Probabilistische Prognosen (2016)
Die Unsicherheit annehmen
Unsere Erfahrung hat gezeigt, dass kein Feintuning der bestehenden Prognosemodelle und keine Forschung und Entwicklung zur Entwicklung besserer Modelle im herkömmlichen Sinne dieses Problem beheben können. Methoden wie die Sicherheitsbestandsanalyse sollen mit Unsicherheit umgehen, aber in der Praxis ist die Sicherheitsbestandsanalyse nur ein Nachgedanke. In der Supply Chain-Verwaltung werden die Kosten durch extreme Ereignisse bestimmt: Es ist die überraschend hohe Nachfrage, die zu Lagerbestandsengpässen und Kundenfrustration führt, und die überraschend niedrige Nachfrage, die zu totem Lagerbestand und damit zu kostspieligen Lagerbestandsabschreibungen führt. Wie alle Führungskräfte wissen, sollten Unternehmen auf das Beste hoffen, sich aber auf das Schlimmste vorbereiten. Wenn die Nachfrage genau dort liegt, wo sie erwartet wurde, läuft alles reibungslos. Die eigentliche Herausforderung im Prognosegeschäft besteht jedoch nicht darin, in einfachen Fällen gut abzuschneiden, in denen selbst bei einem groben gleitenden Durchschnitt alles gut läuft. Die eigentliche Herausforderung besteht darin, mit den schwierigen Fällen umzugehen, denjenigen, die Ihre Supply Chain stören und alle verrückt machen.
Diese probabilistischen Prognosen bieten eine völlig neue Sichtweise auf die Zukunft. Anstatt in einer Wunschdenken-Perspektive stecken zu bleiben, in der erwartet wird, dass sich Prognosezahlen materialisieren, erinnern probabilistische Prognosen daran, dass alles immer möglich ist, nur nicht ganz gleich wahrscheinlich. Daher bieten probabilistische Prognosen eine leistungsstarke Möglichkeit, die Risiken quantitativ auszugleichen, wenn es darum geht, sich auf das Schlimmste vorzubereiten (während traditionelle Prognosen blind für letztere bleiben).
Während die Risikoanalyse bei traditionellen Prognoseansätzen oft vernachlässigt wird, stellt Lokad mit probabilistischen Prognosen den Fall in den Vordergrund.
Aus der Perspektive eines Praktikers
Probabilistische Prognosen mögen sehr einschüchternd und technisch klingen. Doch die Chancen stehen gut, dass Sie als Supply Chain-Praktiker bereits seit Jahren “intuitive” probabilistische Prognosen erstellen: Denken Sie an all die Situationen, in denen Ihre grundlegenden Prognosen nach oben oder unten korrigiert werden mussten, weil die Risiken einfach zu groß waren… Genau darum geht es bei probabilistischen Prognosen: eine angemessene Balance zwischen realen Entscheidungen zu finden, wenn man einer unsicheren Zukunft gegenübersteht. Während die Risikoanalyse bei traditionellen Prognoseansätzen oft vernachlässigt wird, stellt Lokad mit probabilistischen Prognosen den Fall in den Vordergrund.
Die Daten, die von der probabilistischen Prognose-Engine ausgegeben werden, sind Wahrscheinlichkeitsverteilungen. Aus praktischer Sicht ist diese Information zwar äußerst umfangreich (es handelt sich schließlich um einen Blick auf viele mögliche Zukunftsszenarien!), aber auch ziemlich unpraktisch in ihrer Rohform. Daher bietet Lokad eine komplette Plattform, alle erforderlichen Tools und Teamunterstützung, um Ihrem Unternehmen zu ermöglichen, diese Wahrscheinlichkeiten in Geschäftsentscheidungen umzusetzen, wie beispielsweise Bestellmengen.
Lokads Web-App verfügt über Big Data-Verarbeitungsfunktionen und ermöglicht es Ihnen, die erforderliche Geschäftslogik zu erstellen, um diese Prognosen in Entscheidungen umzuwandeln, die speziell auf Ihr Unternehmen zugeschnitten sind. Diese Entscheidungen können an Ihre spezifischen Supply Chain-Beschränkungen angepasst werden, wie z.B. Mindestbestellmengen (MOQs), Ihre wirtschaftlichen Treiber, wie z.B. Risiken im Zusammenhang mit dem Ablaufdatum von Produkten, und Ihre Prozesse, wie z.B. tägliche Bestellungen, die vor 8 Uhr morgens getätigt werden müssen.
Robotisierung durch maschinelles Lernen
Das Supply Chain-Management beinhaltet häufig viele Produkte, die an vielen Standorten bewegt werden. Traditionelle Prognoselösungen neigen dazu, stark auf manuelle Anpassungen angewiesen zu sein, wenn fortgeschrittene statistische Muster, wie z.B. neue Produkte oder Effekte des Produktlebenszyklus, involviert sind. Bei Lokad zeigt unsere Erfahrung jedoch, dass wenn eine Prognoselösung Feinabstimmung erfordert, es einfach kein Ende gibt: Egal wie viele Wochen oder Monate an Arbeitszeit darauf verwendet werden, die Lösung zum Laufen zu bringen, es besteht ständig Bedarf an weiterer Feinabstimmung, einfach weil es zu viele Produkte, zu viele Standorte und ständige Veränderungen im Geschäft gibt.
Daher haben wir uns bei Lokad entschieden, den Prognoseprozess vollständig zu robotisieren. Das bedeutet, dass
- keinerlei statistisches Wissen erforderlich ist, um Prognosen zu erhalten
- keine Feinabstimmung erforderlich ist, um Prognosen anzupassen
- keine Wartung erforderlich ist, um die Prognosen mit Ihrem Geschäft abzustimmen
Als kleiner Nachteil verbrauchen diese Algorithmen deutlich mehr Rechenleistung als ihre traditionellen Gegenstücke. Dieses Problem wird jedoch durch Cloud Computing gelöst, das den reibungslosen Betrieb des Prognosemodells unabhängig von der Datenmenge gewährleistet.
Der Ursprung unserer probabilistischen Prognosen
Lokad hat die probabilistische Prognose nicht erfunden, andere Mathematiker haben dies getan, hauptsächlich um eine völlig andere Reihe von Problemen wie die Vorhersage von Rohstoffpreisen oder Wettervorhersagen zu lösen. Auch Lokad hat nicht von Anfang an probabilistische Prognosen verwendet; wir haben klassische Prognosen (2008), Quantilprognosen (2012) und Quantilgitter (2015)
vorher verwendet. Als Ergebnis sind probabilistische Prognosen tatsächlich die 4. Generation unserer Prognosetechnologie. Aus den Erfahrungen, die wir mit den vorherigen Versionen dieser Technologie gesammelt haben, haben wir eine beträchtliche Menge an Fachwissen gewonnen, wenn es darum geht, ein Prognosemodell zu entwerfen, das für eine Vielzahl von Geschäftssituationen geeignet ist.
Die Idee, Wahrscheinlichkeiten anstelle eines Durchschnitts zu schätzen, stammt aus unseren frühen Jahren, als wir immer noch versuchten, den klassischen Ansatz zum Funktionieren zu bringen. Es dauerte einige Misserfolge, um zu erkennen, dass der klassische Ansatz intrinsisch fehlerhaft war und dass keine Menge an Forschung und Entwicklung ein defektes statistisches Framework reparieren konnte. Das statistische Framework selbst musste zuerst repariert werden, um das Prognosemodell zum Funktionieren zu bringen.
Darüber hinaus war jede Iteration unseres Prognosemodells eine Verallgemeinerung - aus mathematischer Sicht - der vorherigen Version, wobei jede neue Generation unseres Prognosemodells in der Lage ist, mehr Situationen zu bewältigen als die vorherige. Tatsächlich ist es besser, ungefähr richtig zu sein als genau falsch. Die schwierigsten Situationen treten auf, wenn das Prognosemodell keine Prognosen generieren kann, die am besten zu einer bestimmten Geschäftssituation passen, weil das Modell nicht ausdrucksstark genug ist. Oder wenn das Prognosemodell die Eingabedaten nicht verarbeiten kann, die für statistische Erkenntnisse zu einer bestimmten Situation wirklich relevant wären, weil das Modell erneut an Ausdrucksstärke mangelt. Bei Lokad ist die Prognosearbeit ein fortlaufender Prozess. Obwohl wir stolz auf das sind, was wir mit unserem probabilistischen Prognosemodell aufgebaut haben, ist dies nicht das Ende unserer Bemühungen. Im Gegensatz zu On-Premise-Lösungen, bei denen ein Upgrade auf ein neues Tool eine Herausforderung darstellt, profitieren die Kunden von Lokad von unserem Prognosemodell der nächsten Generation, sobald es verfügbar wird.
Unsere Prognose-FAQ
Welche Prognosemodelle verwenden Sie?
Wir verwenden viele Prognosemodelle. Die meisten der Modelle, die wir heutzutage verwenden, werden als Machine Learning-Algorithmen betrachtet. Diese Modelle wurden von Lokad entwickelt und haben in der wissenschaftlichen Literatur in der Regel keine benannten Gegenstücke. Als wir 2008 begannen, hatten wir alle Klassiker (Box-Jenkins, ARIMA, Holt-Winters, exponentielle Glättung usw.) neu implementiert, aber diese Modelle gerieten in Vergessenheit, da sie einfach nicht mit unseren neuesten Modellen konkurrieren können.
Wie wählen Sie das/die Modell(e) aus, das/die verwendet werden sollen?
Die Auswahl des richtigen Modells oder der richtigen konvexen Kombination von Modellen ist die halbe Miete, wenn es darum geht, eine gute Prognose zu erstellen. Aus statistischer Sicht wäre ein System, das immer das “beste” Modell auswählt, streng genommen äquivalent zu einem System, das immer die “perfekten” Prognosen auswählt. In der Praxis stützt sich unser Prognosemodell stark auf Backtesting, um den besten Satz von Modellen auszuwählen.
Verarbeitet Ihr Prognosemodell Saisonalität, Trends und Wochentage?
Ja, das Prognosemodell verarbeitet alle gängigen Zyklen. Unsere Modelle nutzen auch einen mehrdimensionalen Zeitreihenansatz, um die beobachteten Zyklen anderer Produkte zu nutzen und die Prognosegenauigkeit eines einzelnen Produkts zu verbessern. Natürlich können zwei Produkte die gleiche Saisonalität, aber nicht das gleiche Wochentagsmuster haben. Wir haben auch Modelle, um dies zu berücksichtigen.
Welche Daten benötigen Sie?
Um die Nachfrage vorherzusagen, benötigt das Prognosemodell mindestens die tägliche historische Nachfrage, und eine disaggregierte Auftragsgeschichte ist noch besser. Was die Länge der Geschichte betrifft, umso länger sie ist, desto besser. Während mit weniger als 2 Jahren Geschichte keine Saisonalität erkannt werden kann, betrachten wir 3 Jahre Geschichte als gut und 5 Jahre als ausgezeichnet. Um die Vorlaufzeiten vorherzusagen, benötigt das Modell in der Regel, dass die Bestellungen sowohl die Bestelldaten als auch die Lieferdaten enthalten. Die Angabe Ihrer Produkt- oder SKU-Eigenschaften hilft auch erheblich, die Prognosen zu verfeinern. Darüber hinaus ist es auch sehr hilfreich, Ihre Lagerbestände zur Verfügung zu stellen, um eine erste aussagekräftige Lageranalyse durchzuführen.
Können Sie meine Excel-Tabelle prognostizieren?
Als Faustregel gilt: Wenn alle Ihre Daten in eine Excel-Tabelle passen, können wir in der Regel nicht viel für Sie tun; und um ehrlich zu sein, kann das auch niemand. Die Daten in Tabellenkalkulationen werden wahrscheinlich pro Woche oder pro Monat aggregiert, und die meisten historischen Informationen gehen durch eine solche Aggregation verloren. Außerdem enthält Ihre Tabelle in diesem Fall auch nicht viele Informationen über die Kategorien und Hierarchien, die für Ihre Produkte gelten. Unser Prognosemodell nutzt alle verfügbaren Daten, und ein Test an einer winzigen Stichprobe liefert keine zufriedenstellenden Ergebnisse.
Wie sieht es mit Lagerbeständen und Sonderaktionen aus?
Sowohl Lagerbestände als auch Sonderaktionen stellen eine Verzerrung in den historischen Verkäufen dar. Da das Ziel darin besteht, die Nachfrage und nicht den Umsatz vorherzusagen, muss diese Verzerrung berücksichtigt werden. Eine häufige - aber falsche - Methode, mit diesen Ereignissen umzugehen, besteht darin, die Geschichte umzuschreiben, um die Lücken zu füllen und die Spitzen abzuschneiden. Wir mögen diesen Ansatz jedoch nicht, da er darin besteht, Prognosen an das Prognosemodell zu liefern, was zu erheblichen Überanpassungsproblemen führen kann. Stattdessen unterstützt unser Modell nativ “Flags”, die anzeigen, wo die Nachfrage zensiert oder aufgebläht wurde.
Prognostizieren Sie auch neue Produkte?
Ja, das tun wir. Um jedoch neue Produkte vorherzusagen, benötigt das Modell die Starttermine für die anderen “älteren” Produkte sowie deren historische Nachfrage zum Zeitpunkt des Starts. Es wird auch empfohlen, einige Ihrer Produktkategorien und/oder eine Produkt-Hierarchie anzugeben. Das Modell prognostiziert in der Tat neue Produkte, indem es die “älteren” Produkte erkennt, die als vergleichbar mit den neuen angesehen werden können. Da für die neuen Artikel noch keine Nachfrage beobachtet wurde, beruhen die Prognosen vollständig auf den damit verbundenen Attributen.
Ist es möglich, die Prognosen anzupassen?
Fast ein Jahrzehnt Erfahrung in der statistischen Prognose hat uns mehrmals gelehrt, dass es nie eine gute Idee ist, Prognosen anzupassen. Wenn Prognosen angepasst werden müssen, dann gibt es wahrscheinlich einen Fehler im Prognosemodell, der behoben werden muss. Wenn kein Fehler behoben werden muss und die Prognosen wie erwartet aus statistischer Sicht durchgeführt werden, ist es wahrscheinlich die falsche Antwort auf das Problem, sie anzupassen. In der Regel spiegelt der Bedarf an Prognoseanpassungen die Notwendigkeit wider, einen wirtschaftlichen Treiber zu berücksichtigen, der die Risikoanalyse “oben drauf” beeinflusst, aber nicht die Prognose selbst.
Haben Sie Erfahrung in meiner Branche?
Wir haben Erfahrung in vielen Branchen: Mode, frische Lebensmittel, Konsumgüter, Elektronik, Ersatzteile, Luft- und Raumfahrt, Leichtindustrie, Schwerindustrie, usw. Wir arbeiten auch mit verschiedenen Arten von Unternehmen: E-Commerce-Unternehmen, Großhändler, Importeure, Hersteller, Distributoren, Einzelhandelsketten, usw. Der einfachste Weg, sicherzustellen, dass wir Erfahrung in Ihrer Branche haben, besteht darin, direkt mit uns in Kontakt zu treten.
Verwenden Sie externe Daten, um die Prognosen zu verfeinern?
Nein. Obwohl Ihre Prognosen von all dem Know-how und der allgemeinen Systemabstimmung profitieren, die wir bei der Arbeit mit anderen Kunden gewonnen haben, enthalten Ihre Prognosen keine Daten, die aus externen Datenquellen stammen, weder von anderen Lokad-Kunden noch von öffentlichen Datensätzen. Ebenso wird Ihre Daten nur für Zwecke verwendet, die explizit mit Ihrem Unternehmenskonto verbunden sind, und nichts anderes.