Prognose mit Quantile Grids (2015)

Quantile Grids stellen eine radikale Verbesserung gegenüber klassischen Prognosemethoden dar, wenn Bestände involviert sind. Sie sind auch überlegen gegenüber Quantil-Prognosen, da sie viel mehr Informationen über die Zukunft liefern. Traditionelle Prognosemethoden funktionieren schlecht, insbesondere im Handel. Die Wurzel dieses Problems ist einfach: die Zukunft ist unsicher. Klassische Prognosen versuchen, den einen korrekten Wert der zukünftigen Nachfrage vorherzusagen, und nun ja, sie scheitern daran. Verzweifelt zu versuchen, klassische Prognosen zu korrigieren in der Hoffnung, dass die “korrekte” zukünftige Nachfrage vorhergesagt wird, ist illusorisch. Quantile Grids nehmen zu diesem Problem eine völlig andere Haltung ein.

Mit Quantile Grids sagt Lokad nicht einen zukünftigen Nachfragewert für ein bestimmtes Produkt voraus, sondern die gesamte Wahrscheinlichkeitsverteilung für die Nachfrage; das heißt die Wahrscheinlichkeit, eine Nachfrage von null Einheiten zu haben, dann eine Einheit, dann zwei Einheiten usw. Diese Informationen sind wesentlich reicher und können auf Weisen genutzt werden, die bei weitem profitabler sind als klassische Prognosen.

Einführung für Nicht-Statistiker

Während Sie diese Zeilen lesen, wenn Sie kein Statistiker sind, fragen Sie sich vielleicht, ob Ihr Unternehmen überhaupt eine Chance hat, etwas Vernünftiges mit diesen sogenannten “Quantile Grids” zu erreichen. Dies klingt eher wie ein guter Titel für eine Doktorarbeit in moderner Statistik als ein praktisches Mittel zur Prognose. Nun, wenn Sie denken, dass dieser Begriff einschüchternd ist, ersetzen Sie einfach gedanklich Quantile Grids durch Prognosen, die tatsächlich funktionieren, und das wird genügen. Die große Mehrheit der Unternehmen, die Lokad nutzen, haben keinerlei Kenntnisse in Statistik. Der Spamfilter in Ihrem Posteingang verwendet ebenfalls fortgeschrittene Statistiken, und es bedarf keines Doktortitels, um einen Posteingang zu nutzen.

Lokad tut in etwa dasselbe für den Handel. Wir nutzen fortschrittliches maschinelles Lernen, um Ihr Unternehmen profitabler zu machen, und die Technologie dahinter ist mittlerweile so fortgeschritten, dass Sie sich nicht mehr sehr darum kümmern müssen.

Im Folgenden beschreiben wir, was hinter den Kulissen bei Lokad passiert, aber seien Sie versichert, dass Sie Lokad nutzen können, auch wenn Sie kein vollständiges Verständnis dafür haben, was in unseren Prognose-Engine einfließt - ähnlich wie Sie einen Spamfilter nutzen können, ohne mit bayesianischer probabilistischer Inferenz vertraut zu sein.

Neues Denken bei Prognosen für den Handel

Viele Anbieter rühmen sich damit, “fortschrittliche” Prognosemethoden wie ARIMA, Box-Jenkins und Holt-Winters zu verwenden, die tatsächlich fast ein halbes Jahrhundert alt sind; sie wurden alle in einer Zeit konzipiert, in der die leistungsstärksten Unternehmenscomputer weniger Rechenleistung hatten als die meisten Kühlschränke heutzutage. Die Menschen, die diese Methoden erfunden haben, waren außergewöhnlich klug, mussten sich jedoch mit den Rechenressourcen ihrer Zeit begnügen und gaben daher den Modellen den Vorzug, die mit sehr wenigen Berechnungen durchgeführt werden konnten. Heutzutage können wir massive Rechenleistung für unsere Prognoseherausforderungen zu sehr geringen Kosten nutzen.

Denken Sie daran, dass 1000 Stunden Rechenleistung weniger als 50 US-Dollar kosten, wenn Sie eine Cloud-Computing-Plattform verwenden. Offensichtlich eröffnet dies völlig neue Perspektiven für Prognosen, und genau diese Perspektiven hat Lokad ausgiebig erforscht. Quantile Grids stellen die dritte Version der Prognosetechnologie von Lokad dar, aber um das Gesamtbild zu erhalten, gehen wir einige Jahre zurück. Wir begannen 2008 mit klassischen Prognosen als erste Version unserer Prognosetechnologie, und trotz drei Jahren enormer Forschungs- und Entwicklungsanstrengungen des Lokad-Teams erwies sich der klassische Ansatz als Sackgasse. Wir haben es nie wirklich geschafft, einen Kunden mit klassischen Prognosen zufrieden zu stellen. Als wir mehr über die Erfahrungen unserer Kunden mit anderen Prognoseanbietern erfuhren, stellte sich heraus, dass es kein einziges Unternehmen gab, das mit der erworbenen Prognosetechnologie auch nur annähernd zufrieden war. Dieses Problem war nicht spezifisch für Lokad, und wir erkannten, dass die gesamte Prognosebranche dysfunktional war; und wir beschlossen, etwas dagegen zu unternehmen.

Im Jahr 2012 veröffentlichte Lokad die zweite Version seiner Prognosetechnologie mit dem Codenamen Quantile Prognosen. Quantile Prognosen adressieren einfach ausgedrückt das Hauptproblem, das klassische Prognosen plagt: Klassische Prognosen betrachten einfach nicht das richtige Problem.

Tatsächlich besteht die Herausforderung für Unternehmen darin, zwei Extreme zu vermeiden: unerwartet hohe Nachfrage, die zu Lagerausfällen führt, und unerwartet niedrige Nachfrage, die zu totem Lagerbestand führt. Was in der Mitte passiert, wenn die zukünftige Nachfrage ungefähr “wie erwartet” ist, spielt aus geschäftlicher Sicht kaum eine Rolle.

Klassische Prognosen, Mittelwert- oder Medianprognosen, ignorieren diese “extremen” Situationen vollständig und konzentrieren sich ausschließlich auf den Durchschnittsfall. Nicht überraschend versagen klassische Prognosen darin, sowohl Lagerausfälle als auch toten Lagerbestand zu verhindern. Quantile Prognosen gehen die Herausforderung direkt an und betrachten direkt das interessierende Szenario, sagen wir, das Vermeiden von Lagerausfällen, und bemühen sich, eine präzise Antwort auf dieses konkrete Problem zu liefern. Plötzlich hatten wir 2012 immer mehr zufriedene Kunden. Zum ersten Mal in der Geschichte von Lokad, mehr als 3 Jahre nach dem Start des Unternehmens, hatten wir etwas, das funktionierte.

Im Jahr 2015 veröffentlichte Lokad die dritte Version seiner Prognosetechnologie, die Quantil-Grids. Während Quantile Prognosen bereits eine radikale Verbesserung gegenüber klassischen Prognosen darstellten, hatten sie immer noch ihre Schwächen. Mit zunehmender Erfahrung aus Dutzenden von Implementierungen unserer Quantil-Prognosetechnologie erkannten wir, dass die Idee, eine Prognose nur für “ein” Geschäftsszenario zu erstellen, zwar sinnvoll war, aber nicht vollständig. Warum nur dieses eine Szenario? Warum nicht ein zweites Szenario oder ein drittes? Das manuelle Verwalten mehrerer Szenarien erwies sich als mühsam, und wir erkannten, dass alle Szenarien gleichzeitig prognostiziert werden sollten. Aus rechnerischer Sicht war dies erheblich kostspieliger: Für jedes Produkt würden wir die jeweiligen Wahrscheinlichkeiten (fast) jedes einzelnen Nachfragelevels berechnen. Obwohl die Menge an Berechnungen erschreckend erscheint, sind die Preise für Rechenressourcen in den letzten Jahren ebenfalls stark gefallen. Und was wir vor 5 Jahren als zu teuer angesehen hätten, war jetzt sehr erschwinglich. Im Jahr 2015 veröffentlichte Lokad die dritte Version seiner Prognosetechnologie, die Quantil-Grids. Obwohl Quantil-Grids extrem rechenintensiv sind, sind sie dank des starken Rückgangs der Cloud-Computing-Ressourcen jetzt erschwinglich.

Die gesamte Wahrscheinlichkeitsverteilung der Nachfrage berücksichtigen

Die zukünftige Nachfrage ist unsicher. Jeder Versuch, die zukünftige Nachfrage mit nur einem Wert darzustellen, ist etwas naiv, denn egal wie gut dieser Wert sein mag, er kann niemals die ganze Geschichte erzählen. Es wäre schön, ein “magisches” System zu haben, das in der Lage ist, das genaue Niveau der zukünftigen Nachfrage vorherzusagen, aber das ist auch ziemlich illusorisch. Wenn Menschen versuchen, mit einer falschen Prognose umzugehen, ist es sehr verlockend, diese Prognose zu “korrigieren”. Leider ist statistische Prognosearbeit größtenteils gegenintuitiv, und die Realität ist, dass es oft nichts zu korrigieren gibt: Der prognostizierte Wert ist eine der vollkommen gültigen und möglichen zukünftigen Nachfrageergebnisse.

Das System kann möglicherweise ein wenig feinabgestimmt werden, um etwas wahrscheinlichere Werte für die zukünftige Nachfrage zu erzeugen, aber das war es auch schon. Ihr Unternehmen erhält nur etwas wahrscheinlichere Werte für die zukünftige Nachfrage, was nicht zu einer Steigerung der Geschäftstätigkeit führt, die man eigentlich erwartet hätte.

Quantile Grids verfolgen einen ganz anderen Ansatz: Für jedes Produkt berechnet Lokad die jeweiligen Wahrscheinlichkeiten für jedes einzelne Niveau der zukünftigen Nachfrage. Anstatt die Illusion aufrechtzuerhalten, dass die zukünftige Nachfrage bekannt ist, drücken Quantile Grids direkt die Wahrscheinlichkeiten aus, die mit vielen möglichen Zukunftsszenarien verbunden sind.

Wenn wir beispielsweise ein selten verkauftes Produkt mit einer Vorlaufzeit von 2 Wochen betrachten, kann die Verteilung der Nachfrage über die nächsten 2 Wochen (normalerweise muss der Prognosehorizont mit der Vorlaufzeit übereinstimmen) für dieses Produkt wie folgt dargestellt werden:

Über die Zukunft aus einer vollständig probabilistischen Perspektive nachzudenken, mag kompliziert erscheinen, aber es repräsentiert tatsächlich das, was jeder Geschäftsführer bereits tut, wenn auch auf weniger formale Weise: die Chancen bestimmter Ergebnisse abwägen und die Wetten im Hinblick auf ihr Geschäft absichern, um gut vorbereitet zu sein, wenn es um die relevantesten Szenarien geht. Aus der Perspektive des Prognosemotors besteht die logische Lösung darin, da wir im Voraus nicht wissen, welche Szenarien am relevantesten wären, alle möglichen Szenarien zu verarbeiten. Wenn jedoch ein Unternehmen tausend Produkte prognostizieren muss (und einige unserer Kunden Millionen von SKUs zu bewältigen haben) und Lokad die Wahrscheinlichkeiten für 100 Szenarien für jedes Produkt berechnet, würden die Quantile Grids eine riesige Liste mit 100.000 Einträgen produzieren, was nicht praktikabel klingt. Wir kommen in diesem Abschnitt zu diesem Punkt.

Priorisierung von Entscheidungen in der Lieferkette

Für jede Einkaufsentscheidung können wir eine einfache grobe Kalkulation aufschreiben, die “Ergebnis” -Formel, die von der zukünftigen Nachfrage gegenüber der aktuellen Einkaufsentscheidung abhängt. Dann kann jede einzelne Entscheidung bewertet werden, basierend auf der jeweiligen Wahrscheinlichkeit jedes Niveaus der zukünftigen Nachfrage.

Prognosen werden am häufigsten verwendet, um Lieferkettenentscheidungen zu steuern, wie z.B. Bestellungen für den Handel oder die Auslösung einer Produktionscharge in einem industriellen Umfeld. Sobald wir alle Wahrscheinlichkeiten für alle zukünftigen Ergebnisse haben, ist es möglich, eine vollständige Prioritätenliste aller Einkaufsentscheidungen zu erstellen. Tatsächlich können wir für jede Einkaufsentscheidung eine einfache grobe Kalkulation aufschreiben, die “Ergebnis” -Formel: Unter der Annahme, dass die Nachfrage D Einheiten beträgt und unter der Annahme, dass wir P Einheiten kaufen, wird das finanzielle Ergebnis X sein. Selbstverständlich steht Lokad Ihnen zur Seite, um Ihnen bei der Formulierung dieser kurzen Formel zu helfen, die für die meisten Unternehmen auf die Bruttomarge abzüglich der Lagerkosten und abzüglich der Kosten für Lagerausfälle hinausläuft. Folglich können wir, sobald wir diese Formel haben, für jede Lieferkettenentscheidung, wie z.B. “1 Einheit des Produkts Z kaufen”, die Ergebnisse gegen die Wahrscheinlichkeiten aller möglichen zukünftigen Ergebnisse abwägen. Auf diese Weise berechnen wir die “Bewertung” jeder möglichen Entscheidung.

Nachdem jede Entscheidung bewertet wurde, ist es möglich, all diese Entscheidungen zu rangieren und die profitabelsten Optionen oben auf der Liste zu platzieren. Wir bezeichnen diese Liste als Master-Einkaufsprioritätsliste. Es ist eine Liste, auf der jedes Produkt auf zahlreichen Zeilen erscheint. Während der Kauf von 1 Einheit des Produkts Z möglicherweise die am höchsten bewertete Einkaufsentscheidung ist (auch bekannt als die dringendste Einkaufsentscheidung), kann der Kauf der nächsten 1 Einheit des Produkts Z nur die 20. dringendste Einkaufsentscheidung sein, mit vielen anderen Einheiten anderer Produkte, die dazwischen gekauft werden müssen.

Die Masterliste beantwortet eine sehr einfache Frage: Wenn das Unternehmen einen zusätzlichen Dollar für seinen Bestand ausgeben kann, wohin sollte dieser Dollar zuerst gehen? Nun, dieser Dollar sollte dem Artikel zugute kommen, der Ihrem Unternehmen den größten Gewinn bringt. Dann, sobald dieser bestimmte Artikel erworben wurde, kann man dieselbe Frage wiederholen. Dieses Mal wird jedoch, sobald diese eine zusätzliche Einheit erworben wurde, der nächste rentabelste Artikel, der gekauft werden soll, wahrscheinlich ein anderer sein, da es starke abnehmende Erträge gibt, wenn man denselben Artikel in Ihrem Lager stapelt. Tatsächlich, je mehr Lagerbestand Sie haben, desto weniger dreht sich Ihr Lager und desto höher sind die Wahrscheinlichkeiten, dass Sie mit totem Lagerbestand stecken bleiben. Diese Probleme spiegeln sich natürlich in der “Ergebnis” -Formel und in der resultierenden Priorisierung der Liste wider.

Besser als das Feintuning von Servicelevels

Herauszufinden, welche “optimalen” Servicelevels das gewünschte Risiko eines Lagerausfalls darstellen, ist eine sehr schwierige Übung. Dies ist ein komplexes Problem, da Servicelevels nur indirekt mit der finanziellen Leistung eines Unternehmens zusammenhängen. Tatsächlich kann es für einige Produkte äußerst teuer sein, ein zusätzliches Prozent des Servicelevels zu erhalten, und daher sollten, wenn Ressourcen verfügbar sind, diese eher auf andere Produkte verteilt werden, bei denen dieselbe Investition nicht 1%, sondern 10% zusätzliches Servicelevel bringen würde.

Mit Quantile Grids als Master-Einkaufsprioritätsliste muss man sich nicht einmal um Servicelevels kümmern, da diese nativ in der Priorisierung selbst reflektiert sind.

Wenn das Servicelevel eines hochmargigen Produkts kostengünstig erhöht werden kann, steigt dieses Produkt natürlich an die Spitze der Liste. Umgekehrt, wenn ein Produkt unter stark schwankenden Verkäufen leidet, was alle Versuche, das Servicelevel zu erhöhen, extrem teuer macht, wird dieses Produkt nur dann an die Spitze der Liste rücken, wenn die Lagerbestände gefährlich niedrig sind und das Unternehmen praktisch garantiert ist, trotz sehr unregelmäßiger Nachfragemuster keine veralteten Bestände zu haben. Die Prioritätenliste löst auch das Problem der Bargeldbeschränkungen. Unabhängig davon, wo Ihr Unternehmen in Bezug auf Bargeld steht, bietet Ihnen die Prioritätenliste eine handhabbare Option. Wenn nur wenig Bargeld verfügbar ist, kauft Ihr Unternehmen nur das, was ganz oben auf der Liste steht, und hält die Lagerbestände nur von Produkten aufrecht, die dringend aufgefüllt werden müssen. Wenn zusätzliches Bargeld vorhanden ist, hat Ihr Unternehmen die Möglichkeit, seinen Lagerbestand zu erhöhen, indem es sich auf Artikel konzentriert, die das stärkste Wachstum vorantreiben, während es die Lagerbestandsrisiken unter Kontrolle hält.

Einbeziehung der Lieferkettenbeschränkungen

Unternehmen müssen häufig mit Lieferbeschränkungen wie Mindestbestellmengen entweder auf SKU-Ebene oder auf Bestellebene umgehen. Manchmal müssen Einheiten in großen Chargen wie Containern gesammelt werden. Solche Beschränkungen können auf natürliche Weise in die Arbeitsabläufe eines Unternehmens integriert werden, wie oben beschrieben, indem eine Master-Einkaufsprioritätsliste verwendet wird; dies bietet nicht nur priorisierte Einkaufsvorschläge, sondern auch Empfehlungen, die mit den Bestellbeschränkungen kompatibel sind.

Der genaue Prozess hängt von den tatsächlichen Arten von Beschränkungen ab, mit denen ein Unternehmen konfrontiert sein kann. Betrachten wir beispielsweise Containerlieferungen. Lokad kann die kumulierten Volumina pro Lieferant berechnen, unter der Annahme, dass Einkaufslinien in der Reihenfolge der Liste verarbeitet werden und dass jeder Lieferant unabhängig voneinander versendet. Basierend auf diesen kumulierten Volumina ist der Prozess, die Liste abzuarbeiten, bis die Zielcontainerkapazität erreicht ist, sehr einfach. Ebenso, wenn eine Mindestbestellmengenbeschränkung für eine bestimmte SKU besteht, ist es auch einfach, alle Linien aus der Liste zu entfernen, die vor Erfüllung der Beschränkung kommen, und die Mengen direkt an die erste Linie zu melden, sobald die Beschränkung erfüllt ist.

Indem der Kauf auf eine Mindestanzahl von N Einheiten festgelegt wird, wird die Wettbewerbsfähigkeit des SKUs beeinträchtigt, d.h. der SKU erscheint zuerst in der Liste an einer niedrigeren Position, was genau das beabsichtigte Verhalten ist, da die Lagerbestandsrisiken mit Mindestbestellmengen zunehmen. Insbesondere dieser Ansatz adressiert vollständig die langjährigen Herausforderungen, die sowohl klassische als auch Quantilprognosen gleichermaßen negativ beeinflusst haben: Was sollte getan werden, wenn die vorgeschlagenen Nachbestellmengen über oder unter den Bestellbeschränkungen liegen? Wenn einige Einheiten entfernt werden müssen, welche Produkte sollten als erstes gehen? Wenn Einheiten hinzugefügt werden müssen, welche Produkte sollten in größeren Mengen gekauft werden? Ältere Prognosemethoden lieferten keine zufriedenstellenden Antworten auf diese Fragen. Mit einer Prioritäts-Einkaufsliste muss man nur der Reihenfolge der Liste folgen.