lokad in der Lage, solche Ereignisse durch eine Analyse der historischen Daten zu rekonstruieren. Wie statistisch genau diese Rekonstruktion auch sein mag, sie wird immer weniger genau sein als eine direkte Aufzeichnung der Ereignisse, wie sie sich ereignen. Aus diesem Grund historisiert Lokad in der Regel Indikatoren wie Lagerbestände, wenn diese Indikatoren nicht ordnungsgemäß in den jeweiligen Geschäftssystemen archiviert sind.

6.2 Identifizieren Sie außergewöhnliche Ereignisse und (bewegliche) Feiertage?

Ja. Lokads Vorhersagemodelle passen sich außergewöhnlichen Ereignissen und Feiertagen an. Unsere Supply Chain Scientists bewerten die Auswirkungen und bieten Kunden ein transparentes Modell sowie Einblicke in die Auswirkungen eines bestimmten Ereignisses auf die Dynamik ihrer Supply Chain.

Lokad identifiziert alle außergewöhnlichen Ereignisse und passt die Struktur seiner Vorhersagemodelle entsprechend an. Bei allen quasi-zyklischen Mustern (z. B. Ostern, chinesisches Neujahr, Ramadan, Black Friday usw.) ist die Identifizierung jedoch gegeben - wir wissen bereits, dass das Ereignis existiert und Auswirkungen hat. Die einzige Frage, die noch zu beantworten bleibt, ist die Quantifizierung der Auswirkungen des Ereignisses.

Indem Supply Chain Scientists eine hochrangige Bewertung über die Auswirkungen eines bekannten Ereignisses (oder deren Fehlen) abgeben, erhalten wir ein Vorhersagemodell mit einer viel höheren Dateneffizienz. Eine hohe Dateneffizienz ist entscheidend, um das Vorhersagemodell genau zu halten, wenn nur wenig Daten verfügbar sind, was in der Supply Chain häufig der Fall ist.

Darüber hinaus profitieren die Mitarbeiter der Supply Chain des Kunden von einem White-Box-Vorhersagemodell mit semantischen Faktoren, wenn Lokad die Muster explizit identifiziert und benennt. Zum Beispiel geht die Auswirkung des Black Friday (falls vorhanden) mit einem dedizierten Faktor einher, der aus den historischen Daten abgeleitet wird. Der Supply Chain-Praktiker kann diesen Faktor dann nutzen, um zu verstehen, welche Produkte besonders empfindlich auf den Black Friday reagieren, isoliert von allen anderen Mustern, die eine Rolle spielen, wie z.B. die Saisonalität (d.h. jährliche Zyklen).

Siehe auch Ereignisse und erklärende Ereignisse 6.1 in diesem FAQ.

6.3 Verwalten Sie Ausverkaufssituationen als erklärende Variable?

Ja. Lokad integriert Ausverkaufssituationen direkt in seine Vorhersagemodelle und behandelt sowohl vollständige als auch teilweise Ausverkäufe, ohne auf die Rekonstruktion von “falscher” Nachfrage zurückgreifen zu müssen, um Datenlücken zu füllen. Stattdessen modellieren wir direkt das, was allgemein als zensierte Nachfrage bekannt ist. Darüber hinaus kann Lokad teilweise Ausverkäufe berücksichtigen (wenn der Ausverkauf während des Arbeitstages stattfindet) und die entsprechenden Informationen nutzen.

Allgemeiner betrachtet ist Lokad auch in der Lage, mit allen durch Ausverkäufe verursachten Artefakten umzugehen. Je nach den spezifischen Gegebenheiten des Kundenunternehmens können diese Artefakte stark variieren. Zum Beispiel kann es am Ende des Ausverkaufszeitraums zu einer Nachfragesteigerung kommen, wenn die Kunden loyal genug sind, um zu warten. Es können auch Rückstände geben, wobei solche Kunden möglicherweise ablehnen, ihren Kauf zu verzögern. usw.

Die von Lokad beschäftigten Supply Chain Scientists stellen sicher, dass Ausverkäufe auf eine geeignete Weise modelliert werden, die die Dynamik des Geschäfts des Kundenunternehmens wirklich widerspiegelt.

Weitere Informationen dazu, wie Lokad mit diesen Situationen umgeht, finden Sie in den Diskussionen zu “Loss Masking” in Strukturierte Vorhersagemodellierung für die Supply Chain und “Unvollständiges Vorlaufzeitmodell” in Vorlaufzeitprognose.

6.4 Prognostizieren Sie Werbeaktionen?

Ja. Lokads Vorhersagetechnologie kann die Nachfragevariation prognostizieren, die durch Werbemechanismen beeinflusst wird. Der Werbemechanismus kann Variationen des Preisschilds, Änderungen der Anzeigereihenfolge (E-Commerce), Änderungen der Sortimente, Änderungen der Sichtbarkeit (z.B. Regale im Einzelhandel) usw. umfassen. Kurz gesagt liefert Lokad probabilistische Prognosen für Werbeaktionen, genauso wie für alle potenziellen Quellen der Unsicherheit in der Supply Chain (z.B. Nachfrage, Vorlaufzeit, Rücksendungen usw.).

Lokads Supply Chain-Entscheidungen - wie z.B. die Auffüllung des Lagerbestands - berücksichtigen nicht nur die zukünftig geplante Werbeaktivität, sondern auch das potenzielle Vorhandensein solcher Aktivitäten. Wenn das Kundenunternehmen beispielsweise die Möglichkeit hat, Werbeaktionen durchzuführen, und seine Kunden (in der Regel) gut auf Werbeaktionen reagieren, bedeutet dies, dass das Kundenunternehmen etwas aggressiver mit seinen Beständen sein kann. Dies liegt daran, dass Werbeaktionen ein effektives Instrument zur Reduzierung von Überbeständen sind. Wenn das Kundenunternehmen jedoch eine Kundschaft hat, die weitgehend unempfänglich für Werbeaktionen ist, muss es auf Überbestände besonders achten. Denn es fehlt ihm dieser Mechanismus zur Reduzierung von Überbeständen.

Lokad generiert solche risikoadjustierten (und optionsadjustierten) Entscheidungen, indem probabilistische Prognosen genutzt werden. Diese Prognosen sind entscheidend, um die Risiken zunächst zu bewerten. Anschließend verwenden wir stochastische Optimierung - vereinfacht ausgedrückt eine mathematische Operation -, um Entscheidungen zu treffen, die den ROI (Return on Investment) des Kunden maximieren, unter Berücksichtigung ihrer vielfältigen Unsicherheitsquellen (z. B. Nachfrage, Vorlaufzeit, Werbeaktionen, Rücksendungen usw.).

6.5 Identifizieren und prognostizieren Sie neue Produktstarts und Ersatzprodukte?

Zusammenfassung: Ja, Lokad prognostiziert die Nachfrage für alle Produkte, einschließlich neuer Produkte. Dies tun wir unabhängig von der Menge an historischen Daten, die für die Produkte verfügbar sind - was wahrscheinlich null sein wird, wenn das Produkt noch nicht gestartet wurde.

Um statistische Prognosen unter den genannten Bedingungen zu erstellen, nutzt Lokad in der Regel (a) die gesamte Historie der Produktstarts im Kundenunternehmen, (b) die Merkmale des Produkts, um es im Angebot zu positionieren, (c) die alternativen Produkte, die sowohl eine Basislinie als auch Potenzial für Kannibalisierung bieten, und (d) die Marketingmaßnahmen, die diesen speziellen Start unterstützen.

Wenn ein Produkt im Angebot des Kunden explizit als Ersatz für ein älteres Produkt positioniert ist, ist die Prognoseaufgabe viel einfacher. Wir empfehlen jedoch nicht, diesen Ansatz zu wählen, es sei denn, das Supply-Chain-Personal des Kunden ist davon überzeugt, dass die alten und neuen Produkte für die Verbraucher tatsächlich gleichwertig sind. In der Praxis ist ein Produktstart selten ein direkter Ersatz zwischen neuen und alten Produkten. Daher nutzt Lokad überlegene Technologie, um alle historischen Daten zu nutzen, anstatt ein Produkt zu bestimmen, das die Pseudo-Historie des neuen Produkts bereitstellt, das gestartet wird.

Darüber hinaus generiert Lokad probabilistische Prognosen für Produktstarts. Dies ist besonders wichtig, da klassische (d. h. nicht-probabilistische) Prognosen die Treffer- oder Fehlmuster vollständig außer Acht lassen, die bei der Einführung neuer Produkte häufig auftreten. Probabilistische Prognosen quantifizieren diese Unsicherheit und ermöglichen es uns somit, risikoadjustierte Supply-Chain-Entscheidungen zu generieren.

In den meisten Geschäftssystemen ist das Startdatum des Produkts ordnungsgemäß identifiziert, und daher ist keine separate Identifizierung erforderlich. Wenn jedoch das Startdatum nicht erfasst oder falsch erfasst wurde, kann Lokad mit einer tatsächlichen Rekonstruktion dieser Informationen fortfahren. Natürlich stellen die früheren Verkaufsdatensätze eine Basis für den Start dar.

Bei intermittierender Nachfrage kann es jedoch manchmal lange dauern, bis das Produkt seine erste Einheit verkauft. Lokads Supply Chain-Experten haben verschiedene Heuristiken zur Verfügung, um diese Situationen anzupassen.

Siehe auch Ereignisse und erklärende Ereignisse 6.1 in diesem FAQ.

6.6 Wie prognostizieren Sie neue Artikel oder neue Standorte ohne Verkaufshistorie?

Lokad nutzt frühere Starts und aktuelle Verkäufe und legt dabei besonderen Wert auf die Bedeutung von Merkmalen (formal und textuell), um die Nachfrage nach neuen Artikeln/Standorten vorherzusagen.

Auch wenn ein Artikel “neu” ist, handelt es sich in der Regel nicht um den ersten “neuen” Artikel, der vom Kundenunternehmen eingeführt wird. Lokads Vorhersagetechnologie nutzt die früheren Artikelstarts sowie die aktuellen Verkaufsvolumina, um die Nachfrage nach einem neuen Artikel vorherzusagen. Insbesondere die Verfügbarkeit formaler Merkmale (z. B. Farbe, Größe, Form, Preis usw.) sowie textueller Merkmale (z. B. Etikett, Kurzbeschreibung, Kommentare usw.) sind von entscheidender Bedeutung, um den Artikel mathematisch in das breitere Angebot des Unternehmens einzufügen.

Der Prozess bei neuen Standorten ist ähnlich, obwohl die Daten in der Regel viel begrenzter sind. Während es üblich ist, dass Unternehmen Tausende von neuen Produkten pro Jahr einführen (insbesondere in Branchen wie Mode), können nur sehr wenige Unternehmen behaupten, sogar hundert neue Standorte pro Jahr einzuführen. Dennoch kann Lokad anhand der Merkmale und Eigenschaften des neuen Standorts eine Prognose erstellen, selbst wenn dieser bestimmte Standort keine Verkaufshistorie hat.

Siehe auch Ereignisse und erklärende Ereignisse 6.5 in diesem FAQ.

6.7 Berücksichtigen Sie Vorgängerartikel, möglicherweise gekennzeichnete oder ähnliche Artikel?

Ja, wenn eingeführte Artikel mit “Vorgänger” oder “ähnlichen” Artikeln kommen, kann Lokads Vorhersagetechnologie diese Informationen nutzen, um ihre Prognosen zu verfeinern.

Wir können das gesamte Spektrum des Vertrauens in die bereitgestellten Informationen berücksichtigen, von “dieses neue Produkt ist ein nahezu perfektes Äquivalent zu diesem anderen Produkt” bis hin zu “diese beiden Produkte sind vage ähnlich”. Es können auch mehrere Vorgänger angegeben werden, wenn kein klar “ähnlichster” Artikel vorhanden ist.

Während alte (inzwischen veraltete) Prognosetechnologien die Supply-Chain-Praktiker zwangen, alte und neue Produkte manuell zuzuordnen, ist dies bei Lokad nicht der Fall. Vorausgesetzt, dass einige grundlegende Informationen verfügbar sind, ist unsere Technologie in der Lage, die historischen Daten von anderen Produkten zu nutzen, um eine Prognose für einen neuen Artikel zu erstellen. Zu den relevanten grundlegenden Informationen gehören die Produktbezeichnung(en) und der Preisbereich(e).

Als Faustregel empfehlen wir, die Stammdaten zu erweitern, um bessere automatisierte Zuordnungen zu ermöglichen. Dies ist unserer Meinung nach besser, als das Supply-Chain-Personal des Kunden in die mühsame Tätigkeit der manuellen Zuordnung zu zwingen. Der ROI (Return on Investment) für die Verbesserung der Stammdaten ist in der Regel weitaus höher als bei Zuordnungen, da sich Stammdaten auch direkt auf zahlreiche Nach-Launch-Operationen auswirken können.

Siehe auch Ereignisse und erklärende Ereignisse 6.5 in diesem FAQ.

6.8 Erkennen Sie Kannibalisierung? Bewerten Sie die Auswirkungen auf das kannibalisierende Produkt und auf die kannibalisierten Produkte?

Ja, Lokads Vorhersagetechnologie berücksichtigt Kannibalisierungen (und Substitutionen) als Teil ihrer Nachfrageanalyse.

Obwohl sich die Situationen unterscheiden können, ist das Modell in der Regel symmetrisch, daher quantifiziert das Modell sowohl das Produkt, das kannibalisiert, als auch das Produkt, das kannibalisiert wird. Unser Ansatz berücksichtigt die Zusammensetzung des Angebots, das von einem Geschäft zum anderen oder von einem Vertriebskanal zum anderen variieren kann.

Wenn Kunden identifiziert werden können (Hinweis: mit anonymen Kennungen, da Lokad keine persönlichen Daten benötigt/verwendet), kann Lokad den bipartiten Graphen nutzen, der Kunden und Produkte verbindet. Dieser zeitliche Graph (der Produkte und Kunden über ihre Transaktionen verbindet) ist in der Regel die beste Informationsquelle zur Quantifizierung von Kannibalisierungen. Wenn diese Informationen nicht verfügbar sind, kann Lokad dennoch arbeiten, wenn auch mit reduzierter Genauigkeit, wenn es um die Details der Kannibalisierungen selbst geht.

Lokads Vorhersagetechniken weichen stark von klassischen Zeitreihenmodellen ab. Zeitreihenmodelle sind einfach nicht ausdrucksstark genug, um mit Kannibalisierungen umzugehen. Tatsächlich ist, sobald die historischen Daten in Zeitreihendaten umgewandelt wurden, der Großteil der relevanten Informationen für die Bewältigung von Kannibalisierungen bereits verloren gegangen. Diese verlorenen Informationen können später nicht wiederhergestellt werden, egal wie ausgefeilt die Zeitreihenmodelle sind. Im Gegensatz dazu verwendet Lokad differenzierbare Programmierung für seine Vorhersagemodelle - einen Ansatz, der viel ausdrucksstärker ist als veraltete Zeitreihenmodelle.

6.9 Erlauben Sie das Hinzufügen oder Aktualisieren von erklärenden Variablen? Können diese Variablen manuell aktualisiert werden?

Ja. Lokads Plattform ist programmatisch und genauso flexibel wie eine Excel-Tabelle, wenn es um das Hinzufügen von Aktualisierungen von erklärenden Variablen geht. Es ist auch möglich, wenn gewünscht, die erklärenden Variablen über tatsächliche Tabellenkalkulationen zu übermitteln.

Die differenzierbare Programmierung, Lokads Ansatz für die Vorhersagemodellierung, ermöglicht es, Modelle zu erlernen, die beliebige erklärende Variablen enthalten. Die erklärenden Variablen müssen nicht in “prognostizierten Einheiten” ausgedrückt werden oder anderweitig mit dem Prognoseprozess abgestimmt sein. Durch differenzierbare Programmierung ist es möglich, erklärende Variablen zu integrieren, während viele Beziehungen “nicht quantifiziert” bleiben und der Lernprozess Lokads Plattform überlassen werden. Die Quantifizierung der Beziehung(en) steht auch dem Supply Chain-Praktiker zur Verfügung. Auf diese Weise kann der Supply Chain-Praktiker Erkenntnisse darüber gewinnen, ob die erklärende Variable tatsächlich in das Vorhersagemodell einfließt.

Einige alte (jetzt veraltete) Prognosetechnologien erzwangen eine direkte Beziehung zwischen den erklärenden Variablen und den gewünschten Prognosen. Zum Beispiel mussten die erklärenden Variablen linear mit dem Nachfragesignal zusammenhängen; die erklärenden Variablen mussten in der gleichen Granularität wie die Prognosen ausgedrückt werden; und/oder die erklärenden Variablen mussten homogen mit den historischen Daten sein, usw. Lokads Technologie leidet nicht unter diesen Einschränkungen.

Darüber hinaus können die programmatischen Fähigkeiten von Lokads Plattform die erklärenden Variablen so organisieren, dass ihre Wartung für das Supply Chain-Personal des Kunden so einfach wie möglich ist. Es ist zum Beispiel möglich, mit einer Excel-Tabelle zu beginnen, um die erklärenden Variablen widerzuspiegeln, und später auf automatisierte Datenintegration umzusteigen. Dieser Übergang kann erfolgen, sobald die zusätzliche Genauigkeit (die durch diese erklärenden Variablen gewonnen wird) ausreicht, um den Datentransfer zu automatisieren.

Weitere Informationen zu diesem Punkt finden Sie in der Diskussion über “Covariable-Integration” in Strukturierte Vorhersagemodellierung für Lieferketten.

6.10 Erlauben Sie manuelle Anpassungen der Prognose für zukünftige Ereignisse ohne vorherige historische Daten?

Ja. Lokad ermöglicht es immer, Prognosen manuell anzupassen, unabhängig davon, ob es sich um Artikel mit oder ohne historische Daten handelt. Wir können auch die Qualität/Genauigkeit manueller Anpassungen verfolgen. Bei Verwendung moderner Vorhersagetechnologien sind manuelle Anpassungen jedoch in der Regel unnötig und insgesamt nicht empfohlen.

Der erste Grund, warum Supply Chain-Praktiker das Bedürfnis haben, Prognosen manuell anzupassen, besteht darin, dass sie die daraus abgeleiteten Supply Chain-Entscheidungen (z. B. eine Bestellung) ändern möchten. In diesen Fällen steht der Supply Chain-Praktiker in den meisten Fällen vor einem Risiko, das in den Prognosen nicht angemessen reflektiert wird. Es geht nicht darum, dass die Prognosen höher oder niedriger sein sollten, sondern dass die resultierende Entscheidung nach oben oder unten gesteuert werden muss, um das Risiko widerzuspiegeln. Lokad löst dieses Problem durch probabilistische Prognosen und risikoadjustierte Supply Chain-Entscheidungen. Die Prognosen spiegeln bereits alle möglichen zukünftigen Werte (z. B. Nachfrage) und ihre jeweiligen Wahrscheinlichkeiten wider. Unsere vorgeschlagenen Entscheidungen sind daher bereits risikoadjustiert. Wenn die Entscheidungen falsch ausfallen, während die Prognose korrekt ist, müssen in der Regel die mit der Entscheidung verbundenen wirtschaftlichen Treiber angepasst werden, nicht die Prognose selbst.

Der zweite Grund für die manuelle Anpassung einer Prognose besteht darin, dass die Prognose offensichtlich falsch ist. In solchen Situationen muss jedoch das (zugrunde liegende) Prognosemodell selbst behoben werden. Wenn man das Modell nicht repariert, müssen die Mitarbeiter der Supply Chain weiterhin die Symptome des Problems (ungenaue Prognosen) behandeln, anstatt die eigentliche Krankheit (ein fehlerhaftes Prognosemodell) zu bekämpfen. Wenn das Modell nicht repariert wird, werden die Prognosen bei Verfügbarkeit neuerer Daten aktualisiert und entweder tauchen die schlechten Prognosen erneut auf oder die ursprüngliche Korrektur (falls sie bestehen bleibt) wird selbst zu einer Quelle für Prognoseungenauigkeiten.

Kurz gesagt, wenn das Prognosemodell nicht ausreichend genau ist (typischerweise aufgrund fehlender Informationen), sollte die Eingabe des Modells angereichert werden, um relevante fehlende Informationen zu berücksichtigen. In jedem Fall ist es nie angemessen, ein fehlerhaftes Prognosemodell weiterhin zu verwenden.

6.11 Verfeinern Sie Prognosen durch Marketing und Sonderaktionen?

Ja, Lokad verfeinert seine Prognosen mit diesen Informationen (wenn/wenn sie uns zur Verfügung gestellt werden).

Differentiable Programming - Lokads Predictive Modeling-Technologie - ist in der Lage, zusätzliche Datentypen/Quellen zu verarbeiten, auch wenn sie strukturell nicht mit den ursprünglichen historischen Nachfragedaten übereinstimmen (wie sie in typischen Geschäftssystemen der Kunden zu finden sind).

Differentiable Programming kann zusätzliche Datenquellen verarbeiten, ohne dass davon ausgegangen wird, dass diese ergänzenden Daten umfassend oder sogar vollständig korrekt/genau sind. Natürlich begrenzt eine sehr unvollständige/ungenaue Datenbasis die insgesamt erzielte Genauigkeit, die durch die Verarbeitung dieser Daten erzielt wird.

Noch wichtiger ist, dass Lokads Predictive-Technologie die Art und Weise verändert, wie Kunden ihre Marketingkampagnen angehen. Die klassische Prognoseperspektive behandelt die zukünftige Nachfrage wie die Bewegung von Planeten: etwas, das völlig außerhalb unserer Kontrolle liegt. Marketingkampagnen fallen jedoch nicht vom Himmel. Sie spiegeln vielmehr explizite Entscheidungen des Kundenunternehmens wider. Mit den Erkenntnissen und der Technologie von Lokad können Kundenunternehmen ihre Marketingkampagnen anpassen, um das zu unterstützen, was die Supply Chain leisten kann.

Es ist beispielsweise sinnlos, die Nachfrage weiter zu steigern (durch den Start einer neuen Kampagne), wenn alle Produkte bereits auf dem Weg zu Lagerbestandsengpässen sind. Umgekehrt, wenn Überbestände zunehmen, könnte es an der Zeit sein, einige Kampagnen wieder zu aktivieren, die zuvor pausiert wurden.

6.12 Verfeinern Sie Prognosen mit Preiselastizität? Können geplante zukünftige Preisänderungen proaktiv in die Prognose/Prognosemodell einbezogen werden?

Ja. Lokads Predictive Modeling-Fähigkeiten umfassen die Preisgestaltung, einschließlich der Preiselastizität, sowie zukünftig geplante Preisänderungen. Lokads differentiable Programming-Ansatz ermöglicht es, eine (oder mehrere) Preisvariable(n) sowohl in der Vergangenheit als auch in der Zukunft einzubeziehen. Die vergangenen Ereignisse werden verwendet, um die Kausalität zwischen der Variation der Nachfrage und der Variation des Preises zu erlernen.

Differentiable Programming ermöglicht es uns, den Einfluss von variablen Preisen gemeinsam mit allen anderen Mustern, die die Nachfrage beeinflussen, wie z.B. die mehrfache Zyklik (z.B. Saisonalität), zu erlernen. Das Kausalitätsmodell kann dann auf zukünftige Preise angewendet werden, die angehoben oder gesenkt werden können, um die sich ändernde Preisstrategie des Kundenunternehmens widerzuspiegeln.

Allerdings ist die Preiselastizität häufig ein recht grober Ansatz, um den Effekt von variablen Preisen zu modellieren. Beispielsweise können Schwelleneffekte mit Elastizität nicht modelliert werden. Dies umfasst Szenarien, in denen Verbraucher stark auf eine Preisänderung reagieren, wenn ein Produkt gerade günstiger wird als ein anderes äquivalent erscheinendes Produkt. Insbesondere wenn Wettbewerbspreise durch ein Competitive Intelligence-Tool erfasst werden, reicht die Preiselastizität nicht aus, um Variationen der Nachfrage zu erklären, die am besten durch die Preisänderungen eines Wettbewerbers erklärt werden können.

Die Plattform von Lokad bietet Möglichkeiten, die weit über die reine Modellierung der Preiselastizität hinausgehen. Lokad kann sowohl die Beschaffung als auch die Preisgestaltung gemeinsam optimieren. Während die gängige Perspektive der Supply Chain die Bestandsoptimierung und die Preisoptimierung als zwei separate Anliegen behandelt, ist offensichtlich, dass Preise die Nachfrage beeinflussen - selbst wenn die Preiselastizität zu grob ist, um diesen Einfluss genau widerzuspiegeln. Daher macht es viel Sinn, sowohl die Bestands- als auch die Preispolitik zu koordinieren, um die Rentabilität der Supply Chain zu maximieren.

6.13 Verfeinern Sie Prognosen mit Wettbewerbsaktivitäten (d.h. Daten zur Competitive Intelligence)?

Executive Summary: Ja, Lokads Vorhersagetechnologie ist in der Lage, Prognosen für die Nachfrage (und bei Bedarf auch Preise) mithilfe von Daten zur Competitive Intelligence zu verfeinern. Dies geschieht nur, wenn uns die Daten zur Competitive Intelligence zur Verfügung gestellt werden, da Lokad selbst keine Daten zur Competitive Intelligence erhebt. Unserer Meinung nach ist diese Aufgabe besser für Spezialisten für das Scraping von Webdaten geeignet.

Die Nutzung von Daten zur Competitive Intelligence ist in der Regel ein zweistufiger Prozess. Erstens müssen wir die Wettbewerbsdatenpunkte irgendwie mit dem Angebot des Kundenunternehmens verknüpfen. Wenn das Kundenunternehmen und seine Wettbewerber genau die gleichen Produkte verkaufen, die durch ihre GTIN-Barcodes identifiziert werden, ist dieser Prozess unkompliziert. Es gibt jedoch häufig zahlreiche Komplikationen.

Zum Beispiel können die Unternehmen nicht die gleichen Versandbedingungen haben (z.B. Gebühren und Verzögerungen), oder es könnte eine vorübergehende Promotion geben, die nur für Inhaber einer Kundenkarte gilt. Darüber hinaus verkaufen Wettbewerber in der Regel nicht genau die gleichen Produkte (zumindest nicht im GTIN-Sinne), aber ihre Angebote konkurrieren insgesamt miteinander. In diesen Situationen sind einfache Eins-zu-Eins-Verbindungen zwischen den Produkten der jeweiligen Unternehmen nicht mehr relevant. Dennoch können Lokads Vorhersagetechnologie (und Supply Chain Scientists) all diese Komplikationen bewältigen.

Zweitens, sobald die Verbindungen hergestellt sind, muss das Vorhersagemodell angepasst werden, um den Effekt des Wettbewerbs auf die Nachfrage widerzuspiegeln. Hier besteht die größte Herausforderung häufig darin, dass der Effekt mit erheblicher Verzögerung eintritt. In den meisten Märkten überwachen Kunden die Preise der Wettbewerber nicht ständig. Daher bleibt eine erhebliche Preissenkung durch einen Wettbewerber von vielen Kunden lange Zeit unbemerkt. Tatsächlich besteht der dominierende Effekt, wenn es preislich unterboten wird, darin, dass der Marktanteil des Kunden langsam erodiert. Daher ist es ein Fehler, den Einfluss des Wettbewerbs “Produkt für Produkt” eng zu bewerten. Auch unternehmensweite Effekte müssen bewertet werden.

Auch hier stellen Lokads Supply Chain Scientists sicher, dass die Modellierungsstrategie ein strategisches Verständnis des Kundenunternehmens (und seiner Position auf dem Markt) widerspiegelt. Dieses strategische Verständnis umfasst langfristige Aspekte wie den Gewinn oder Verlust von Marktanteilen.

Weitere Informationen zu diesem Punkt finden Sie in den Diskussionen zur “Lösung der Ausrichtung” in Preisoptimierung für den Automobil Aftermarket.

Siehe auch Ereignisse und erläuternde Variablen 6.12 in diesem FAQ.

6.14 Verfeinern Sie Prognosen mit Wettervorhersagedaten?

Executive Summary: Ja, Lokad ist in der Lage, seine Vorhersagemodelle mit Wettervorhersagedaten zu verfeinern. Unser erster Erfolg in diesem Bereich datiert aus dem Jahr 2010, als wir mit einem großen europäischen Stromproduzenten zusammenarbeiteten. Unsere aktuelle Vorhersagetechnologie (Differentiable Programming) erleichtert die Integration von Wettervorhersagen im Vergleich zu früheren Technologien.

In der Praxis nutzen jedoch nur sehr wenige unserer Kunden solche Verfeinerungen in der Produktion. Unserer Meinung nach lohnt sich der Aufwand in der Regel nicht. Es gibt fast immer einfachere Optionen, die eine bessere Rendite für eine vergleichbare Menge an Engineering-Ressourcen bieten.

Insgesamt gibt es zwei Hauptprobleme beim Versuch, Wettervorhersagedaten in diesem Zusammenhang zu nutzen. Das erste Problem ist, dass diese Vorhersagen kurzfristig sind. Über einen Zeitraum von mehr als 2 oder 3 Wochen hinweg kehren Wettervorhersagen zu saisonalen Durchschnittswerten zurück. Daher bieten Wettervorhersagen über einen kurzen Horizont hinaus keine zusätzlichen Erkenntnisse über die übliche Saisonalität hinaus. Das bedeutet, dass alle Supply-Chain-Entscheidungen, die nicht streng kurzfristig sind, nicht von Wettervorhersagedaten profitieren. Dies schränkt den Anwendungsbereich dieser Technik erheblich ein.

Das zweite Problem sind die enormen technologischen Komplikationen, die diese Technik mit sich bringt. Wetter ist ein sehr lokales Phänomen, aber bei der Betrachtung großer Lieferketten betrachten wir effektiv Hunderte oder Tausende (wenn nicht Zehntausende) relevanter Standorte, die sich über enorme geografische Räume erstrecken (möglicherweise mehrere Kontinente). Jeder Standort könnte eine eigene “Wetterlage” haben (meteorologisch gesehen).

Darüber hinaus ist “Wetter” nicht eine einzige Zahl, sondern eine ganze Sammlung davon, einschließlich Temperatur, Niederschlag, Wind usw. Je nach Art der gehandelten Waren kann die Temperatur der dominierende Faktor sein, der zur Verfeinerung einer Nachfrageprognose erforderlich ist.

Grundsätzlich bindet der Versuch, eine Nachfrageprognose mit Wettervorhersagedaten zu verfeinern, Ressourcen (Zeit, Geld, Aufwand usw.), die anderweitig eingesetzt werden könnten (oder zumindest für bessere Verfeinerungsbemühungen). Wir stellen fest, dass Wettervorhersagen in dieser Hinsicht fast nie eine “wettbewerbsfähige” Option sind. Daher empfehlen wir, alle anderen potenziell einfacheren Verfeinerungsmöglichkeiten auszuschöpfen, bevor man sich an Wettervorhersagedaten wendet.

6.15 Verfeinern Sie Prognosen, um eine neue Filialeröffnung/Alte Filialschließung widerzuspiegeln?

Ja.

Lokads Vorhersagetechnologie ist in der Lage, den Einfluss einer neuen Filialeröffnung und/oder einer alten Filialschließung präzise zu modellieren. Unsere Technologie kann auch vorübergehende Schließungen, wie temporäre Schließungen für Renovierungsarbeiten, modellieren. Darüber hinaus kann Lokad auch die Variabilität der Öffnungszeiten berücksichtigen (sofern uns die Daten zur Verfügung gestellt werden). Lokads Vorhersagetechnologie (Differentiable Programming) ist besonders effektiv im Umgang mit all diesen Verzerrungen des Nachfragesignals.

Darüber hinaus können wir, wenn sich Filialen in der Nähe befinden (z. B. in derselben Stadt), den Substitutionseffekt berücksichtigen, bei dem Kunden, die früher in eine Filiale gegangen sind (jetzt geschlossen), in eine andere gehen. Wenn einige Transaktionen von einer Kundenkennung profitieren (Hinweis: nur die Rohkennung, da Lokad keine personenbezogenen Daten benötigt), können wir diese Informationen nutzen, um den genauen Anteil der Kundschaft genauer zu bewerten, die einer bestimmten Marke folgt, obwohl sich die Filialen bewegen.

Auf der anderen Seite des technologischen Spektrums können Zeitreihen-(Prognose-)Modelle nicht einmal die relevanten Eingabeinformationen ordnungsgemäß darstellen. In diesem Fall beziehen wir uns auf die oben beschriebenen Rohtransaktionsdaten, wie sie beispielsweise bei Kundenkartenprogrammen des Kunden zu finden sind.

Anmerkungen