Prognose-Engine

In den letzten zehn Jahren haben sich datenbezogene Technologien enorm weiterentwickelt. Unternehmen gingen von der Verwendung numerischer Rezepte, die seit dem 19. Jahrhundert bekannt und verwendet wurden, zu Big-Data-orientierten Technologien über, die von Machine Learning und Deep Learning unterstützt werden. Lokad hat sich darauf konzentriert, immer einen Schritt voraus zu sein und das Beste zu liefern, was die Wissenschaft zur Optimierung der Lieferkette bieten kann.

6 Generationen der Prognose

Machen Sie eine Reise in die Vergangenheit und entdecken Sie die verschiedenen Generationen unserer Prognosetechnologie.

• Differenzierbares Programmieren (2019): die Konvergenz von zwei algorithmischen Bereichen: Machine Learning und numerische Optimierung
• Deep Learning (2018): Probabilistische Prognosen, unterstützt durch Robotisierung durch künstliche Intelligenz (KI) und Grids von GPUs
• Probabilistische Prognose (2016): Umgang mit Unsicherheit durch Machine Learning und hochdimensionale Statistik
• Quantiltabellen (2015): Betrachtung der gesamten Wahrscheinlichkeitsverteilung der Nachfrage und Einbeziehung von Lieferkettenbeschränkungen
• Quantile Prognosen (2012): Wechsel von Mittelwertprognosen zu Bias-Prognosen, die geschäftsspezifische Asymmetrien widerspiegeln
• Klassische Prognosen (2008): Wechsel von einem mathematischen Modell, das manuell angepasst wurde, zu einem vollautomatisierten Benchmark einer ganzen Bibliothek von Modellen

Die richtige Mischung von Zutaten

Ein Erfolgsrezept

Lokads Technologie basiert nicht darauf, ein (oder mehrere) magische statistische Modelle zu nutzen. Es ist eine Kombination von Zutaten, die zusammenarbeiten, um die richtige Alchemie zu schaffen. In unseren Anfangsjahren haben wir ziemlich schnell erkannt, wie groß die Kluft zwischen rein mathematischer Modellierung und der Realität der Lieferketten war.

Was in der Theorie Wunder wirkte, war in der Anwendung auf echte Unternehmen völlig ineffizient: Die Daten waren unrein, nicht tief genug, zu spärlich, die schiere Menge an Referenzen oder Einträgen im Verkaufsverlauf für einige Unternehmen machte ganze Klassen von Modellen extrem schwer zu verwenden, und dann machten die Beschränkungen der Lieferkette selbst es so, dass die Verbesserung der klassischen Genauigkeitsmetriken der Prognosen tatsächlich die Leistung des Unternehmens verschlechterte.

Lokad musste die richtigen technologischen Antworten auf all diese Probleme finden und seine Sichtweise auf Prognosen und Lieferkettenoptimierung drastisch ändern.

Korrelationen

mit Deep Learning

Wenn man sich jeweils ein Produkt ansieht, gibt es einfach nicht genügend Daten, um eine genaue statistische Prognose zu erstellen. Tatsächlich beträgt die Lebensdauer eines Produkts auf den meisten Verbrauchermärkten weniger als 4 Jahre, was bedeutet, dass die meisten Produkte im Durchschnitt nicht einmal über 2 Jahre Verlaufsdaten verfügen - das ist die minimale Tiefe, um eine zuverlässige Saisonalitätsanalyse durchzuführen, wenn man sich eine einzelne Zeitreihe ansieht. Wir lösen das Problem durch statistische Korrelationen: Die Informationen, die zu einem Produkt erhalten werden, helfen, die Prognose eines anderen Produkts zu verfeinern. Zum Beispiel erkennt Lokad die anwendbare Saisonalität für ein Produkt automatisch, auch wenn das Produkt nur 3 Monate lang verkauft wurde. Obwohl mit nur 3 Monaten Daten keine Saisonalität beobachtet werden kann, wenn ältere, langlebigere Produkte in der Historie vorhanden sind, kann die Saisonalität dort extrahiert und auf neuere Produkte angewendet werden.

Rechenleistung

Durch Cloud-Computing und GPUs

Durch die Nutzung von Korrelationen innerhalb der historischen Daten verbessert sich die Genauigkeit erheblich, was jedoch auch die Menge der durchzuführenden Berechnungen erhöht. Zum Beispiel gibt es bei der Korrelation von 1.000 Produkten bei Betrachtung aller möglichen Paare etwas weniger als 1.000.000 Kombinationen. Schlimmer noch, viele Unternehmen haben weit mehr als 1.000 Produkte. Durch die Nutzung von Cloud-Computing und Grafikprozessoren (GPUs) allozieren wir die Maschinen, wenn die Kunden ihre Daten an uns senden; dann, weniger als 60 Minuten später, geben wir die Ergebnisse zurück, während wir die Maschinen entsprechend deaktivieren. Da uns die von uns verwendete Cloud (Microsoft Azure) pro Minute berechnet, verbrauchen wir nur die Kapazität, die wir wirklich benötigen. Da kein Unternehmen mehr als einmal pro Tag prognostizieren muss, senkt diese Strategie die Hardwarekosten um mehr als das 24-fache im Vergleich zu traditionellen Ansätzen.

Wahrscheinlichkeiten

Um Geschäftsbeschränkungen anzunehmen

Die traditionelle Prognose ist eine Medianprognose, das heißt, ein Wert, der eine 50%ige Chance hat, über oder unter der zukünftigen Nachfrage zu liegen. Leider adressiert diese klassische Vision nicht die Kernanliegen der Lieferkette: das Vermeiden von Lagerbeständen und die Reduzierung des Inventars. Im Jahr 2016 führte Lokad die Idee der probabilistischen Prognosen für die Lieferkette ein, bei der die jeweiligen Wahrscheinlichkeiten jeder Ebene der zukünftigen Nachfrage geschätzt werden. Anstatt einen Wert pro Produkt vorherzusagen, sagt Lokad die gesamte Wahrscheinlichkeitsverteilung voraus. Probabilistische Prognosen übertreffen klassische Prognosen bei langsamen Bewegern, unregelmäßigen Verkäufen und sprunghafter Nachfrage bei weitem. Wir glauben, dass in 10 Jahren alle Unternehmen, die es ernst meinen mit der Bestandsoptimierung, probabilistisch vorgehen werden, wahrscheinlich unter Verwendung eines Nachkommens dieser Technologie.

Von einer mathematischen Bibliothek zu einer End-to-End-Lösung

Wir verfügen über eine große Bibliothek statistischer Modelle. Sie umfasst bekannte Klassiker wie Box-Jenkins, exponentielle Glättung, autoregressive Modelle und all ihre Varianten. Darüber hinaus haben wir, da klassische Modelle Korrelationen schlecht nutzen, bessere Modelle entwickelt, die von allen uns zur Verfügung gestellten Daten profitieren. Seit Anfang an überwachen wir kontinuierlich die Qualität der von uns gelieferten Prognosen und führen Simulationen durch, um die verbleibenden Schwächen unserer Technologie sorgfältig zu bewerten. Wir verbessern ständig unsere Modelle und erweitern unsere Bibliothek um neue Modelle und Paradigmen. Daher profitieren unsere Kunden von einer ständig verbesserten Technologie.

Wir haben jedoch vor langer Zeit erkannt, dass dies nicht ausreicht und dass wir tiefer in die Realität der Lieferkette und die Einschränkungen und Besonderheiten jedes Unternehmens eintauchen müssen. Daher benötigen wir von unseren Kunden nicht nur statistische Fähigkeiten, sondern wir steuern den gesamten Prozess, um eine vollständig nutzbare Lösung bereitzustellen, inklusive präziser Bestellaufträge, Versand- oder Preisvorschläge und Dashboards mit Leistungskennzahlen zur Bewertung ihrer Genauigkeit.

Unsere Supply Chain Scientists stehen Ihnen zur Seite, um alle Ihre Geschäftseinblicke in eine maßgeschneiderte Implementierung einzubeziehen. Dies wird durch die Verwendung unserer auf die Lieferkette ausgerichteten Programmiersprache, Envision, ermöglicht. Deren Flexibilität ermöglicht es uns, Skripte fein abzustimmen, die vollständig in der Lage sind, die Besonderheiten Ihres Unternehmens widerzuspiegeln, um eine perfekte Ergänzung zu unserer Prognosetechnologie zu bieten.