Prognose-Engine

Im Laufe des letzten Jahrzehnts haben sich datenbezogene Technologien enorm weiterentwickelt. Unternehmen sind von der Verwendung numerischer Rezepte, die seit dem 19. Jahrhundert bekannt und verwendet wurden, zu Big Data-orientierten Technologien übergegangen, die von Machine Learning und Deep Learning unterstützt werden. Lokad hat sich darauf konzentriert, immer einen Schritt voraus zu sein und die bestmögliche Wissenschaft für die Optimierung der Supply Chain bereitzustellen.

6 Generationen der Prognose

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

• Differenzierbares Programmieren (2019): das Zusammenführen von zwei algorithmischen Bereichen: Machine Learning und numerische Optimierung
• Deep Learning (2018): Probabilistische Prognosen, unterstützt durch Robotisierung durch künstliche Intelligenz (KI) und GPU-Grids
• Probabilistische Prognose (2016): Umgang mit Unsicherheit durch Machine Learning und hochdimensionale Statistik
• Quantil-Grids (2015): Betrachtung der gesamten Wahrscheinlichkeitsverteilung der Nachfrage und Einbeziehung von Supply Chain-Beschränkungen
• Quantil-Prognosen (2012): Übergang von Durchschnittsprognosen zu Prognosen mit Verzerrung, die geschäftsspezifische Asymmetrien widerspiegeln
• Klassische Prognosen (2008): Wechsel von einem manuell angepassten mathematischen Modell zu einem vollautomatisierten Benchmark einer ganzen Bibliothek von Modellen

Die richtige Mischung aus Zutaten

Ein Erfolgsrezept

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

Was in der Theorie Wunder bewirkte, war in der Praxis völlig ineffizient: Die Daten waren unrein, nicht tief genug, zu spärlich, die schiere Menge an Referenzen oder Einträgen in der Verkaufshistorie einiger Unternehmen machte ganze Klassen von Modellen extrem schwer zu verwenden, und dann führten die Beschränkungen der Supply Chain dazu, dass die Verbesserung der klassischen Genauigkeitsmetriken der Prognosen die Leistung des Unternehmens tatsächlich verschlechterte.

Lokad musste die richtigen technologischen Antworten auf all diese Probleme finden und seine Sichtweise auf Prognosen und Supply Chain-Optimierung drastisch ändern.

Korrelationen

mit Deep Learning

Wenn man sich jeweils ein einzelnes 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 2 Jahre an verfügbarer Historie haben - das ist die minimale Tiefe, um eine zuverlässige Saisonalitätsanalyse bei Betrachtung einer einzelnen Zeitreihe durchzuführen. Wir lösen das Problem durch statistische Korrelationen: Die Informationen, die über ein Produkt gewonnen werden, helfen dabei, die Prognose eines anderen Produkts zu verfeinern. Lokad erkennt beispielsweise automatisch die anwendbare Saisonalität für ein Produkt, auch wenn das Produkt nur 3 Monate lang verkauft wurde. Obwohl mit nur 3 Monaten Daten keine Saisonalität beobachtet werden kann, kann die Saisonalität dort extrahiert und auf neuere Produkte angewendet werden, wenn ältere, langlebigere Produkte in der Historie vorhanden sind.

Rechenleistung

Durch Cloud Computing und GPUs

Durch die Nutzung von Korrelationen innerhalb der historischen Daten verbessert sich die Genauigkeit erheblich, aber gleichzeitig erhöht sich auch die Anzahl der durchzuführenden Berechnungen. Um beispielsweise 1.000 Produkte zu korrelieren und alle möglichen Paare zu betrachten, gibt es etwas weniger als 1.000.000 Kombinationen. Schlimmer noch, viele Unternehmen haben viel mehr als 1.000 Produkte. Durch die Nutzung von Cloud Computing und Graphics Processing Units (GPUs) weisen wir den Maschinen zu, wenn wir sie benötigen, wenn die Kunden ihre Daten an uns senden. Dann, weniger als 60 Minuten später, geben wir die Ergebnisse zurück, während wir die Maschinen entsprechend freigeben. 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, reduziert diese Strategie die Hardwarekosten im Vergleich zu traditionellen Ansätzen um mehr als das 24-fache.

Wahrscheinlichkeiten

Um Geschäftsbeschränkungen zu berücksichtigen

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 berücksichtigt diese klassische Sichtweise nicht die Kernanliegen der Supply Chain: Vermeidung von Lagerbeständen und Reduzierung des Bestands. Im Jahr 2016 führte Lokad die Idee der probabilistischen Prognosen für die Supply Chain ein, bei denen die jeweiligen Wahrscheinlichkeiten für jede Stufe der zukünftigen Nachfrage geschätzt werden. Anstatt einen Wert pro Produkt vorherzusagen, prognostiziert Lokad die gesamte Wahrscheinlichkeitsverteilung. 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 Nachfolgers dieser Technologie.

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

Wir verfügen über eine große Bibliothek von statistischen Modellen. Sie umfasst bekannte Klassiker wie Box-Jenkins, exponentielle Glättung, autoregressive Modelle und all ihre Varianten. Da klassische Modelle Korrelationen nur schlecht nutzen, haben wir bessere Modelle entwickelt, die alle verfügbaren Daten nutzen. Seit Beginn 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 immer besser werdenden Technologie.

Wir haben jedoch vor langer Zeit erkannt, dass dies nicht ausreicht und dass wir tiefer in die Realität der Supply Chain und die Beschränkungen und Spezifika jedes Unternehmens eintauchen müssen. Daher benötigen wir von unseren Kunden keinerlei statistische Kenntnisse und übernehmen den gesamten Prozess, um eine vollständig nutzbare Lösung bereitzustellen. Dazu gehören präzise Bestellvorschläge, Versand- oder Preisvorschläge und Dashboards mit wichtigen Leistungskennzahlen zur Bewertung ihrer Genauigkeit.

Unsere Supply Chain Scientists stehen Ihnen zur Verfügung, um alle Ihre Geschäftseinblicke in eine maßgeschneiderte Implementierung einzubeziehen. Dies wird durch die Verwendung unserer auf die Supply Chain ausgerichteten Programmiersprache Envision ermöglicht. Ihre Flexibilität ermöglicht es uns, Skripte genau an die Besonderheiten Ihres Unternehmens anzupassen, um eine perfekte Ergänzung zu unserer Prognosetechnologie anzubieten.