Probabilistische Prognosen (2016)
Das Ungewisse umarmen
Nach unserer Erfahrung kann kein Feintuning der bestehenden Prognosemodelle und keine Forschung und Entwicklung zur Entwicklung besserer Modelle - im herkömmlichen Sinne - dieses Problem lösen. Methoden wie die Sicherheitsbestandsanalyse sollen mit Unsicherheiten umgehen, aber in der Praxis ist die Sicherheitsbestandsanalyse lediglich eine nachträgliche Überlegung. In der Supply-Chain-Verwaltung werden die Kosten durch extreme Ereignisse bestimmt: Es ist die überraschend hohe Nachfrage, die zu Lagerausfällen und Kundenfrustration führt, und die überraschend niedrige Nachfrage, die zu toten Beständen und folglich teuren Bestandsabschreibungen 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 alles gut läuft, selbst wenn man einen groben gleitenden Durchschnitt berücksichtigt. Die eigentliche Herausforderung besteht darin, mit den schwierigen Fällen umzugehen; denjenigen, die Ihre Lieferkette durcheinanderbringen und alle verrückt machen.
Diese probabilistischen Prognosen bieten eine völlig neue Sicht auf die Zukunft. Anstatt in einer wunschdenkenden Perspektive stecken zu bleiben, in der Prognosezahlen erwartet werden, dass sie eintreten, erinnern probabilistische Prognosen daran, dass alles immer möglich ist, nur nicht ganz gleich wahrscheinlich. Daher bieten probabilistische Prognosen eine leistungsstarke Möglichkeit, die Risiken quantitativ auszubalancieren (während traditionelle Prognosen gegenüber letzteren blind bleiben).
Während die Risikoanalyse bei traditionellen Prognoseansätzen tendenziell eine nachträgliche Überlegung ist, rückt Lokad den Fall mit probabilistischen Prognosen in den Mittelpunkt.
Aus der Sicht 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 durchgeführt haben: Denken Sie an all die Situationen, in denen Ihre Grundprognosen nach oben oder unten korrigiert werden mussten, weil die Risiken einfach zu groß waren… Genau darum geht es bei probabilistischen Prognosen: eine angemessene Balance bei realen Entscheidungen zu finden, wenn man einer unsicheren Zukunft gegenübersteht. Während die Risikoanalyse bei traditionellen Prognoseansätzen tendenziell eine nachträgliche Überlegung ist, rückt Lokad den Fall mit probabilistischen Prognosen in den Mittelpunkt.
Die Datenoutput des probabilistischen Prognosemotors 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 notwendigen Tools und Teamunterstützung, um Ihrem Unternehmen zu ermöglichen, diese Wahrscheinlichkeiten in Geschäftsentscheidungen umzusetzen, wie z.B. Nachbestellmengen.
Lokads Web-App verfügt über Big-Data-Verarbeitungsfunktionen und ermöglicht es Ihnen, die erforderliche Geschäftslogik zu erstellen, die diese Prognosen in Entscheidungen umsetzt, die speziell auf Ihr Unternehmen zugeschnitten sind. Diese Entscheidungen können an Ihre spezifischen Supply-Chain-Einschränkungen angepasst werden, wie z.B. MOQs (Mindestbestellmengen), Ihre wirtschaftlichen Treiber, wie z.B. Risiken im Zusammenhang mit dem Ablaufdatum, 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 zurückzugreifen, wenn fortgeschrittene statistische Muster, wie z.B. neue Produkte oder Effekte des Produktlebenszyklus, beteiligt sind. Bei Lokad zeigt unsere Erfahrung jedoch, dass, wenn eine Prognoselösung Feinabstimmung erfordert, kein Ende in Sicht ist: egal wie viele Wochen oder Monate an Arbeitszeit darauf verwendet werden, die Lösung zum Laufen zu bringen, es besteht ein ständiger Bedarf an weiterer Feinabstimmung, einfach weil es zu viele Produkte, zu viele Standorte und das Geschäft sich ständig ändert.
Daher haben wir uns bei Lokad entschieden, den Prognoseprozess vollständig zu robotisieren. Das bedeutet, dass
- kein statistisches Wissen erforderlich ist, um Prognosen zu erhalten
- keine Feinabstimmung erwartet wird, um Prognosen anzupassen
- keine Wartung erforderlich ist, um die Prognosen mit Ihrem Unternehmen abzustimmen
Als kleiner Nachteil verbrauchen diese Algorithmen tatsächlich viel mehr Rechenleistung als ihre traditionellen Gegenstücke. Dieses Problem wird jedoch durch Cloud-Computing gelöst, das den Prognose-Engine reibungslos am Laufen hält, unabhängig von der Datenmenge.
Der Ursprung unserer probabilistischen Prognosen
Lokad hat die probabilistische Prognose nicht erfunden, andere Mathematiker haben dies getan, hauptsächlich durch die Verwendung des Konzepts zur Bewältigung einer ganz anderen Reihe von Problemen wie der Prognose von Warenbörsenpreisen oder der Wettervorhersage. Außerdem hat Lokad die probabilistische Prognose nicht von Anfang an verwendet; wir haben klassische Prognosen (2008), Quantilprognosen (2012) und Quantilraster (2015)
vorher verwendet. Als Ergebnis sind probabilistische Prognosen tatsächlich die 4. Generation unserer Prognosetechnologie. Aus den Erfahrungen, die wir mit den vorherigen Iterationen dieser Technologie gesammelt haben, haben wir eine beträchtliche Menge an Know-how gewonnen, wenn es darum geht, eine Prognose-Engine zu entwerfen, die für eine Vielzahl von Geschäftssituationen geeignet ist.
Die Idee, Wahrscheinlichkeiten zu schätzen anstatt eines Durchschnitts, stammt aus unseren frühen Jahren, als wir immer noch versuchten, den klassischen Ansatz zum Laufen zu bringen. Es dauerte einige Misserfolge, um zu erkennen, dass der klassische Ansatz intrinsisch fehlerhaft war und dass keine Menge an F&E einen defekten statistischen Rahmen reparieren konnte. Der statistische Rahmen selbst musste zuerst repariert werden, um das Prognosemodell zum Laufen zu bringen.
Darüber hinaus war jede Iteration unserer Prognose-Engine eine Verallgemeinerung - aus mathematischer Sicht - der vorherigen Version, wobei jede neue Generation unserer Prognose-Engine in der Lage war, mehr Situationen zu bewältigen als die vorherige. Tatsächlich ist es besser, ungefähr richtig zu sein als genau falsch. Die schwierigsten Situationen treten auf, wenn die Prognose-Engine keine Prognosen generieren kann, die am besten zu einer bestimmten Geschäftssituation passen, weil die Engine nicht ausdrucksstark genug ist. Oder wenn die Prognose-Engine die Eingabedaten nicht verarbeiten kann, die wirklich relevant wären, um statistische Erkenntnisse zu einer gegebenen Situation zu gewinnen, weil die Engine erneut an Ausdrucksstärke mangelt. Bei Lokad ist die Prognose eine laufende Arbeit. Während wir stolz auf das sind, was wir mit unserer probabilistischen Prognose-Engine 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 für sich darstellt, profitieren die Kunden von Lokad von unserer Prognose-Engine der nächsten Generation, sobald sie verfügbar wird.
Unsere Prognose-FAQ
Welche Prognosemodelle verwenden Sie?
Wir verwenden viele Prognosemodelle. Die meisten der Modelle, die wir heutzutage verwenden, würden als Machine-Learning-Algorithmen betrachtet werden. 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 neu implementiert (Box-Jenkins, ARIMA, Holt-Winters, exponentielle Glättung usw.), aber diese Modelle gerieten in Vergessenheit, da sie einfach nicht mit unseren neuesten Modellen konkurrieren können.
Wie wählen Sie das/die Modelle aus, die verwendet werden sollen?
Die Auswahl des richtigen Modells oder der richtigen konvexen Kombination von Modellen ist bereits 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 äquivalent zu einem System, das immer die “perfekten” Prognosen auswählt. In der Praxis stützt sich unser Prognose-Engine stark auf Backtesting, um die beste Modellkombination auszuwählen.
Kann Ihr Prognose-Engine mit Saisonalität, Trends und Wochentagen umgehen?
Ja, der Prognose-Engine behandelt alle gängigen Zyklen. Unsere Modelle nutzen auch intensiv einen mehrfachen Zeitreihenansatz, um die beobachteten Zyklen in anderen Produkten zu nutzen, um die Prognosegenauigkeit eines bestimmten Produkts zu verbessern. Natürlich können zwei Produkte dieselbe Saisonalität aufweisen, aber nicht das gleiche Wochentagsmuster. Wir haben auch Modelle, um damit umzugehen.
Welche Daten benötigen Sie?
Um die Nachfrage vorherzusagen, benötigt der Prognose-Engine mindestens die tägliche historische Nachfrage, und es ist noch besser, eine disaggregierte Auftragsgeschichte bereitzustellen. Was die Länge der Historie betrifft - je länger sie ist, desto besser. Während mit weniger als 2 Jahren Geschichte keine Saisonalität erkannt werden kann, halten wir 3 Jahre Geschichte für gut und 5 Jahre für ausgezeichnet. Um die Vorlaufzeiten vorherzusagen, benötigt der Engine 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 bereitzustellen, um eine erste aussagekräftige Lageranalyse zu erhalten.
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 ehrlich gesagt kann das auch niemand. Tabellendaten werden wahrscheinlich pro Woche oder pro Monat aggregiert, und die meisten historischen Informationen gehen durch eine solche Aggregation verloren. Darüber hinaus enthält Ihre Tabelle in diesem Fall auch nicht viele Informationen über die Kategorien und Hierarchien, die für Ihre Produkte gelten. Unser Prognose-Engine nutzt alle verfügbaren Daten, und ein Test an einer winzigen Stichprobe wird keine zufriedenstellenden Ergebnisse liefern.
Was ist mit Lagerausfällen und Promotionen?
Sowohl Lagerausfälle als auch Promotionen stellen eine Verzerrung der historischen Verkäufe 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 zu kürzen. Wir mögen jedoch diesen Ansatz nicht, da er darin besteht, Prognosen in den Prognose-Engine einzuspeisen, was zu erheblichen Überanpassungsproblemen führen kann. Stattdessen unterstützt unser Engine nativ “Flags”, die anzeigen, wo die Nachfrage zensiert oder aufgebläht wurde.
Prognostizieren Sie neue Produkte?
Ja, das tun wir. Um jedoch neue Produkte vorherzusagen, benötigt der Engine die Startdaten 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. Der Engine prognostiziert in der Tat neue Produkte, indem er die “älteren” Produkte automatisch erkennt, die als vergleichbar mit den neuen angesehen werden können. Da jedoch noch keine Nachfrage für die neuen Artikel beobachtet wurde, stützen sich die Prognosen vollständig auf die damit verbundenen Attribute.
Ist es möglich, die Prognosen anzupassen?
Fast ein Jahrzehnt Erfahrung in der statistischen Prognose hat uns viele Male gelehrt, dass es nie eine gute Idee ist, Prognosen anzupassen. Wenn Prognosen angepasst werden müssen, dann gibt es wahrscheinlich einen Fehler im Prognose-Engine, der behoben werden muss. Wenn kein Fehler behoben werden muss und die Prognosen genau wie erwartet aus statistischer Sicht durchgeführt werden, ist es wahrscheinlich die falsche Antwort auf das Problem, sie anzupassen. Normalerweise spiegelt das Bedürfnis, Prognosen anzupassen, das Bedürfnis wider, einen wirtschaftlichen Treiber irgendeiner Art zu berücksichtigen; der sich auf die Risikoanalyse “oben” auf der Prognose auswirkt, aber nicht auf die Prognose selbst.
Haben Sie Erfahrung mit meiner Branche?
Wir haben Erfahrung mit vielen Branchen: Mode, frische Lebensmittel, Konsumgüter, Elektronik, Ersatzteile, Luft- und Raumfahrt, leichte Fertigung, schwere Fertigung, usw. Wir arbeiten auch mit verschiedenen Arten von Branchenakteuren zusammen: E-Commerce-Unternehmen, Großhändler, Importeure, Hersteller, Distributoren, Einzelhandelsketten, usw. Der einfachste Weg, sicherzustellen, dass wir Erfahrung mit Ihrer Branche haben, ist der direkte Kontakt mit uns.
Verwenden Sie externe Daten, um die Prognosen zu verfeinern?
Nein. Während Ihre Prognosen von all dem Know-how und der Gesamtsystemabstimmung 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.