FAQ: Bedarfsprognose

Lokad hat sich von seinen Anfängen in der Bedarfsprognose Ende der 2000er Jahre zu einem führenden Anbieter für die prädiktive Optimierung von Lieferketten entwickelt, der sich auf überlegene Bewertungen zukünftiger Ereignisse konzentriert und dabei reale Komplexitäten bewältigt.

Zielgruppe: Praktiker in der Lieferkette, Bedarfs- und Beschaffungsplaner, Geschäftsanalysten.

Zuletzt geändert am: 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 außerhalb der Lieferkette), ist aber besonders relevant, wenn es um Prognosen geht. Bei Prognosen geht Lokad über das bloße Vermeiden von genau falschen Ergebnissen hinaus; wir übertreffen routinemäßig nicht nur unsere Wettbewerber, sondern auch Forschungsteams¹ - und definieren gelegentlich den Stand der Technik neu. In den letzten zehn Jahren haben wir jedoch festgestellt, dass der größte begrenzende Faktor der traditionellen Prognoseperspektive nicht die Genauigkeit, sondern die Ausdrucksstärke ist.

Klassische Prognosen - d.h. punktuelle Zeitreihenprognosen - sagen einfach nicht genug über die Zukunft aus. Zeitreihenprognosen sind jedoch so verbreitet geworden, dass viele Praktiker 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 ist die gesamte Mainstream-Theorie der Lieferkette auf Zeitreihenprognosen aufgebaut, was zu allerlei bizarren Wendungen führt. Die Preisgestaltung - ein offensichtlicher Weg, um die Nachfrage zu lenken - wird in der Regel aus dem Bild eliminiert, was sie zu einer völlig separaten Angelegenheit von der Planung macht. Dies ist offensichtlich falsch, wenn man ihre klare Wechselbeziehung betrachtet.

Eine weitere Dimension, die in der traditionellen Zeitreihenperspektive vollständig fehlt, ist Unsicherheit. Diese Unsicherheit ist etwas, das Traditionalisten glauben, durch die Verfolgung größerer Genauigkeit isolieren zu können - oft werden dafür immense Ressourcen eingesetzt. Lieferketten beweisen jedoch immer wieder, dass die mit zukünftigen Ereignissen verbundene Unsicherheit unvermeidlich ist und dass Lieferkettenprobleme mehr als isolierte Anpassungen erfordern - d.h. lokale Optimierung. Nicht nur ist die zukünftige Unsicherheit unvermeidlich, globale Märkte scheinen recht geschickt darin zu sein, Herausforderungen sowohl auf alte Weise (z.B. Kriege, Tsunamis) als auch auf neue Weise (z.B. Lockdowns, einfallsreiche 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 Wahrscheinlichkeiten für jedes einzelne Ergebnis zu. Als solche umfassen probabilistische Prognosen die unvermeidliche Unsicherheit zukünftiger Ereignisse, anstatt den Fall vollständig abzulehnen. Seit 2012 haben sich probabilistische Prognosen immer wieder als überlegener Ansatz erwiesen, wenn es um das Risikomanagement für Lieferketten geht. Dies gilt für alles, von kleinen lokalen Entscheidungen, wie der richtigen Menge für eine SKU, bis hin zu großen Entscheidungen, wie dem Abschluss eines langfristigen, mehrere Millionen Dollar schweren Servicevertrags.

Darüber hinaus beschränkte sich Lokad nicht (und beschränkt sich immer noch nicht) nur auf die probabilistische Prognose des Bedarfs. Alle anderen Unsicherheitsquellen werden nun von der Lokad-Plattform quantifiziert. Diese Unsicherheiten umfassen variierende Vorlaufzeiten, variierende Ausschussraten, variierende 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 zukünftiger Ereignisse. Diese alternativen Prognosen sind 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, die meiste Zeit nicht einmal in den engen Rahmen, den eine Zeitreihe vorgibt.

Programmatische Prognosen

Lokads zweiter signifikanter Schritt weg von der klassischen Prognoseperspektive war sein programmatischer Wandel, zuerst mit Deep Learning im Jahr 2018, dann mit differentieller Programmierung im Jahr 2019. Die vorherrschende Ansicht war, dass die Prognose als ein ‘verpacktes’ technologisches Produkt angegangen werden sollte. Lokad, wie die meisten seiner Mitbewerber, sprach sogar von seinem ‘Prognosemotor’ - einem monolithischen Softwarekomponenten, die ausschließlich dieser Aufgabe gewidmet ist. Diese Perspektive weist jedoch auf zwei wesentliche Mängel hin.

Erstens geht die Perspektive des ‘Prognosemotors’ davon aus, dass es eine standardisierte Art und Weise gibt, die Eingabedaten zu organisieren, die dem Motor zugeführt werden. Dies ist nicht der Fall. Die Struktur der Eingabedaten - im relationalen Sinne (z.B. SQL) - hängt sehr stark von den spezifischen Geschäftssystemen ab, die im Unternehmen vorhanden sind. Das Zwängen der historischen Daten, wie sie in den Geschäftssystemen vorliegen, in ein vorgefertigtes Datenmodell, wie es von einem Prognosemotor verlangt wird, führt zu allerlei Problemen. Obwohl es Lokad gelungen ist (durch ständig zunehmende Raffinesse), einen Prognosemotor zu entwickeln, der weit flexibler ist als das, was unsere Mitbewerber noch anbieten, haben wir auch erkannt, dass dieser Ansatz eine technologische Sackgasse ist. Der Prognosemotor ist nie flexibel genug und lässt zwangsläufig wichtige, aber nuancierte Aspekte des Geschäfts außer Acht.

Programmatische Ansätze hingegen erwiesen sich als überlegene Lösung. 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 Gemeinschaft üblicherweise verwendet werden - und überarbeitete die Technologie dann vollständig im Licht der Fortschritte in der differentiellen Programmierung im Jahr 2019. Das Ziel hinter diesem vollständigen technologischen Umbau war es, 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 maschinellen Lerngemeinschaft (in der Bilder, natürliche Sprache, Sprache usw. vorherrschen) wecken.

Zweitens lässt die Perspektive des ‘Prognosemotors’ kein Raum für das Unternehmen, seine eigene Zukunft zu gestalten. Unabhängig von der Raffinesse des Motors impliziert das Paradigma, dass ein zweistufiger Prozess stattfindet, bei dem die Prognose/Planung von einer Optimierungs/Ausführungsphase gefolgt wird. Dieses Paradigma lässt wenig bis gar keinen Raum, zwischen Planung und Ausführung hin und her zu gehen. Theoretisch ist es möglich, den Prognosemotor wiederholt auf Szenarien anzuwenden, die entsprechend den Prognosen aus früheren Iterationen angepasst wurden. In der Praxis ist der Prozess jedoch so mühsam, dass ihn niemand wirklich durchführt (zumindest nicht lange).

Fazit: Programmatische Ansätze sind ein Spielveränderer. Dies liegt daran, dass es möglich wird, maßgeschneiderte Rückkopplungsschleifen zwischen Planung und Ausführung zu betreiben, die subtile, aber profitable Optionen reflektieren, die das Unternehmen wahrscheinlich sonst übersehen würde. Zum Beispiel, wenn der Kunde ein Luftfahrt-MRO-Unternehmen ist, wird es möglich, in Betracht zu ziehen, Rotables gleichzeitig zu kaufen und zu verkaufen - der Verkauf von ungenutzten Teilen finanziert den Erwerb von jetzt dringend benötigten Teilen. Solche Interaktionen sind nicht unbedingt komplex oder herausfordernd, aber ihre Entdeckung erfordert, dass die Feinheiten des Geschäfts sorgfältig berücksichtigt werden. Nicht-programmatische Ansätze scheitern zwangsläufig daran, diese Feinheiten zu erfassen, was die Supply-Chain-Praktiker zurück zu ihren Tabellenkalkulationen drängt. Differentiable Programming erweist sich auch in dieser Hinsicht als Spielveränderer.

Häufig gestellte Fragen (FAQ)

1. Prognosealgorithmen und Modelle

1.1 Können Sie einen Überblick über die Prognose-Engine(s) geben, die Sie verwenden?

Lokads Vorhersagefähigkeiten basieren auf den differentiable programming-Fähigkeiten von Envision, der von Lokad für die prädiktive Optimierung der Supply Chain entwickelten DSL (domänenspezifische Programmiersprache). Anstatt also einen ‘Motor’ zu haben, verfügt Lokad über programmatische Bausteine, die leicht zusammengebaut werden können, um hochmoderne prädiktive Modelle zu erstellen.

Unsere prädiktiven Modelle umfassen (aber übertreffen auch) die Bereitstellung hochmoderner Zeitreihen-Nachfrageprognosen, wie von Lokad demonstriert, indem Lokad den ersten Platz (von etwa 1000 Mitbewerbern) auf SKU-Ebene in einem internationalen Prognosewettbewerb basierend auf Walmart-Datensätzen erreicht hat. Die Feinheiten der Methode sind in einem öffentlichen Papier beschrieben. Die Programmierbarkeit von Lokads Plattform bietet flexible Möglichkeiten, die nicht durch einen traditionellen “Prognosemotor” repliziert werden können. Tatsächlich wurde unser letzter “Prognosemotor” 2018 zugunsten eines programmatischen Ansatzes eingestellt, genau wegen dieser Einschränkung.

Darüber hinaus sprechen wir in der Regel von ‘prädiktivem Modellieren’ anstelle von ‘Prognosen’, weil es nicht nur die zukünftige Nachfrage ist, die quantitativ geschätzt werden muss, sondern alle Quellen der Unsicherheit. Diese Klassen umfassen zukünftige Vorlaufzeiten, zukünftige Rücksendungen, zukünftige Ausschussraten, zukünftige Bezugspreise, zukünftige Wettbewerbspreise usw. Durch differentiable programming liefert Lokad Prognosen, die weit über das hinausgehen, was traditionell von einem Prognosemotor erwartet wird. Diese erweiterten Prognosen sind entscheidend, um eine End-to-End-Optimierung der Lieferkette 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 Lieferkettenentscheidungen gegen jede Variation anfällig und erzeugen kontinuierliche Overheads für Situationen, die durch etwas vorsichtigere Entscheidungen weitgehend gemildert hätten werden können.

Siehe Differentiable Programming in Envision für weitere Informationen zu den Feinheiten dieses wichtigen Tools sowie Geschichte des Prognosemotors von Lokad zur Überprüfung unserer Prognoseentwicklung.

1.2 Können Sie eine Basisprognose auf der Grundlage statistischer Modelle erstellen?

Ja. Lokad kann eine Basisnachfrageprognose auf der Grundlage von niedrigdimensionalen parametrischen Modellen, d.h. einem statistischen Modell, erstellen. Dies geschieht mit Hilfe von Envision, der DSL (domänenspezifischen Programmiersprache) von Lokad, die speziell für die prädiktive Optimierung von Lieferketten entwickelt wurde. Durch die differentiable Programming-Fähigkeiten von Envision ist es auch einfach, Parameter zu lernen, indem historische Nachfragedaten genutzt werden.

Es gibt zwei wesentliche Einschränkungen der traditionellen Prognoseperspektive, die durch die neueren Technologien von Lokad überholt wurden. Erstens erfassen Punkt-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 widerspiegeln oder vielleicht überhaupt keine zu bestellen. Dieses Fehlen von Risikobewusstsein (d.h. in quantitativer Hinsicht) ist für den Kunden zwangsläufig sehr kostspielig, da es zu schlechten finanziellen Entscheidungen führt (z.B. Bestellungen, Zuweisungen, etc.). Lokad begegnet diesem Problem durch probabilistische Prognosen, da sie die zukünftige Unsicherheit annehmen, anstatt sie zu ignorieren.

Zweitens ist die Nachfrageprognose, obwohl sie wahrscheinlich die wichtigste Art von Prognose ist, nicht die einzige Art von Prognose. Vorlaufzeiten, Rücksendungen, Ausschussraten und alle anderen Bereiche zukünftiger Unsicherheit müssen ebenfalls 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 differentiable Programming, um detaillierte historische Daten und - falls relevant - selektive externe Daten zu nutzen, um Nachfrageprognosen zu generieren und andere komplexe Lieferkettenprobleme (z.B. Lagerbestände und Promotionen) zu verwalten.

Differentiable Programming - verwendet, um parametrische Modelle zu lernen - ist die führende Technik zur Generierung genauer Nachfrageprognosen. Wie im M5-Prognosewettbewerb gezeigt, basierend auf Einzelhandelsdaten von Walmart, nutzte Lokad diesen Ansatz und belegte Platz eins auf SKU-Ebene (im Wettbewerb gegen etwa 1000 Teams weltweit). Dieser Erfolg qualifiziert den Ansatz als State-of-the-Art.

Allerdings hat der M5 nur an der Oberfläche gekratzt, wenn es um Nachfrageprognosen geht, da Lokads Ansatz sich für unzählige ‘Komplikationen’ eignet, wie z.B. Umgang mit Lagerbeständen, Promotionen, Rücksendungen, Verderblichkeit, etc. Strukturiertes prädiktives Modellieren für die Lieferkette gibt die Details darüber, wie Lokad diese Komplikationen angeht.

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

Externe Daten können verwendet werden, wenn sie als relevant erachtet werden, um die Nachfrageprognosen zu verfeinern. In unserer Erfahrung bringt Daten jenseits der Wettbewerbsinformationen selten eine Genauigkeitsverbesserung, die den erheblichen technischen Aufwand rechtfertigt, der mit der Vorbereitung dieser Datensätze verbunden ist (z.B. soziale Daten, Wetterdaten, etc.). Die Nutzung solcher Datensätze sollte für etablierte Unternehmen reserviert werden, die bereits alle einfacheren Möglichkeiten zur Verbesserung der Prognosegenauigkeit ausgeschöpft haben.

1.4 Reduzieren Sie den Prognosefehler durch maschinelles Lernen?

Ja. Lokad verwendet differentiable Programming und Deep Learning zur Reduzierung des Prognosefehlers. Gelegentlich verwenden wir auch alternative Techniken wie Random Forests oder Gradient Boosted Trees. Außerdem verwenden wir maschinelles Lernen (ML)-Techniken, um ‘klassische’ statistische Methoden (z.B. autoregressive Modelle) neu zu bewerten, jedoch mit deutlich verbesserten Methoden, wenn es darum geht, die relevanten Parameter der Methoden zu erlernen.

Obwohl Lokad ML verwendet, sollte beachtet werden, dass es sich nicht um einen homogenen Arbeitsbereich handelt, sondern um eine gemeinsame Perspektive darüber, wie man Daten angeht. Angesichts dessen, 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 und einige sind ziemlich veraltet.

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

Für Lieferkettenzwecke ist die Architekturkonstruktion entscheidend, um innerhalb des Vorhersagemodells 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 übereinstimmt, und einer Prognose, die die Situation wirklich umfasst.

1.5 Wie identifizieren und prognostizieren Sie Nachfragemuster, um Lagerausfälle und Überbestände zu verhindern?

Lokad reduziert Lagerausfälle und Überbestände durch probabilistische Prognosen, die die Unsicherheit zukünftiger Nachfrage berücksichtigen, indem sie Wahrscheinlichkeiten für große Nachfrageabweichungen bereitstellen. Dieser Ansatz ermöglicht es Lokad, risikobereinigte Entscheidungen für Kunden zu treffen, was bessere Auswahlmöglichkeiten (z.B. Bestellungen) ermöglicht und Lagerausfälle und Überbestände reduziert. Dieser Ansatz steht im Gegensatz zu traditionellen punktuellen Zeitreihenprognosen, die finanzielle Risiken ignorieren und sich auf die Reduzierung von Prognosefehlern isolieren.

Abgesehen von anderen möglichen Ursachen - wie variablen Vorlaufzeiten - spiegeln Lagerausfälle und Überbestände typischerweise unerwartete (zukünftige) Nachfrage wider. Lokad begegnet diesem Problem direkt durch probabilistische Prognosen. Im Gegensatz zu den Mainstream-Lieferkettenmethoden, die die unvermeidliche Unsicherheit der Zukunft ignorieren, umarmt Lokad die Unsicherheit in einem streng quantitativen Sinne. Probabilistische Prognosen liefern die Wahrscheinlichkeiten für das Auftreten großer Nachfrageabweichungen, was wesentlich ist, wenn man risikobereinigte Entscheidungen treffen möchte.

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

Im Gegensatz dazu sind periodische punktuelle Zeitreihenprognosen (auch bekannt als “klassische Prognosen”) trotz ihrer Beliebtheit vollständig ignorant gegenüber diesen Risiken. Diese Perspektive zielt darauf ab, den Prognosefehler isolieren zu reduzieren, bis der Fehler unerheblich wird. Dies ist jedoch Wunschdenken, da die zukünftige Unsicherheit unvermeidlich ist. Deshalb versagen punktuelle Prognosen darin, Lagerausfälle und Überbestände auf zufriedenstellende Weise zu verhindern.

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

Siehe Prognose für weitere Details zu diesem Konzept.

1.6 Wie gehen Sie mit saisonaler Nachfrage um?

Executive Summary: Lokad behandelt saisonale Nachfrage durch differentiable Programmierung, unter Verwendung von niedrigdimensionalen parametrischen Modellen, 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 die Nachfrage gleichzeitig beeinflussen, ohne manuelle Eingriffe zu erfordern.

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

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

Sobald das numerische Rezept von Lokads Supply Chain Scientists 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 saisonalen Profils), noch stützt sie sich auf Ausnahmen für neue Produkte oder für Produkte, die noch nicht auf den Markt gebracht wurden. Lokads Ansatz mag etwas neuartig erscheinen, ist aber für die Zwecke der Lieferkette von entscheidender Bedeutung.

Erstens liefert er genauere Ergebnisse, da der maschinelle Lernprozess nicht versucht, die Zyklik zu entdecken, sondern die Zyklik als gegeben betrachtet wird (und bereits von Lieferpraktikern weithin anerkannt wird). Dies ist noch wichtiger in Situationen, in denen die Datenmenge begrenzt ist.

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

Schließlich ermöglicht das differentiable Programming, das von Lokad verwendet wird, um (maschinelles Lernen) Modelle aus den Daten des Kunden zu erstellen, uns, alle Zyklen sowie alle anderen Muster, die die beobachteten Nachfragemuster prägen (z.B. Lagerbestände oder Promotionen), gemeinsam anzugehen. Zyklen können nicht isoliert voneinander geschätzt werden, noch nacheinander, von den anderen Mustern, die die Nachfrage beeinflussen. Alle diese Muster und ihre jeweiligen Parameter müssen gemeinsam geschätzt werden.

Siehe Strukturierte Vorhersagemodellierung für Lieferketten für weitere Informationen zum differentiable Programming und seiner Rolle in der Supply Chain-Optimierung.

1.7 Haben Sie langfristige (mehr als 3 Jahre im Voraus) Prognosefähigkeiten, um zukünftige Nachfrage vorherzusagen und entsprechende Anpassungsvorschläge zu machen? Was ist der maximale Vorhersagehorizont, der generiert werden kann?

Ja. Lokad kann unbegrenzt weit in die Zukunft prognostizieren, daher gibt es keinen maximalen Horizont.

Aufgrund der Natur der zukünftigen Unsicherheit nimmt die Prognoseungenauigkeit stetig zu, je weiter der Prognosehorizont ist. Auch wenn es technisch einfach ist, eine langfristige Prognose zu erstellen, bedeutet dies nicht, dass dieser Prognose für die Zwecke der Lieferkette vertraut werden kann. Egal wie ausgefeilt das zugrunde liegende Modell sein mag, Prognosen versuchen letztendlich zu erraten, wie die Straße aussehen wird, während man in den Rückspiegel schaut.

Darüber hinaus neigt die Möglichkeit, manuelle Anpassungen an eine ansonsten automatisierte Prognose vorzunehmen, dazu, die Situation zu verschlechtern. Sobald Prognosen von ‘Experten’ manuell geändert wurden, vertrauen Organisationen unweigerlich übermäßig auf sie. Zahlreiche von Lokad durchgeführte Benchmarks zeigen, dass Experten selten besser abschneiden als grobe Durchschnittsmethoden, wenn es um langfristige Prognosen geht. Daher profitieren manuell angepasste Prognosen in der Regel von einem unverdienten Anstrich von Expertise, der dazu führt, dass Organisationen übermäßig auf sie angewiesen sind. Diese Praxis des manuellen Feintunings überlebt sogar, nachdem sich die Zahlen zwangsläufig als schlechte Schätzungen herausgestellt haben.

Als allgemeine Anmerkung 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 Unternehmenssterben”. Im Allgemeinen raten wir davon ab, die Lieferkette durch langfristige Prognosen zu steuern, es sei denn, das Kundenunternehmen hat es mit außergewöhnlich stabilen Marktbedingungen zu tun (z.B. öffentliche Versorgungsunternehmen). Das Team von Supply Chain Scientists von Lokad steht zur Verfügung, um Anleitungen zu besseren (und vernünftigeren) Ansätzen zu geben, die die spezifischen Anforderungen jedes Kundenunternehmens einzigartig widerspiegeln.

1.8 Können Sie eine Prognose für mindestens 28 Tage im Voraus auf Artikel-/Filialebene 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 Risiken im Zusammenhang mit toten Beständen für langsam bewegliche Artikel angemessen zu bewerten. Darüber hinaus ist die Plattform von Lokad hochgradig skalierbar, sodass der Umgang mit zehn Millionen SKUs und der Verarbeitung von Jahren täglicher historischer Daten nicht schwierig ist. Tatsächlich kann die Plattform von Lokad mühelos auf auch große Einzelhandelsnetzwerke skalieren, ohne dass eine vorherige Kapazitätsplanung erforderlich ist.

Siehe auch Vorhersagealgorithmen 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 nutzt beispielsweise routinemäßig Wettbewerbsinformationen (d. h. veröffentlichte Preise von Mitbewerbern). In bestimmten Branchen können öffentliche Indikatoren von großem Nutzen sein (z. B. projizierte Flottengrößen für die Luftfahrt-Instandhaltung). Die programmatische Plattform von Lokad eignet sich einzigartig für die Nutzung verschiedener Datenquellen - über die historischen Daten hinaus, die aus den Geschäftssystemen stammen.

In Bezug auf externe Daten gibt es zwei Quellen, die fast nie den Aufwand wert sind: Wetterdatensätze und soziale Netzwerkdatensätze. Wetterdatensätze sind sehr unhandlich (d. h. sehr groß und sehr komplex) und realistisch betrachtet sind sie jenseits von zwei Wochen im Voraus nicht wirklich besser als saisonale Durchschnittswerte (mehr oder weniger). 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 - die typischerweise nur wenige Tage umfassen.

Wir behaupten nicht, dass aus Wetterdaten oder sozialen Netzwerkdaten kein Wert extrahiert 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 verfeinern. Dies ist ein vernünftigerer Ansatz als die Suche nach den letzten 1 % (in der Regel nicht einmal so viel) an 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 setzt spezialisierte Datenstrukturen wie Ranvar für Effizienz bei allen Verkaufsvolumina ein, um 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 - große Zahlen sind im Vergleich viel einfacher zu verarbeiten. Um mit geringer Nachfrage umzugehen, nutzt Lokad probabilistische Prognosen. Probabilistische Prognosen weisen jeder diskreten Ereigniswahrscheinlichkeit zu, wie die Wahrscheinlichkeit, 0 Einheiten, 1 Einheit, 2 Einheiten usw. zu verkaufen. Wahrscheinlichkeiten beseitigen ganze Klassen von Problemen, die mit Bruchwerten der Nachfrage verbunden sind, wie sie traditionell bei Mainstream-Lieferkettenmethoden auftreten.

Unter der Haube werden Wahrscheinlichkeiten über eine kurze Serie diskreter Möglichkeiten als Histogramme (oder ähnliche Datenstrukturen) dargestellt. Diese Datenstrukturen sind sehr kompakt und verursachen daher geringe Rechenkosten. Wenn es jedoch um geringe Nachfrage geht, würde eine naive Implementierung solcher Datenstrukturen (z. B. Beibehaltung eines Buckets pro Einheit Nachfrage) dramatisch ineffizient werden, wenn sie mit nicht geringer Nachfrageverteilung konfrontiert wird, die Tausende von Einheiten Nachfrage pro Periode umfasst.

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

Siehe unser öffentliches Video Wahrscheinlichkeitsvorhersage für Lieferketten 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 neu 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 muss die Prognose des zukünftigen Containerbedarfs möglicherweise beide dieser Einschränkungen berücksichtigen, 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 sie in der Frage aufgeführt sind).

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 Top-Performer in öffentlichen Prognosewettbewerben auftauchen. Insbesondere schneiden die meisten dieser Modelle schlecht ab, wenn es darum geht, die üblichen Komplikationen in Lieferketten-Situationen 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 zu decken. Unsere Supply Chain-Wissenschaftler prognostizieren die erforderliche Nachfrage sowie alle anderen unsicheren Faktoren der Lieferkette, wie Vorlaufzeiten, Rücksendungen, Ausschussraten, Wettbewerbspreise usw. Darüber hinaus müssen die Prognosealgorithmen an die verfügbaren Daten angepasst werden, um die Datenverzerrungen zu nutzen, die für die Betriebsabläufe in der Lieferkette inhärent sind (z. B. die Nachfrage steigt häufig am Ende eines Lagerbestandsereignisses wieder an).

Sehen Sie unser öffentliches Video No1 auf SKU-Ebene im M5-Prognosewettbewerb für Details zu Lokads Prognosequalifikationen.

1.13 Welche Granularität wird für die Prognose zurückgesendet?

Lokad kann jede Granularität in seinen Prognosen berücksichtigen. Das bedeutet, dass wir bis zu den disaggregiertesten Granularitäten prognostizieren können, beispielsweise bis zum SKU oder sogar zur Prognose der Nachfrage pro Kunde pro SKU (wenn es sinnvoll ist), sowie bis hin 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 zu unterstützen sind, gibt es in der Regel auch mehrere Prognosegranularitäten.

Lokad geht jedoch über die bloße Anpassung der Granularität der Prognose hinaus (d. h. die Auswahl eines bestimmten Levels innerhalb einer gegebenen Hierarchie). Wir passen die gesamte prognostische Perspektive an, um die anstehende Aufgabe besser widerzuspiegeln. Zum Beispiel könnte es für einen B2B-Händler sinnvoll sein, die Kundenabwanderung vorherzusagen, da der Lagerbestand des Kunden (der eine konstante Nachfrage nach einem bestimmten SKU bedient) über Nacht zu einem toten Lagerbestand werden könnte. Dies könnte passieren, wenn die gesamte (oder die meisten) Nachfrage von einem großen Kunden kam, der plötzlich abgesprungen ist. Lokad ist in der Lage, die Wahrscheinlichkeiten der Abwanderung neben der Nachfrage nach einem bestimmten SKU vorherzusagen. Anschließend können wir die beiden Prognosen bei Bedarf kombinieren, um die relevanten Lagerentscheidungen zu optimieren.

1.14 Können Sie quantitative Prognosen anhand von wöchentlichen Verkaufsdaten generieren?

Ja. Unsere Prognosefähigkeiten sind sehr flexibel. Wir können beispielsweise wöchentliche Verkaufsdaten anstelle von Rohtransaktionsdaten (unserer Präferenz) berücksichtigen.

Es ist erwähnenswert, dass das Umwandeln von Transaktionsdaten in eine wöchentliche Zeitreihe ein Verlustprozess ist, was bedeutet, dass kritisch nützliche Informationen im Prozess verloren gehen können. Einmal verloren, können diese Informationen nicht wiederhergestellt werden, unabhängig davon, wie ausgefeilt das Prognosemodell sein mag.

Stellen Sie sich zum Beispiel einen Baumarkt vor, der Lichtschalter verkauft. Dieser Händler beobachtet durchschnittlich 1 Einheit Nachfrage 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 wahrscheinlich 4 Einheiten im Lager einen anständigen Servicelevel bieten. Wenn jedoch der Großteil der Nachfrage von Kunden kommt, die typischerweise ein halbes Dutzend Einheiten auf einmal kaufen (wobei im Durchschnitt 1 Kunde pro Woche erscheint), dann entsprechen 4 Einheiten im Lager einem schlechten Servicelevel.

Dies zeigt das Problem mit willkürlicher Aggregation. Sobald Verkaufsdaten wöchentlich aggregiert wurden, geht beispielsweise der Unterschied zwischen den beiden oben beschriebenen Situationen verloren. Genau deshalb bevorzugt Lokad die Verarbeitung von Rohtransaktionsdaten, wann immer möglich.

1.15 Generieren Sie eine tägliche (oder stündliche) Prognose aus täglicher 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 - Tag der Woche, Woche des Monats, Woche des Jahres -, um die Prognosegenauigkeit zu verbessern. Durch die Plattform von Lokad ist es sehr einfach, jede gegebene Zyklik oder Quasi-Zyklik (z. B. Ostern, chinesisches Neujahr, Ramadan usw.) einzubeziehen (oder auszuschließen).

Die hierarchische Zerlegung, die die Zyklik des Wochentags von der Zyklik des Jahreswochs trennt, kann von Lokad verwendet werden oder auch nicht. Unsere Plattform kann jedoch beide Optionen unterstützen. Diese Überlegung (zu zerlegen oder nicht zu zerlegen) betrifft nicht nur die Zyklen, sondern ähnliche Überlegungen müssen 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 während des Tages (oder der Woche) basierend auf tatsächlichen Verkäufen vs. den erwarteten Verkäufen an?

Lokad aktualisiert seine Vorhersagemodelle täglich, um Fehler durch falsche Dateneingaben zu korrigieren und sicherzustellen, dass die Prognosen genau und aktuell sind. Dieser Ansatz bekämpft numerische Instabilitäten in älteren Technologien, indem stabile und präzise Modelle verwendet werden, 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 neue Charge historischer Daten erhalten. Für die Mehrheit unserer Kunden geschieht dies einmal täglich. 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 einem unproblematischen Vorgang, selbst bei sehr großen Lieferketten.

Andererseits leiden einige veraltete Prognosetechnologien unter numerischen Instabilitäten. Als Ergebnis könnten Lieferkettenpraktiker befürchten, dass ein System, das zu häufig aktualisiert wird, weil es in ihrer Erfahrung bedeutet, dass die Prognosen sich unberechenbar verhalten werden. Aus Lokads Perspektive ist ein Vorhersagemodell, das aufgrund des Eintreffens täglicher Dateninkremente unberechenbar „herumspringt“, tatsächlich ein fehlerhaftes Modell, das repariert werden muss. Das Verzögern der Aktualisierungen zur Milderung des Problems kann nicht als vernünftige Lösung betrachtet werden, da die Prognosegenauigkeit unnötig leidet, wenn die jüngsten Ereignisse nicht berücksichtigt werden.

Lokad löst dieses Problem, indem es Klassen von Vorhersagemodellen übernimmt, die von Grund auf korrekte Eigenschaften in Bezug auf numerische Stabilität haben. Differenzierbare Programmierung ist besonders effektiv bei der Entwicklung von Modellen, die sowohl sehr stabil als auch sehr genau sind.

Siehe Alles täglich erneuern für weitere Informationen zu diesem Punkt.

1.17 Wie etablieren Sie ein Vertrauensniveau, dass das tatsächliche Umsatzniveau in die Zukunft fortbestehen wird?

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

Wenn probabilistische Prognosen verwendet werden, wie von Lokad empfohlen, erhalten alle möglichen Zukunftsszenarien eine geschätzte Wahrscheinlichkeit. Im Gegenzug sind Vertrauensintervalle einfach aus einer probabilistischen Prognose zu erhalten. Die Vertrauensintervalle können verwendet werden, um ein „Vertrauensniveau“ entsprechend eines bestimmten Risikogrades festzulegen (z. B. schlechtestes 5%-Szenario vs. schlechtestes 1%-Szenario).

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 Prognose(genauigkeit) angehen. Wenn probabilistische Prognosen verfügbar sind, können die Lieferkettenentscheidungen (z. B. eine bestimmte Bestellung) plötzlich von einer risikobereinigten Optimierung profitieren. Mit anderen Worten kann die Entscheidung für alle möglichen Zukunftsszenarien und ihre jeweiligen Wahrscheinlichkeiten optimiert werden, und jede Entscheidung nach ihren finanziellen Auswirkungen bewertet werden.

Der Fachbegriff für diese „Optimierung unter Unsicherheit“ ist 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 eingestellt haben. Das Kombinieren mehrerer Prognosealgorithmen (auch „Meta-Modelle“ genannt) in einem Produktionsumfeld erzeugt in der Regel suboptimale Lieferkettenentscheidungen – genau aus diesem Grund empfehlen wir diesen Ansatz nicht.

Das Kombinieren mehrerer Prognosemodelle ist eine der einfachsten Möglichkeiten, um synthetische Ergebnisse zu verbessern, die in der Regel durch Backtesting erzielt werden. Allerdings ist dieses „Meta-Modell“ (das Produkt der Kombination mehrerer zugrunde liegender Prognosemodelle) in der Regel instabil, da es ständig von einem Modell zum anderen „springt“. Als Ergebnis sind Lieferkettenpraktiker häufig durch plötzliche Abweichungen oder „Meinungsänderungen“ des Meta-Modells verwirrt. Noch schlimmer ist, dass Meta-Modelle aufgrund ihrer Zusammensetzung aus mehreren Modellen grundsätzlich undurchsichtig sind. Selbst wenn die zugrunde liegenden Modelle einfach sind, ist das Meta-Modell, das aus ihrer Vermischung resultiert, es nicht.

Somit geht jede „zusätzliche Genauigkeit“, die durch den Einsatz von Meta-Modellen im Benchmark (d. h. „synthetische Ergebnisse“) erzielt wird, in der Produktion (d. h. realen Szenarien) aufgrund von Effekten zweiter Ordnung wie der erhöhten Instabilität und der erhöhten Undurchsichtigkeit der Prognosen unweigerlich 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 vermeiden „Meta-Modelle“ aufgrund ihrer Unterperformance und Undurchsichtigkeit in der realen Welt.

Lokads Supply Chain Scientists liefern jedem Kunden ein einzigartiges Vorhersagemodell anstelle einer Mischung 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 abgerückt 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 automatisch das beste Modell ausgewählt wird, wie es die Bedürfnisse erfordern. Ein solcher Ansatz ist technisch unkompliziert. Der Grund, warum Lokad diese Praxis vermeidet, sind 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-kompositen Gegenstücke.

Meta-Modelle spiegeln hauptsächlich veraltete Prognosetechnologien wider, bei denen eine Sammlung fehlerhafter Modelle zusammengefügt wird: Das erste Modell ist schlecht bei Saisonalität; das zweite Modell ist schlecht bei kurzen Zeitreihen; das dritte Modell ist schlecht bei unregelmäßigen Zeitreihen; usw. Das Erstellen eines Meta-Modells erweckt den Eindruck, dass das Modell seine konstitutiven Mängel abgeschwächt hat, jedoch treten die Mängel jedes Modells regelmäßig wieder auf, da die Modellauswahllogik selbst ihre eigenen Einschränkungen hat. Schlimmer noch, Meta-Modelle untergraben typischerweise das Vertrauen der Lieferkettenpraktiker, da dieses Design „von Natur aus undurchsichtig“ ist.

Aus diesem Grund ist der Ansatz von Lokad, 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 entworfen 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 Prognoseturniere durchführen, automatisch das beste Modell mit der besten Parametrisierung auswählen? Machen Sie das mit maschinellem Lernen?

Ja, Lokad kann dies tun, obwohl wir diesen Ansatz nicht empfehlen. Das Kombinieren von Modellen über maschinelles Lernen (um „Meta-Modelle“ zu erstellen) bringt in einem Produktionsumfeld keine Vorteile. Wir befürworten stattdessen einen Einzelmodellansatz.

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 Vermischung und/oder Auswahl der zugrunde liegenden Modelle wurde auch mit maschinellem Lernen durchgeführt – typischerweise mit Random Forests und Gradient Boosted Trees.

Allerdings führt der Meta-Modellansatz trotz Verbesserung der synthetischen Ergebnisse durch Benchmarking (typischerweise durch Backtesting durchgeführt) unweigerlich 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 Techniken des maschinellen Lernens für die Modellauswahl neigt auch dazu, dieses Verhalten zu verschärfen, indem die Übergänge noch unvorhersehbarer werden.

Daher empfehlen wir trotz der Unterstützung von Prognoseturnieren 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, das bei SKU-Ebene den ersten Platz belegt 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-/Geschäftselement granularere Informationen verwendet werden, während Rauschen und Überanpassung des Modells vermieden werden?

Lokad nutzt differentiable Programmierung, um die Prognosegenauigkeit zu verbessern, ein Ansatz, der es uns ermöglicht, Modelle an spezifische Datenstrukturen anzupassen und Überanpassung zu kontrollieren, indem die Modell-Expressivität gesteuert wird. Dieser Ansatz adressiert effektiv das „Gesetz der kleinen Zahlen“, indem er minimale (aber entscheidende) Expertenanleitung einbezieht, um die Dateneffizienz zu optimieren.

Die Probleme von Rauschen und Überanpassung sind die Hauptgründe, warum Lokad differentiable Programmierung in seiner Prognose verwendet. Durch differentiable Programmierung haben die Supply Chain Scientists von Lokad die volle Kontrolle über die Struktur des Modells. Differentiable Programmierung ermöglicht es ihnen, ein Modell zu entwerfen, das die Eingabedaten (einschließlich ihrer Beziehungsstruktur) vertritt. Darüber hinaus ermöglicht es ihnen, die Expressivität des Modells einzuschränken, um die Überanpassung unter Kontrolle zu halten.

Differentiable Programmierung war für Lokad ein Durchbruch, um mit dem „Gesetz der kleinen Zahlen“ umzugehen, das die Lieferketten regiert – d.h., Prognosen müssen immer auf der Ebene/Granularität erfolgen, die die Lieferkettenentscheidungen von Interesse widerspiegelt, wie z.B. „nach SKU nach Tag“. Allerdings sehen sich Prognosemodelle in Situationen konfrontiert, in denen die Anzahl relevanter Datenpunkte als einstellige Zahlen gezählt werden.

Der Durchbruch der differentiable Programmierung besteht darin, dass ein Supply Chain Scientist (in der Regel bei Lokad beschäftigt, aber möglicherweise auch bei der Kundenfirma) einige hochrangige Vorwissensinformationen 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 bei „Expertensystemen“ der 1980er Jahre erfordert differentiable Programmierung nur sehr begrenzte Anleitung von einem menschlichen Experten – doch diese begrenzte Anleitung kann den entscheidenden Unterschied in Bezug auf 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 beliebigen gewünschten Ebenen.

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 gewährleistet Lokads Plattform eine Echtzeitdarstellung dieser Berichte, 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 setzt jedoch implizit voraus, dass wir über Punkt-Zeitreihenprognosen sprechen (auch klassische Nachfrageprognosen genannt). Während Lokads Plattform Punkt-Zeitreihenprognosen unterstützt, sind diese Prognosen jetzt aus zwei Gründen veraltet.

Erstens stellen Punktprognosen einen zukünftigen Wert dar, als ob es DER zukünftige Wert wäre (d.h. genau das, was passieren wird). In dieser Hinsicht behandelt es die Zukunft als das Symmetrische der Vergangenheit. Die Unsicherheit der Zukunft ist jedoch unvermeidlich, und die Zukunft, aus der Sicht einer Supply Chain-Perspektive und nicht aus einer physikalischen Perspektive, 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 jedem eine Wahrscheinlichkeit zuweist. In Bezug auf das Risikomanagement bietet dies eine viel robustere Verteidigung gegen die unvermeidliche Unsicherheit der Zukunft.

Allerdings können probabilistische Prognosen auf verschiedenen Ebenen ausgedrückt werden (z.B. Lager, Geschäft, Produkt usw.), sie sind jedoch nicht additiv, zumindest nicht im üblichen Sinne. Daher bietet Lokads Plattform zwar alle relevanten Datenvisualisierungsmöglichkeiten für unsere Prognosen, diese Möglichkeiten entsprechen jedoch in der Regel nicht den Erwartungen von Supply Chain-Praktikern (zumindest nicht denen, die keine vorherige Erfahrung mit probabilistischer Prognose haben).

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

Allgemeiner gesagt sind Zeitreihenprognosen schön für Visualisierungszwecke. In der Regel wird das zugrunde liegende Prognosemodell bei Lokad jedoch nicht eines auf Zeitreihenbasis sein - selbst wenn die endgültigen Daten aus Gründen der Bequemlichkeit als Zeitreihe visualisiert werden.

2.2 Welche Art von Prognoseeinblicken sollten von den Experten gegenüber dem System/Maschine behandelt werden?

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

Da Lokad moderne predictive Technologie - 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, indem er korrigierende Einblicke für alle Randfälle bereitstellt, die die Modelle präsentierten. Leider erwiesen sich solche veralteten Ansätze immer als zu mühsam für Experten, um sie im Laufe der Zeit aufrechtzuerhalten. Als Ergebnis verloren die Unternehmen, die sie nutzten, in der Regel ihre Experten und mussten dann wieder auf die Verwendung von Tabellenkalkulationen zurückgreifen.

Im Gegensatz dazu kann die hochrangige Struktur des Vorhersagemodells prägnant ausgedrückt werden, normalerweise 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 Vorhersageherausforderung. In der Zwischenzeit bleiben die Prozesse, die für das “Lernen” der Parameter des Modells zuständig sind, vollständig automatisiert. Dies geschieht durch die Nutzung der Eingabedaten (typischerweise der historischen Daten) plus einiger anderer Datenquellen (z.B. bevorstehende Marketingkampagnen).

2.3 Können die Prognosen manuell angepasst/überschrieben werden?

Kurzfassung: Ja. Obwohl die Plattform von Lokad manuelle Anpassungen an Prognosen unterstützt, ist dies nicht erforderlich, da die probabilistischen Prognosen selbst so konzipiert sind, dass sie Risiken und Unsicherheiten berücksichtigen - typischerweise die treibenden Prinzipien hinter manuellen Überschreibungen.

Die Plattform von Lokad bietet umfangreiche programmatische Möglichkeiten, daher ist es einfach, Bearbeitungsfunktionen für jeden Prognoseprozess zu unterstützen. Die Notwendigkeit einer manuellen Anpassung von Prognosen spiegelt jedoch hauptsächlich die Einschränkungen veralteter Prognosetechnologien wider. Der Einsatz fortschrittlicher probabilistischer Prognosen von Lokad eliminiert weitgehend die Notwendigkeit für Mikromanagement der Prognosen. Tatsächlich verschwand bei Lokad die Notwendigkeit für ein solches Mikromanagement vor einem Jahrzehnt effektiv.

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 einem statistischen Sinne genauer wird, sondern erwartet, dass die Entscheidungen, die sich aus der angepassten Prognose ergeben, weniger riskant sind (d.h. weniger kostspielig für das Unternehmen). Mit probabilistischen Prognosen sind die Supply Chain-Entscheidungen (generiert von Lokad) jedoch bereits risikoadjustiert. Daher macht es keinen Sinn, die probabilistische Prognose zu steuern, um Entscheidungen zu entrisikieren, da die Entscheidungen von Natur aus darauf ausgelegt sind, risikoadjustiert 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 umarmen und zu quantifizieren. Somit spiegeln die probabilistischen Prognosen bereits die Bereiche hoher Unsicherheit wider, und risikoadjustierte 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 nichts mit der Genauigkeit zu tun haben, 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 es erforderlich ist.

Lokads Plattform ist programmatisch, etwas, das in unserer Technologie als Erstklassbürger gilt und über Envision geliefert wird - die von Lokad für die prädiktive Optimierung von Lieferketten entwickelte DSL (domänenspezifische Programmiersprache). Über Envision können alle Mainstream-Prognosealgorithmen (und deren Varianten) neu implementiert werden. Darüber hinaus unterstützt Envision auch einige noch nicht Mainstream-Prognosealgorithmen, einschließlich wettbewerbsgewinnender 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 Perspektive ist es normal, auf maßgeschneiderte Algorithmen zurückzugreifen, um unseren Service zu nutzen. Die Lokad-Plattform bietet eine sichere, zuverlässige und skalierbare Ausführungsumgebung zur Unterstützung solcher Algorithmen. Die Implementierung der Algorithmen (normalerweise als “numerische Rezepte” bezeichnet) wird in der Regel von Lokads Supply Chain Scientists durchgeführt. Wenn das Kundenunternehmen jedoch über interne Talente für Datenwissenschaft verfügt, können diese Mitarbeiter die Lokad-Plattform auch zu diesem Zweck nutzen.

Darüber hinaus bietet Lokads Plattform eine vollständige IDE (integrierte Entwicklungsumgebung) zur Erstellung solcher benutzerdefinierten Algorithmen. Diese Fähigkeit 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 erachtet wird (und in der Regel überlegen gegenüber der vorherigen Iteration ist), innerhalb von Minuten in die Produktion überführt werden. In diesem Zusammenhang bietet Lokads Plattform umfassende “by design”-Garantien, um ganze Klassen von Problemen vollständig zu beseitigen, wenn Algorithmen vom Prototypenstatus in den Produktionsstatus überführt werden.

Siehe No1 auf SKU-Ebene im M5-Prognosewettbewerb für weitere Informationen zu Lokads Prognosetechniken.

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 Interessengruppen im Unternehmen erklären kann?

Lokads Plattform nutzt eine flexible domänenspezifische Programmiersprache (Envision), die es uns ermöglicht, intuitive Dashboards zu erstellen, um die wichtigsten Kennzahlen und Entscheidungen für den Kunden zu demonstrieren. Diese Dashboards werden in Zusammenarbeit mit den Kunden so erstellt, dass sie schnell und bequem verstanden werden können. Für kompliziertere Punkte sind Lokads Supply Chain Scientists 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 Datenwissenschaftseinblicke 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 (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 zu verteidigen und zu erklären, die vom numerischen Rezept generiert werden.

Somit hat jede Situation, auch wenn sie sich von einem Kundenunternehmen zum nächsten unterscheidet, einen menschlichen Copiloten (den Supply Chain Scientist). 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 das “White-Boxing” der numerischen Rezepte, d.h. die Ergebnisse für die Anteilseigner zugänglich und verständlich zu machen.

Um diesen Prozess zu unterstützen, verwenden unsere Supply Chain Scientists Tools wie Backtesting, um ihre Analyse zu unterstützen und zu demonstrieren. Sie treffen jedoch informierte Entscheidungen über die Annahmen, 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 Situation in der Lieferkette des Kunden (sowie durch 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 jeder Ebene liefern. Dies ist auf die umfangreichen programmatischen Fähigkeiten unseres probabilistischen Modellierungsansatzes 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, wenn Stücklisten vorhanden sind, prognostizieren wir nicht nur die Nachfrage nach den inneren Artikeln, sondern optimieren auch die Entscheidungen in der Lieferkette, um widerzuspiegeln, dass unterschiedliche Baugruppen intern um die gleichen inneren Teile konkurrieren. Das heißt, Situationen, in denen sich die jeweiligen Stücklisten überschneiden. Diese Optimierung kann dazu führen, dass die “einsame” Teile nicht verkauft werden, 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 angemessenen Meta-Parameterwerts gewidmet ist. Auf jeden Fall kann der Algorithmus (auch “numerisches Rezept” genannt) unbeaufsichtigt ausgeführt werden.

Lokad verwendet wesentlich weniger Meta-Parameter im Vergleich zu den meisten anderen konkurrierenden Lösungen. Dies liegt daran, dass differentiable programming, Lokads Präferenz in dieser Hinsicht, ein allgemeines Parameteranpassungsparadigma ist. Wenn also 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, nur “reguläre Parameter”, die keine spezielle Aufmerksamkeit erfordern. Als Faustregel haben die meisten Vorhersagemodelle, die von Lokad in der Produktion betrieben werden, sehr wenige Meta-Parameter (weniger als 10). Unsere Kunden müssen diese Zahlen in der Regel jedoch nie 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 Einbeziehung einer erklärenden Variable gegeben. Noch besser, der Kausalmechanismus wird im Modell reifiziert; 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-Praktikern überprüft und untersucht werden kann.

Wenn beispielsweise der Einzelhandelspreis als kausale Variable verwendet wird, kann die genaue Nachfrageantwort auf Preisschwankungen dargestellt und untersucht werden. Dieses Ergebnis kann an sich von großem Interesse für das Unternehmen sein. Wenn das Unternehmen zufällig ein Einzelhandelsnetzwerk ist, kann dies verwendet werden, um Liquidationsveranstaltungen in den Geschäften zu lenken, die am stärksten auf die Rabatte reagieren. Dies kann das Gesamtvolumen der Rabatte minimieren, die benötigt 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 routinemäßig mit Prognosemodellen, was die Entwicklung neuer Algorithmen und die weitere Anpassung älterer Algorithmen ermöglicht. Dies ist möglich, weil die Plattform von Lokad programmatisch ist und über eine flexible DSL (domänenspezifische Programmiersprache) namens Envision verfügt, die explizit für die predictive 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 der beabsichtigte Weg, Lokads Lösung von Anfang an zu nutzen. Dieser Ansatz liefert nicht nur überlegene Ergebnisse in Bezug auf die Prognosegenauigkeit, sondern auch Ergebnisse, die sich als viel mehr “produktionsreif” erweisen als alternative “verpackte” Ansätze.

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

2.10 Ist es möglich, die Feature-Engineering, das den Prognosen zugrunde liegt, zu iterieren und zu verfeinern?

Ja.

Die Supply Chain Scientists von Lokad 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 (domänenspezifische Programmiersprache) namens Envision verfügt, die explizit für die predictive 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 wird anstelle der Änderung des Merkmals, um besser zum Modell zu passen, das Modell geändert, um besser zum Merkmal zu passen. Differentiable programming, Lokads bevorzugter Ansatz für die Vorhersagemodellierung, unterstützt sowohl das Feature-Engineering als auch das Architektur-Engineering. Letzteres ist jedoch in den meisten Situationen in der Regel besser geeignet.

Siehe auch Prognosemanagement und Anpassung 2.9 in diesem FAQ.

3. Prognosegenauigkeit und Leistungsmessung

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

Die Prognosegenauigkeit muss in Dollar oder Euro (oder der gewünschten Währung des Kunden) gemessen werden. Dies bezieht sich auf den Return on Investment (ROI) der auf der Grundlage der Prognose getroffenen Entscheidungen. 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 supply-chain-spezifischer Sicht sind sie im Grunde genommen sowohl blind als auch irreführend. Die Feinheiten dieses Arguments finden sich in Lokads öffentlicher Vorlesung über Experimentelle Optimierung.

Diese Metriken sollten daher nicht an die breitere Organisation kommuniziert werden, da dies nur Verwirrung und Frustration erzeugen wird. Im Gegenteil, es ist in der Regel einfach, die Prognose genauer zu machen - im statistischen Sinne -, während die wahrgenommene Servicequalität für die Kunden beeinträchtigt wird und die Betriebskosten für die Lieferanten steigen (die sich durch Preiserhöhungen rächen).

Prognosemetriken sind nur dann wichtig, wenn sie die Generierung besserer Entscheidungen in der Lieferkette unterstützen. Was Lokad betrifft, sind die Erzeugung der finanziell sinnvollsten Nachbestellmengen, Produktionsmengen, Versandmengen, Preise usw. die Details, auf die es ankommt. Alles andere, einschließlich der Prognosefehler isoliert betrachtet, ist tangentiel zum Kerngeschäftsinteresse, 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. Die Herausforderung besteht jedoch darin, dass die meisten Unternehmen die ‘Nachfrage’ prognostizieren möchten, nicht die Verkäufe. Die historischen Verkaufsdaten sind jedoch ein unvollkommener Proxy für die historische Nachfrage. Lagerbestände und Promotionen (und möglicherweise auch die Maßnahmen der Wettbewerber) verzerren die historischen Verkäufe.

Daher besteht die Herausforderung darin, die ursprüngliche ‘Nachfrage’ festzustellen, während die historischen Daten nur die historischen Verkäufe widerspiegeln. Zu diesem Zweck setzt Lokad verschiedene Techniken ein. Tatsächlich variiert die Art der Verzerrung zwischen den (beobachteten) Verkäufen und der (verborgenen) Nachfrage je nach Art des betrachteten Unternehmens erheblich. Kannibalisierungen und Substitutionen komplizieren die Situation weiter.

Die meisten Techniken von Lokad verwerfen Zeitreihenmodelle, die aus Designgründen nicht die erforderlichen Informationen erfassen können. Tatsächlich werden die Verkaufsdaten die meiste Zeit mit zusätzlichen Informationen ‘angereichert’ (wie Lagerausverkäufen), die genutzt werden können, um ein besseres Modell der verborgenen Nachfrage zu erhalten. Diese zusätzlichen Informationen passen jedoch selten in das (vereinfachte) Zeitreihenparadigma. Die angebliche Raffinesse von Zeitreihenmodellen ist irrelevant, wenn die erforderlichen Daten außerhalb ihres Betriebsparadigmas vorhanden sind (d. h. nicht erfasst oder von ihnen ausgedrückt werden können).

Siehe Strukturierte Vorhersagemodellierung für die Lieferkette für weitere Informationen zu diesem Punkt.

3.3 Bieten Sie Berichte zur Prognosegenauigkeit an? Geben Sie einen Ausblick auf den prognostizierten Prognosefehler?

Executive Summary: Ja. Zur Vereinfachung kann die Plattform von Lokad ihre probabilistischen Prognosen (und somit den Fehler) in einem intuitiven Grafikformat ausdrücken. Dies erfolgt in Form eines traditionellen Zeitreihengrafen, in dem der Prognosefehler (“Unsicherheit”) mit dem Zeitverlauf zunimmt. Dieser Schrotflinteneffektgraf hilft dabei zu visualisieren, wie sich der Bereich der potenziellen Werte (z. B. Nachfrage) erweitert, 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 “Schrotflinteneffekt”, bei dem der erwartete Prognosefehler mit dem Prognosehorizont stetig zunimmt. Diese Berichte sind vom Kundenunternehmen innerhalb der Lokad-Plattform abrufbar.

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

Bei klassischen Prognosen (auch deterministische Prognosen genannt, im Gegensatz zu probabilistischen Prognosen) führt fast jede Instanz von Prognoseungenauigkeit zu kostspieligen, schlechten Entscheidungen für den Kunden. Deshalb sind Unternehmen so entschlossen, ihre Prognosen zu “reparieren”. Doch fünf Jahrzehnte nach der Einführung moderner statistischer Zeitreihenprognosetechniken sind Unternehmen noch lange nicht in der Nähe von “genauen” Prognosen. Bei Lokad glauben wir nicht, dass eine “super-genau” Prognosetechnik kurz bevorsteht. Wir glauben, dass die Unsicherheit der Zukunft in hohem Maße unvermeidlich ist. Wenn jedoch probabilistische Prognosen mit risikobereinigten Entscheidungen kombiniert werden, werden die negativen Auswirkungen der hohen Unsicherheit weitgehend gemildert.

Als Ergebnis verliert die Prognosegenauigkeit das Interesse aller außer der technischen Experten, die sich mit dem Vorhersagemodell selbst befassen. Die Einsätze sind einfach nicht mehr hoch genug, damit sich der Rest der Organisation darum kümmert.

3.4 Was ist der erwartete Prozentsatz automatisierter und genauer Prognosen?

100%, wenn wir “genau” als gut genug definieren, um fundierte Supply-Chain-Entscheidungen zu treffen. Das bedeutet nicht, dass jede Prognose präzise ist. Im Gegenteil, durch probabilistische Prognosen akzeptiert Lokad die unvermeidliche Unsicherheit der Zukunft. Häufig ist die Unsicherheit groß, und folglich sind die probabilistischen Prognosen sehr weit gestreut. Daher sind die risikobereinigten Entscheidungen, die auf diesen Prognosen basieren, 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. Unser Zeitplan für die Behebung dieser Art von Problemen liegt in der Regel in der Mitte der Einarbeitungsphase.

Andererseits verursachen klassische Prognosen (auch als ‘deterministische’ Prognosen bezeichnet) unweigerlich Chaos, wenn sie ungenau sind, da auf diesen Prognosen basierend verrückte nachgelagerte Versorgungsentscheidungen 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 zunächst 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.

Die Plattform von Lokad 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. kundenspezifische Variationen dieser Metriken, die vom Kundenunternehmen 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, wenn neue Prognosen generiert werden. Wir können auch Metriken neu generieren, indem wir die historischen Daten “abspielen” (d. h. Backtesting), wenn das Kundenunternehmen 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 in Verbindung mit zukünftigen Werten (wie Nachfrage oder Vorlaufzeiten) umzugehen. Sie zielen darauf ab, einen einzigen möglichen zukünftigen Wert zu identifizieren, anstatt alle wahrscheinlichen zukünftigen Werte und deren Wahrscheinlichkeiten. Aus diesem Grund verwendet Lokad probabilistische Prognosen, einen Ansatz, der die Unsicherheit quantifiziert, die Zeitreihenprognosen ignorieren.

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

Ja.

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

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

Daher werden “Szenarien” bei 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 mehr mit dem, was Praktiker als ‘Supply Chain Design’ bezeichnen würden, wie die Modifizierung der Topologie des Netzwerks, die Kapazität des Netzwerks, den Standort der Lieferanten usw.

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

Ja. Lokad verfolgt Vorhersagefehler mit vielen Metriken, einschließlich der Horizont-/Verzögerungsdimension. Lokad verfolgt die Vorhersagegenauigkeit für alle Prognosen, einschließlich Nachfrage, Vorlaufzeit, Retouren usw.

Die Qualität aller Vorhersagemodelle ist horizontabhängig. In der Regel nimmt die Unsicherheit mit zunehmendem Vorhersagezeitraum zu. Die Plattform von Lokad wurde so konzipiert, dass es einfach ist, eine Vielzahl von Metriken unter Berücksichtigung des jeweiligen Horizonts/Verzögerungs zu verfolgen. Dieses Prinzip wird nicht nur auf Nachfrageprognosen angewendet, sondern auf alle Prognosen, einschließlich Vorlaufzeitprognosen, Retourenprognosen usw.

Außerdem muss darauf hingewiesen werden, dass probabilistische Prognosen eine direkte quantitative Bewertung der Unsicherheit liefern, die mit dem Horizont zunimmt. 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, Prognosen auf einer bestimmten Granularität zu verfeinern, um einen Fehler oder eine Verzerrung zu minimieren, der auf einer anderen Granularität auftritt.

Allgemeiner gesagt, auf der Validierungsseite können die historischen Prognosen auf der Lokad-Plattform programmgesteuert in jeder vom Kundenunternehmen für angemessen erachteten Weise neu aggregiert werden. 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 vom Kundenunternehmen als bevorzugt angesehen wird.

4. Datenmanagement und -bereinigung

4.1 Identifizieren Sie Datenfehler automatisch?

Ja. Die Supply Chain Scientists von Lokad erstellen akribisch “Datenqualitäts”-Dashboards für jedes Projekt des Kunden. Diese Datenqualitäts-Dashboards sind so konzipiert, dass sie automatisch etwaige Datenprobleme identifizieren. Darüber hinaus identifizieren diese Dashboards die Kritikalität der Probleme und die Zuständigkeit für die Probleme.

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

Die Zuständigkeit 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 des Kundenunternehmens stammen. Beispielsweise ist abgeschnittene historische Daten sehr wahrscheinlich ein Problem für die IT-Abteilung, während negative Bruttomargen (d. h. der Verkaufspreis liegt unter dem Einkaufspreis) entweder zu Beschaffung oder Vertrieb gehören.

Die Identifizierung nicht trivialer Datenfehler ist ein Problem der allgemeinen Intelligenz, das ein tiefgreifendes Verständnis der relevanten Supply Chain erfordert. Daher kann dieser Prozess (noch) nicht automatisiert werden; er geht derzeit über das hinaus, was Softwaretechnologien liefern 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.

Siehe Datenqualität in Die Datenextraktionspipeline für weitere Informationen zur Datenqualität.

4.2 Reinigen Sie historische Daten automatisch?

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

Lokad bereinigt historische Daten selten; zumindest nicht im üblichen Sinne. Es gibt ziemlich viele veraltete Technologien, die eine umfangreiche Vorbereitung (“Reinigung”) der historischen Daten erfordern, um zu funktionieren. Beispielsweise erwarteten alte Zeitreihensysteme typischerweise, dass Nachfragerückgänge (Lagerausverkäufe) und Nachfragespitzen (Promotions) korrigiert werden, um die Prognosen vernünftig zu halten.

Dies spiegelt die Grenzen des Zeitreihenansatzes wider. Als Ergebnis müssen die historischen Daten umfassend vorbereitet werden, um sie für ein fehlerhaftes System (Zeitreihen) zugänglicher zu machen. Die Bezeichnung dieses Prozesses als “Datenbereinigung” ist irreführend, da der Eindruck entsteht, dass das Problem bei den historischen Daten liegt, während die eigentliche Ursache im fehlerhaften Design des Systems liegt, das die historischen Daten verarbeitet.

Im Gegensatz dazu geht Lokads prädiktive Modellierungstechnologie weit über den Zeitreihenansatz hinaus. Durch differentiable Programmierung können wir jede Art von relationalen Daten verarbeiten, anstatt auf einer “Zeitreihe” festzustecken. Das bedeutet, dass alle kausalen Faktoren (z. B. Preise, Bestände, Ereignisse usw.), die entweder der Nachfrage oder der Vorlaufzeit zugrunde liegen, explizit in das Modell einbezogen werden. Kausale Integration ist der Datenbereinigung weit überlegen - wenn anwendbar -, da die bereinigten Daten irreal sind (niemand wird jemals sicher wissen, welchen Nachfragewert es gegeben hätte, wenn der Lagerausverkauf nicht stattgefunden hätte).

Gelegentlich erfordern die Geschäftsdaten (historisch oder nicht) Korrekturen. Lokad versucht, diese Korrekturen automatisch zu liefern, wenn immer möglich, möglicherweise unter Verwendung von maschinellem Lernen, abhängig vom Szenario. Beispielsweise kann die mechanische Kompatibilitätsmatrix zwischen Autos und Teilen mit einer halbüberwachten Lernmethode automatisch verbessert werden (siehe Preisoptimierung für den Automobil-Ersatzteilmarkt).

4.3 Lassen Sie 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 Daten manuell bereinigen.

Andere Softwarelösungen zwingen ihre Endbenutzer zu zahlreichen manuellen Aufgaben. 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 des Daten-Pipelines verantwortlich. Die Daten müssen vorbereitet werden, aber vor allem müssen prädiktive Modelle entwickelt werden, um die Daten so anzupassen, wie sie derzeit existieren. Der Supply Chain Scientist führt die Instrumente (z.B. dedizierte Dashboards) ein, um die Rohdaten und die vorbereiteten Daten zu überwachen und sicherzustellen, dass die von Lokad generierten Supply Chain-Entscheidungen fundiert sind.

Viele alternative Lösungen betrachten das Problem nur durch die Brille der Datenbereitung, bei der jegliche 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). Somit können wir bei falschen Ausgaben (d.h. schlechten Supply Chain-Entscheidungen) entweder die Eingaben oder die Modelle (oder beides) korrigieren.

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

Siehe auch Datenmanagement und Bereinigung 4.2 in diesem FAQ.

Siehe auch Die Datenextraktionspipeline für weitere Informationen über den automatischen Datentransfer zwischen Kunden und Lokad.

4.5 Verwalten und pflegen Sie Stammdaten (zur Unterstützung der Prognosebemühungen)?

Ja, wenn es vom Kundenunternehmen angefordert 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 Stammdatenverwaltungssystem getrennt werden.

Als Faustregel empfehlen wir, um Vendor-Lock-in zu vermeiden, alle umfassenden Unternehmenssoftwaretools zu vermeiden. Die Designanforderungen für das Stammdatenmanagement sind völlig anders als die für die prädiktive Analytik. Lokads Plattform mag ein anständiger Stammdatenmanager sein, aber niemals ein großartiger (unser Design stützt sich zu stark auf prädiktive Analytik), und umgekehrt sind die meisten Stammdatenmanager absolut ungeeignet für die Analytik.

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-Tabellen. Unsere Plattform ist auch in der Lage, Daten 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), die auf unterschiedlichen Granularitätsebenen von den beabsichtigten Ausgabeprognosen (z.B. SKU x Standort) liegen, zu nutzen.

4.7 Archivieren Sie historische Nachfrage- und Prognosedaten, 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 die mit groß angelegten Archivierungsstrategien verbundenen Datenspeicherüberhänge zu begrenzen. Wir haben auch ein Gesamtdesign übernommen, das sicherstellt, dass die archivierten Daten, selbst in großen Mengen, den täglichen Betrieb der Plattform nicht beeinträchtigen (z.B. Berechnungen und Dashboard-Anzeigen werden nicht durch archivierte Daten verlangsamt).

Die Konstruktion der Lokad-Plattform unterscheidet sich erheblich von alternativen Lösungen, die schwerwiegend bestraft werden, entweder in Kosten oder in Leistung (oder beides), 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/Überschreibungen, um die Auswirkungen von Anpassungen auf Nachfragemetriken zu analysieren?

Ja, Lokad archiviert alle manuellen Eingaben, einschließlich manueller Datei-Uploads von Excel-Tabellen. Wenn manuelle Eingaben verwendet werden, um Vorhersagemodelle zu ändern (“Überschreibungen”, in der Regel mit dem Ziel, Modelle/Prognosen zu verfeinern), verwenden wir diese Archive, um die Verbesserung (oder Verschlechterung) in Bezug auf die prognostische Genauigkeit zu quantifizieren. Diese Arbeit wird normalerweise von den Supply Chain Scientists von Lokad durchgeführt.

Lokads Plattform verfügt über vollständige Versionierungsfunktionen sowohl für die Daten als auch für den Code/Scripts. Dies ist entscheidend, da wir sicherstellen müssen, dass bei Backtests die “regulären” Geschäftsdaten (typischerweise die historischen Daten, die aus den Geschäftssystemen stammen) zusammen mit den manuellen Eingaben genau die gleichen sind wie zum Zeitpunkt, als die manuellen Eingaben ursprünglich bereitgestellt wurden.

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. Ebenso könnte der prognostische Code, den Lokad verwendet, sich seit dem Zeitpunkt, als die manuelle Eingabe bereitgestellt wurde, weiterentwickelt haben. Tatsächlich könnte die manuelle Eingabe bereitgestellt worden sein, um mit einem Fehler im prognostischen Code umzugehen, der seitdem behoben wurde.

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

5. Produktklassifizierung und Clustering

5.1 Identifizieren Sie langsam bewegende Artikel und unregelmäßige Nachfragemuster?

Executive Summary: Ja, Lokads prognostische Technologie bietet eine sehr gründliche quantitative Charakterisierung aller relevanten SKUs.

Insbesondere ist Lokads probabilistischer Prognoseansatz gut geeignet, um intermittierende und unregelmäßige Nachfragemuster anzugehen. 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 führt so einen Lagerbestandsausfall auf SKU-Ebene ein.

Differentiable Programming, Lokads maschinelles Lernparadigma, ist ideal, um mit dem ‘Gesetz der kleinen Zahlen’ umzugehen, das die meisten Supply-Chain-Situationen charakterisiert. Langsam bewegende Artikel kommen von Natur aus mit sehr begrenzten Datenpunkten. Ebenso sind Spitzen in unregelmäßiger Nachfrage auch von Natur aus selten. Daher ist die Dateneffizienz des Prognosemodells von entscheidender Bedeutung. In dieser Hinsicht ist Differentiable Programming anderen Alternativen überlegen, da es die Möglichkeit bietet, hochrangige Erkenntnisse widerzuspiegeln, die durch die Struktur des Modells selbst bereitgestellt werden.

Alternative Lösungen scheitern in der Regel in Gegenwart von langsam bewegenden Artikeln und unregelmäßigen Nachfragemustern. Klassische Prognosen (d.h. nicht-probabilistische Prognosen) können langsam bewegende Artikel nicht ohne Rückgriff auf eine Bruchnachfrage, die nicht “real” ist, bewältigen. Diese Bruchnachfrage (z.B. 0,5 Einheiten), obwohl “mathematisch” korrekt, ist kein praktikabler Weg, um sinnvolle Supply-Chain-Entscheidungen zu treffen, da man natürlich ganze Einheiten bestellen muss.

Ebenso können klassische Prognosen die “Unregelmäßigkeit” der Nachfrage nicht mathematisch 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 Massenkäufe, zu vermitteln. Sie würde nur eine durchschnittliche Nachfrage von 1 Buch pro Tag vorhersagen und damit 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 bewegende oder veraltete Lagerbestände und geben Empfehlungen für “behalten oder verkaufen”?

Ja. Lokad identifiziert langsam bewegende Lagerbestände mithilfe probabilistischer Prognosen und ermöglicht frühzeitige, risikobereinigte Entscheidungen zur Minderung von Überbeständen und Risiken durch veraltete Bestände. Empfehlungen gehen über “behalten oder verkaufen” hinaus und umfassen Rabatte, Umlagerungen und Anpassungen, um Kannibalisierung zu vermeiden.

Die Identifizierung von langsam bewegenden oder veralteten SKUs (nachfragebedingt) erfolgt mit probabilistischen Nachfrageprognosen. Probabilistische Prognosen sind hervorragend geeignet, um Risiken zu identifizieren und zu bewerten, einschließlich Risiken von Überbeständen und veralteten Lagerbeständen. Dies ermöglicht es uns, risikobereinigte Entscheidungen zu treffen, wenn sie mit unseren stochastischen Optimierungsfähigkeiten kombiniert werden. Somit werden Inventarrisiken 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 problematisch werden.

Schließlich ist Lokad nicht auf bloße “behalten oder verkaufen”-Empfehlungen beschränkt. Wir können Kunden Empfehlungen bieten, die das gesamte Spektrum der verfügbaren Optionen widerspiegeln. Zum Beispiel kann Lokad Rabatte oder Aktionen 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 eine andere Produktplatzierung zu pausieren oder herabzustufen, die versehentlich die Nachfrage nach einem anderen SKU kannibalisiert.

Kurz gesagt, Lokads Supply Chain Scientists sind dafür da, sicherzustellen, dass kein Stein umgedreht wird, bevor erklärt wird, dass ein Bestand “tot” ist.

Siehe auch Produktklassifizierung und Clustering 5.1 in diesem FAQ.

5.3 Ermöglichen Sie es Benutzern, hierarchische Produktdaten-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 adressieren. Beispiele sind Workflows entlang der bestehenden Produkt-Hierarchien des Kunden.

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

Lokads Plattform bietet umfangreiche Möglichkeiten, die Daten entlang aller relevanten Dimensionen zu visualisieren: Produkt-Hierarchien, Regionen, Zeitrahmen/Verzögerungen, Lieferanten, Kundentypen usw. Diese Fähigkeiten sind entscheidend, um sowohl Mängel als auch Bereiche für weitere Verbesserungen zu identifizieren. Die Nutzung dieser Fähigkeiten für einen “Workflow” ist jedoch in der Regel fehlgeleitet (obwohl dies für Lokad einfach ist). Vielmehr empfehlen wir, die zugrunde liegenden numerischen Rezepte (Code), die von Lokad betrieben werden, direkt zu modifizieren, um die Notwendigkeit zu beseitigen, dass Supply-Chain-Praktiker die Workflows überhaupt verwalten.

Viele alternative Lösungen verfügen nicht über programmatische Fähigkeiten. Wenn also ein Mangel identifiziert wird, gibt es in der Regel keine Optionen, als entweder auf die nächste Version der Software zu warten (möglicherweise Jahre in der Zukunft) oder sich für eine Anpassung zu entscheiden - ein Weg, der in der Regel Schwierigkeiten bedeutet, da das Kundenunternehmen mit einem nicht gewarteten Softwareprodukt endet.

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

Ja.

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

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

In diesem Zusammenhang kann Lokads Plattform auch Beziehungen zwischen hierarchisch zusammenhängenden Elementen für prädiktive oder Optimierungszwecke nutzen. Insbesondere

Lokads Plattform 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 verbindet. Diese relationale Perspektive durchdringt unsere Werkzeuge, einschließlich unserer Machine-Learning-Tools. Dieser Aspekt ist entscheidend, um verfügbare Beziehungen über bloße Anzeigezwecke hinaus zu nutzen.

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

Executive Summary: Lokad kann flexible ABC- und ABC-XYZ-Produktklassifizierungen anbieten, die sich an Variationen und Ausschlüsse 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 risikobereinigten Entscheidungen führen, anstatt sich auf vereinfachte Kategorisierungswerkzeuge zu verlassen.

Lokads Plattform unterstützt alle gängigen Klassifikationsschemata, einschließlich ABC und ABC XYZ-Analyse, usw. Da Lokads Plattform programmatisch ist, ist es auch einfach, alle subtilen Variationen zu berücksichtigen, die existieren, während solche Klassen sorgfältig definiert werden (z. B. subtile Ausschlussregeln). Produktklassifizierungen (wie die oben genannten) sind jedoch ein technologisch veralteter Ansatz für Supply-Chain-Probleme und -Optimierung.

Einige Anbieter von Supply-Chain-Software, insbesondere solche mit veralteten Technologien, präsentieren stolz ABC-Analysen oder ABC-XYZ-Analysen. Die Klassifizierungen, die diese Tools jedoch bereitstellen, werden unweigerlich genutzt, um die zahlreichen Mängel der bereits verwendeten Softwarelösung des Kunden zu mildern, wodurch die Symptome, aber nicht die Ursache der Probleme, behandelt werden. Diese Tools dienen als grobe Aufmerksamkeitspriorisierungsmechanismen. Dies ist kein geeigneter Ansatz, um sich mit interessanten Themen wie intermittierender oder volatiler Nachfrage auseinanderzusetzen.

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 ineffizient.

Aus diesem Grund leiten Lokads Supply-Chain-Scientists die Kunden zu Entscheidungen, die sich auf die finanziellen Auswirkungen einer potenziellen Supply-Chain-Entscheidung/Aufforderung widerspiegeln (typischerweise in Dollar oder Euro gemessen). Wenn Artikel und Entscheidungen nicht hinsichtlich ihres Return on Investment (ROI) priorisiert werden, ist jeder Versuch der “Priorisierung” oder “Optimierung” grundsätzlich sinnlos.

Siehe ABC XYZ in 3 Minuten und ABC-Analyse funktioniert nicht für weitere Informationen zu den Einschränkungen dieser Klassifizierungswerkzeuge.

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 aufgrund der Verarbeitungsfähigkeiten unserer Plattform im Hinblick auf relationale Daten möglich. Dadurch können komplexe Elemente adressiert werden, die nicht in eine feste Reihe von Eigenschaften “geflacht” werden können. Durch differenzierbare Programmierung kann Lokad auch die Ähnlichkeitsmetriken lernen/anpassen, die zur Gruppierung von Elementen auf eine für eine bestimmte Aufgabe besonders nützliche Weise verwendet werden, wie z.B. bei der Prognose.

Siehe Illustration: Clustering für weitere Informationen zu den Clustering-Fähigkeiten von Lokad mit nur wenigen Zeilen Envision-Code.

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 darin, relationale Daten zu verarbeiten. So kann Lokad Hierarchien, Listen, Optionen, Graphen, numerische und kategoriale Attribute für seine Vorhersagemodelle nutzen. Außerdem prognostizieren unsere Vorhersagemodelle alle Quellen der Unsicherheit 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. Beispielsweise 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 von Technik profitieren. Lokads Plattform bietet umfangreiche Unterstützung zur Instrumentierung von Clustering für prognostische Zwecke.

Siehe Illustration: Zyklizitäten auf Clusterbasis für weitere Informationen zu diesem Punkt.

6. Ereignisse und Erklärungsvariablen

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

Kurzfassung: Ja. Lokad bereichert historische Daten mit bekannten außergewöhnlichen Ereignissen mithilfe von prognostischer Programmierung, was die Genauigkeit gegenüber herkömmlichen Zeitreihenprognosen verbessert. Dieser Ansatz behandelt unvollständige Daten und kann verlorene Ereignisse rekonstruieren (als Workaround, wenn eine direkte Aufzeichnung historischer Ereignisse nicht verfügbar ist).

Historische Daten enthalten zahlreiche Ereignisse, die Messungen verzerren (z.B. Nachfrage, Vorlaufzeit, usw.). Lokad arbeitet mit prognostischen Programmierparadigmen wie differenzierbarer Programmierung, die es uns ermöglichen, die Basisgeschichte 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 prognostisches Modell betreiben, um solche Ereignisse zu rekonstruieren.

Alte, mittlerweile veraltete Prognosetechnologien waren nicht in der Lage, mit etwas anderem als reinen Zeitreihen umzugehen. Als Ergebnis mussten alle Verzerrungen, die jemals auf die Nachfrage zutrafen, im Voraus korrigiert werden, da die Prognosen sonst erheblich beeinträchtigt wären. Leider ist dieser Ansatz von Grund auf fehlerhaft, da diese Zeitreihenprognosen letztendlich auf anderen Prognosen aufbauen und somit Ungenauigkeiten anhäufen.

Lokads prognostische Technologie leidet nicht unter dem gleichen Problem, da sie zusätzliche Erklärungsvariablen unterstützt. Anstatt vorzugeben, dass wir sicher wissen, was ohne die historischen Ereignisse passiert wäre (wie z.B. ein Lagerausverkauf), spiegelt das prognostische Modell die Erklärungsvariable in seinen Ausgaben wider (d.h. seine Prognosen). Diese Methodik erfordert keinen gestuften Ansatz zur Prognose. Darüber hinaus kann sie unvollständige Daten nutzen, wie z.B. einen Lagerausverkauf am Ende des Tages nach einem Rekordverkauf von Einheiten - Informationen, die auch in unvollständiger Form nach wie vor äußerst relevant sind.

Wenn bemerkenswerte Ereignisse (z.B. Lagerausverkäufe) verloren gegangen sind oder einfach nie aufgezeichnet wurden, ist Lokad in der Lage, solche Ereignisse durch eine Analyse der historischen Daten zu rekonstruieren. Wie genau diese Rekonstruktion auch sein mag, sie wird immer weniger genau sein als eine direkte Aufzeichnung der Ereignisse, wie sie sich entfalten. Deshalb 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 prognostische Modelle passen sich außergewöhnlichen Ereignissen und Feiertagen an. Unsere Supply Chain Scientists bewerten Auswirkungen und bieten Kunden ein transparentes Modell sowie Einblicke in die Auswirkungen eines bestimmten Ereignisses auf die dynamik der Kunden-Supply Chain.

Lokad identifiziert alle außergewöhnlichen Ereignisse und passt die Struktur seiner prognostischen Modelle an, um sie widerzuspiegeln. Für alle quasi-zyklischen Muster (z.B. Ostern, Chinesisches Neujahr, Ramadan, Black Friday, usw.) ist die Identifizierung gegeben - wir wissen bereits, dass das Ereignis existiert und Auswirkungen hat. Die einzige Frage, die bleibt, ist die Quantifizierung der Auswirkungen des Ereignisses.

Indem Supply Chain Scientists eine hochrangige Bewertung über die Auswirkungen eines bekannten Ereignisses (oder dessen Fehlen) vornehmen, erhalten wir ein prognostisches Modell mit einer wesentlich höheren Daten-Effizienz. Eine hohe Daten-Effizienz ist entscheidend, um das prognostische Modell genau zu halten, wenn nur wenig Daten verfügbar sind, wie es häufig in Supply-Chain-Situationen der Fall ist.

Darüber hinaus profitieren die Mitarbeiter der Kunden-Supply Chain von einem White-Box-Prognosemodell mit semantischen Faktoren, wenn Lokad die Muster explizit identifiziert und benennt. Zum Beispiel wird die Auswirkung von Black Friday (falls vorhanden) mit einem dedizierten Faktor bewertet, der aus den historischen Daten abgeleitet wird. Der Supply Chain-Praktiker kann diesen Faktor dann nutzen, um zu verstehen, welche Produkte besonders empfindlich auf 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 erläuternde Ereignisse 6.1 in diesem FAQ.

6.3 Verwalten Sie Ausverkaufssituationen als erläuternde Variable?

Ja. Lokad integriert Ausverkaufssituationen direkt in seine prognostischen Modelle und behandelt sowohl vollständige als auch teilweise Ausverkäufe, ohne auf die Rekonstruktion von “falscher” Nachfrage zurückgreifen zu müssen, um Lücken in den Daten zu füllen. Vielmehr modellieren wir direkt das, was im Allgemeinen als zensierte Nachfrage bekannt ist. Darüber hinaus ist Lokad in der Lage, teilweise Ausverkäufe zu berücksichtigen (wenn der Ausverkauf während des Arbeitstages stattfindet) und die entsprechenden Informationen zu nutzen.

Im Allgemeinen 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 einen Nachfrageanstieg am Ende des Ausverkaufszeitraums geben, wenn die Verbraucher loyal genug sind, um zu warten. Es können auch Rückstände entstehen, während sie teilweise abnehmen, da solche Verbraucher möglicherweise ablehnen, ihren Kauf zu verzögern. usw.

Die bei Lokad beschäftigten Supply Chain Scientists sind dafür verantwortlich, sicherzustellen, 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 über “Verlustmaskierung” in Strukturierte Vorhersagemodellierung für die Lieferkette und “Unvollständiges Vorlaufzeitmodell” in Vorlaufzeitprognose.

6.4 Prognostizieren Sie Werbeaktionen?

Ja. Lokads prognostische Technologie kann die Nachfragevariation prognostizieren, die durch Werbemechanismen beeinflusst wird. Der Werbemechanismus kann Variationen des Preisschilds, Änderungen der Anzeigeränge (E-Commerce), Änderungen der Sortimente, Sichtbarkeitsänderungen (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 Lieferkette (z.B. Nachfrage, Vorlaufzeit, Retouren usw.).

Lokads Supply-Chain-Entscheidungen - wie z.B. Bestandsauffüllungen - berücksichtigen nicht nur die zukünftig geplante Werbeaktivität, sondern auch das potenzielle für solche Aktivitäten. Wenn das Kundenunternehmen z.B. die Möglichkeit hat, Werbeaktionen durchzuführen, und seine Kunden (typischerweise) positiv auf Werbeaktionen reagieren, bedeutet dies, dass das Kundenunternehmen etwas aggressiver mit seinen Beständen umgehen kann. Dies liegt daran, dass Werbeaktionen ein effektives Mittel sind, um Überbestände zu reduzieren. Wenn das Kundenunternehmen hingegen eine Kundschaft hat, die weitgehend unempfindlich gegenüber Werbeaktionen ist, muss es auf Überbestände achten. Dies liegt daran, dass es diesen Mechanismus zur Reduzierung nicht hat.

Lokad generiert solche risikobereinigten (und optionsbereinigten) Entscheidungen, die durch die Nutzung probabilistischer Prognosen generiert 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, basierend auf ihren vielfältigen Unsicherheitsquellen (z.B. Nachfrage, Vorlaufzeit, Werbeaktionen, Retouren usw.).

6.5 Identifizieren und prognostizieren Sie neue Produktstarts und Ersatzprodukte?

Executive Summary: Ja, Lokad prognostiziert die Nachfrage für alle Produkte, einschließlich neuer Produkte. Wir tun dies unabhängig von der Menge an historischen Daten, die für Produkte verfügbar sind - die wahrscheinlich null ist, 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 Starts im Kundenunternehmen, (b) die Attribute 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 spezifischen Start unterstützen.

Wenn ein Produkt im Angebot des Kunden als expliziter Ersatz für ein älteres Produkt positioniert ist, ist die Prognoseaufgabe viel einfacher. Wir empfehlen jedoch nicht, diesen Ansatz zu verfolgen, es sei denn, das Supply-Chain-Personal des Kunden ist überzeugt, dass die alten und neuen Produkte tatsächlich für die Verbraucher äquivalent sind. In der Praxis ist ein Produktstart selten ein Eins-zu-Eins-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 neu eingeführten Produkts bereitstellt.

Darüber hinaus generiert Lokad probabilistische Prognosen für Produktstarts. Dies ist besonders wichtig, da klassische (d.h. nicht-probabilistische) Prognosen die Treffer-oder-Miss-Muster vollständig ignorieren, die tendenziell häufig auftreten, wenn neue Produkte eingeführt werden. Probabilistische Prognosen hingegen quantifizieren diese Unsicherheit und ermöglichen es uns somit, risikobereinigte Supply-Chain-Entscheidungen zu treffen.

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 Verkaufsdaten eine Basislinie für den Start dar.

Manchmal dauert es jedoch bei intermittierender Nachfrage lange, bis das Produkt seine erste Einheit verkauft. Lokads Supply-Chain-Scientists haben verschiedene Heuristiken zur Verfügung, um mit diesen Situationen umzugehen.

Siehe auch Ereignisse und erläuternde 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, wobei die Bedeutung von Attributen (formal und textuell) betont wird, 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 Attribute (z.B. Farbe, Größe, Form, Preis usw.) sowie textueller Attribute (z.B. Etikett, Kurzbeschreibung, Kommentare usw.) sind entscheidend, 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, auch nur hundert neue Standorte pro Jahr einzuführen. Dennoch kann Lokad durch die Nutzung der Attribute und Merkmale des neuen Standorts eine Prognose erstellen, auch wenn dieser bestimmte Standort keine Verkaufshistorie hat.

Siehe auch Ereignisse und erläuternde Ereignisse 6.5 in diesem FAQ.

6.7 Berücksichtigen Sie Vorgängerartikel, möglicherweise markierte oder äquivalente/ähnliche Artikel?

Ja, wenn eingeführte Artikel mit ‘Vorgänger’ oder ‘ähnlichen’ Artikeln kommen, ist Lokads Vorhersagetechnologie in der Lage, diese Informationen zu 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 ‘diese beiden Produkte sind vage ähnlich’. Es können auch mehrere Vorgänger angegeben werden, wenn kein klar ‘ähnlichster’ Artikel vorhanden ist.

Während alte (jetzt veraltete) Prognosetechnologien die Supply-Chain-Praktiker zwangen, alte und neue Produkte manuell zu paaren, ist dies bei Lokad nicht der Fall. Unter der Annahme, dass einige grundlegende Informationen verfügbar sind, ist unsere Technologie in der Lage, die historischen Daten - von anderen Produkten - zu nutzen, um einen neuen Artikel vorherzusagen. Relevante grundlegende Informationen sind die Produktetikett(en) und die Preisstufe(n).

Als Faustregel empfehlen wir, die Stammdatei zu bereichern, um bessere automatisierte Zuordnungen zu fördern. Dies ist unserer Meinung nach vorzuziehen, um das Supply-Chain-Personal des Kunden nicht in die mühsame Tätigkeit des manuellen Pairings zu zwingen. Der ROI (Return on Investment) für die Verbesserung der Stammdatei ist in der Regel weitaus überlegen gegenüber Pairings, da die Stammdatei auch direkt zahlreiche Nachstartoperationen beeinflussen kann.

Siehe auch Ereignisse und erläuternde 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 die Situationen variieren, 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 ausnutzen, der Kunden und Produkte verbindet. Dieser zeitliche Graph (der Produkte und Kunden durch 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 Feinheiten der Kannibalisierungen selbst geht.

Lokads Vorhersagetechniken weichen recht radikal von klassischen Zeitreihenmodellen ab. Zeitreihenmodelle sind einfach nicht ausdrucksstark genug, um mit Kannibalisierungen umzugehen. Tatsächlich, sobald die historischen Daten in Zeitreihendaten umgewandelt wurden, ist der Großteil der relevanten Informationen zur 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 differentiable Programmierung für seine Vorhersagemodelle - ein 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 buchstäblich so flexibel wie eine Excel-Tabelle, wenn es um die Einbeziehung von Updates von erklärenden Variablen geht. Es ist auch möglich, wenn gewünscht, die erklärenden Variablen über tatsächliche Tabellen zu übermitteln.

Die differentiable Programmierung, Lokads Ansatz zur Vorhersagemodellierung, macht es einfach, Modelle zu lernen, die beliebige erklärende Variablen enthalten. Die erklärenden Variablen müssen nicht in “prognostizierten Einheiten” ausgedrückt oder anderweitig mit dem Prognoseprozess abgestimmt sein. Durch differentiable Programmierung ist es möglich, erklärende Variablen zu integrieren, während viele Beziehungen “nicht quantifiziert” bleiben - und somit den Lernprozess Lokads Plattform überlassen. Auch die Quantifizierung der Beziehung(en) steht dem Supply-Chain-Praktiker zur Verfügung. Auf diese Weise kann der Supply-Chain-Praktiker Erkenntnisse darüber gewinnen, ob die erklärende Variable tatsächlich innerhalb des Vorhersagemodells an Bedeutung gewinnt.

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 derselben 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 organisieren, um ihre Wartung für das Supply-Chain-Personal des Kunden so einfach wie möglich zu gestalten. Es ist beispielsweise möglich, mit einer Excel-Tabelle zu beginnen, um die erklärenden Variablen widerzuspiegeln, und später zu einer automatisierten Datenintegration überzugehen. Diese Transition kann erfolgen, sobald die zusätzliche Genauigkeit (die durch diese erklärenden Variablen gewonnen wird) als ausreichend erachtet wird, um den Datentransfer zu automatisieren.

Siehe Diskussion zur “Kovariablenintegration” in Strukturierte Vorhersagemodellierung für Lieferketten für weitere Informationen zu diesem Punkt.

6.10 Erlauben Sie manuelle Anpassung(en) 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 verspüren, Prognosen manuell anzupassen, ist, dass sie die resultierenden Supply-Chain-Entscheidungen ändern möchten, die sich aus den Prognosen ergeben (z.B. eine Bestellung). In diesen Fällen steht der Supply-Chain-Praktiker oft vor einem Risiko, das nicht angemessen von den Prognosen widergespiegelt 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 behebt dieses Problem durch probabilistische Prognosen und risikobereinigte Supply-Chain-Entscheidungen. Die Prognosen spiegeln bereits alle möglichen zukünftigen Werte (z.B. Nachfrage) und ihre jeweiligen Wahrscheinlichkeiten wider. Daher sind unsere vorgeschlagenen Entscheidungen bereits risikobereinigt. Wenn die Entscheidungen falsch sind, obwohl die Prognose korrekt ist, müssen in der Regel die wirtschaftlichen Treiber, die mit der Entscheidung verbunden sind, angepasst werden, nicht die Prognose selbst.

Der zweite Grund für die manuelle Anpassung einer Prognose ist, dass die Prognose offensichtlich falsch ist. In solchen Situationen muss jedoch das (zugrunde liegende) Prognosemodell selbst behoben werden. Wenn man sie nicht repariert, müssen die Mitarbeiter der Supply Chain weiterhin die Symptome des Problems (ungenaue Prognosen) behandeln, anstatt die Krankheit selbst (ein fehlerhaftes Prognosemodell). Wenn man das Modell nicht repariert, werden die Prognosen aktualisiert, wenn neuere Daten verfügbar werden, und entweder tauchen die schlechten Prognosen wieder auf oder die ursprüngliche Korrektur (wenn 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. So oder so ist es nie die angemessene Reaktion, ein fehlerhaftes Prognosemodell in Betrieb zu lassen.

6.11 Verfeinern Sie Prognosen durch Marketing- und Sonderaktionen?

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

Differentiable Programming - Lokads Vorhersagetechnologie - 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 von Kunden zu finden sind).

Differentiable Programming kann zusätzliche Datenquellen verarbeiten, ohne die Erwartung zu haben, dass diese ergänzenden Daten erschöpfend oder sogar vollständig korrekt/genau sind. Natürlich begrenzt eine sehr unvollständige/ungenaue Datenlage die insgesamt erzielte Genauigkeit bei der Verarbeitung dieser Daten.

Noch wichtiger ist, dass Lokads Vorhersagetechnologie 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. Vielmehr spiegeln sie explizite Entscheidungen wider, die vom Kundenunternehmen getroffen werden. Mit den Erkenntnissen und der Technologie von Lokad können Kundenunternehmen ihre Marketingkampagnen anpassen, um das anzupassen, was die Supply Chain unterstützen kann.

Es ist beispielsweise sinnlos, die Nachfrage weiter zu steigern (durch den Start einer neuen Kampagne), wenn alle Produkte bereits auf dem Weg zu Bestandsengpässen sind. Umgekehrt, wenn die 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/Vorhersagemodell einbezogen werden?

Ja, Lokads Vorhersagemodellierungsfähigkeiten umfassen die Preisgestaltung, einschließlich Preiselastizität, sowie geplante zukünftige Preisänderungen. Lokads differentiable Programming-Ansatz macht es einfach, einen (oder mehrere) Preisvariablen sowohl in der Vergangenheit als auch in der Zukunft einzubeziehen. Die vergangenen Ereignisse werden genutzt, um die Kausalität zwischen der Variation der Nachfrage und der Variation des Preises zu erlernen.

Differentiable Programming ermöglicht es uns, den Einfluss variabler Preise gemeinsam mit allen anderen Mustern zu erlernen, die die Nachfrage beeinflussen, wie z.B. die verschiedenen Zyklen (z.B. Saisonalität). 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 Preiselastizität häufig ein eher grober Ansatz, um den Effekt variabler Preise zu modellieren. Zum Beispiel können Schwelleneffekte mit Elastizität nicht modelliert werden. Dazu gehören Szenarien, in denen Verbraucher stark auf eine Preisschwankung reagieren, wenn ein Produkt gerade günstiger wird als ein anderes äquivalent erscheinendes Produkt. Insbesondere, wenn Wettbewerbspreise durch ein Wettbewerbs-Intelligence-Tool gesammelt werden, erweist sich die Preiselastizität als unzureichend, um Variationen der Nachfrage zu erklären, die am besten durch die Preisschritte eines Wettbewerbers erklärt werden könnten.

Lokads Plattform verfügt über Fähigkeiten, die weit über die reine Modellierung der Preiselastizität hinausgehen. Lokad kann sowohl die Beschaffung als auch die Preisgestaltung gemeinsam optimieren. Während die Mainstream-Supply-Chain-Perspektive die Bestands- und Preisoptimierung als zwei separate Anliegen behandelt, ist offensichtlich, dass Preise die Nachfrage beeinflussen - selbst wenn die Preis “Elastizität” zu grob ist, um diesen Einfluss genau widerzuspiegeln. Daher macht es viel Sinn, sowohl Bestands- als auch Preisrichtlinien zu koordinieren, um die Rentabilität der Lieferkette zu maximieren.

6.13 Verfeinern Sie Prognosen mit Wettbewerbsaktivitäten (d.h. Daten zur Wettbewerbs-Intelligenz)?

Executive Summary: Ja, Lokads Vorhersagetechnologie ist in der Lage, Daten zur Wettbewerbs-Intelligenz zu nutzen, um die Nachfrageprognosen (und bei Bedarf die Preise) für Kunden zu verfeinern. Dies wird nur durchgeführt, wenn die Daten zur Wettbewerbs-Intelligenz uns zur Verfügung gestellt werden, da Lokad selbst keine Daten zur Wettbewerbs-Intelligenz sammelt. Unserer Meinung nach ist diese Aufgabe besser Webdaten-Scraping-Spezialisten zu überlassen.

Die Nutzung von Daten zur Wettbewerbs-Intelligenz ist in der Regel ein zweistufiger Prozess. Erstens müssen wir (irgendwie) die Wettbewerbsdatenpunkte mit dem Angebot des Kundenunternehmens verknüpfen. Wenn das Kundenunternehmen und seine Wettbewerber zufällig genau die gleichen Produkte verkaufen, wie sie 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 zeitlich begrenzte 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-Sinn), aber ihre Angebote konkurrieren insgesamt miteinander. In diesen Situationen sind einfache Eins-zu-Eins-Verknüpfungen zwischen den jeweiligen Produkten der Unternehmen nicht mehr relevant. Dennoch können Lokads Vorhersagetechnologie (und Supply Chain Scientists) all diese Komplikationen bewältigen.

Zweitens, sobald die Verknüpfungen hergestellt sind, muss das Vorhersagemodell angepasst werden, um die Auswirkungen des Wettbewerbs auf die Nachfrage widerzuspiegeln. Hier besteht die größte Herausforderung häufig darin, dass der Effekt mit einer erheblichen Verzögerung eintritt. In den meisten Märkten überwachen Kunden nicht ständig die Preise der Wettbewerber. Daher bleibt ein großer Preiseinbruch eines Wettbewerbers von vielen Kunden lange unbemerkt. Tatsächlich besteht der dominierende Effekt darin, dass der Marktanteil des Kunden preislich unterboten wird. Daher ist es ein Fehler, die Auswirkungen des Wettbewerbs “Produkt für Produkt” eng zu bewerten. Unternehmensweite Effekte müssen ebenfalls bewertet werden.

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

Siehe Diskussionen zur ‘Lösung der Ausrichtung’ in Preisoptimierung für den Automobil-Nachrüstmarkt für weitere Informationen zu diesem Punkt.

Siehe auch Veranstaltungen und erläuternde Variablen 6.12 in diesem FAQ.

6.14 Verfeinern Sie Prognosen mit Wettervorhersagedaten?

Kurzfassung: Ja, Lokad ist in der Lage, seine Vorhersagemodelle mit Wettervorhersagedaten zu verfeinern. Wir hatten unseren ersten Erfolg in diesem Bereich bereits 2010 bei der Arbeit mit einem großen europäischen Stromproduzenten. Unsere aktuelle Vorhersagetechnologie (differenzierbare Programmierung) erleichtert den Prozess der Integration von Wettervorhersagen im Vergleich zu früheren Technologien.

In der Praxis verwenden jedoch nur sehr wenige unserer Kunden solche Verfeinerungen in der Produktion, obwohl es technisch möglich ist, Prognosen mit Wetterdaten zu verfeinern. Unserer Meinung nach lohnt sich der Aufwand in der Regel nicht. Es gibt fast immer einfachere Optionen, die bei einem vergleichbaren Aufwand an Ingenieursressourcen eine bessere Kapitalrendite bieten.

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

Das zweite Problem sind die umfangreichen technologischen Komplikationen, die die Technik mit sich bringt. Wetter ist ein sehr lokales Phänomen, aber wenn man große Lieferketten betrachtet, betrachtet man effektiv Hunderte oder Tausende (wenn nicht Zehntausende) relevanter Standorte, die sich über enorme geografische Räume erstrecken (möglicherweise über mehrere Kontinente). Jeder Standort könnte also ein “eigenes” Wetter haben (meteorologisch gesehen).

Darüber hinaus ist “Wetter” nicht nur 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 erforderlich ist, um eine Nachfrageprognose zu verfeinern.

Grundsätzlich bindet der Versuch, eine Nachfrageprognose mit Wettervorhersagedaten zu verfeinern, Ressourcen (Zeit, Geld, Aufwand usw.), die anderswo 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 Möglichkeiten der Verfeinerung auszuschöpfen, bevor man sich an Wettervorhersagedaten wendet.

6.15 Verfeinern Sie Prognosen, um die Eröffnung eines neuen Geschäfts/ die Schließung eines alten Geschäfts widerzuspiegeln?

Ja.

Lokads Vorhersagetechnologie ist in der Lage, den genauen Einfluss der Eröffnung eines neuen Geschäfts und/oder die Schließung eines alten Geschäfts 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 (differenzierbare Programmierung) ist besonders effektiv darin, mit all diesen Verzerrungen des Nachfragesignals umzugehen.

Darüber hinaus können wir, wenn sich Geschäfte in der Nähe befinden (z. B. in derselben Stadt), den Substitutionseffekt berücksichtigen, bei dem Kunden, die früher in ein Geschäft gegangen sind (das jetzt geschlossen ist), zu einem anderen gehen. Wenn einige Transaktionen von einem Kundenidentifikator profitieren (Hinweis: nur der Rohidentifikator, da Lokad keine persönlichen Daten benötigt), können wir diese Informationen nutzen, um den genauen Anteil der Kundschaft genauer zu bewerten, die einer bestimmten Marke folgt, obwohl sich die Geschäfte bewegen.

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

Anmerkungen