Starteseite »
Salescast » Hier
Die Funktionsweise des Prognoseengine
Lokads Prognoseengine lässt sich mit einer
schwarzen Box vergleichen: es werden keine Details darüber angezeigt, wie die Prognosen erstellt wurden. Nichtsdestotrotz haben wir keine Geheimnisse und erläutern gerne den Gesamtzusammenhang und die Methodologie. Lassen Sie uns kurz anschauen, was sich in der Box befindet. Bitte schauen Sie sich unsere
Technologie-Seite und die
Technologie FAQ für weitere Erklärungen an.
Unsere Technologie basiert auf vier wichtigen
Bausteinen:
Unsere
Bücherei statistischer Modelle enthält mehr als 100 Modelle. Wir arbeiten kontinuierlich an neuen Anwednungsmodellen. Unser Portfolio enthält so bekannte
Klassiker, wie die Autoregression, gleitende Durchschnitte, (doppele und dreifache) exponentielle Glättung, Box-Jenkins, Holt-Winters, ARMA, ARIMA etc. Desweiteren arbeiten wir mit sehr modernen
Ansätzen, wie Bayes-Theorem, Vast Margin-Ansatz, Mixture/Boosting-, Meta-heuristische-Ansätze (genetische Algorithmen, neurale Netzwerke, genetische Programmierung und andere evolutive / adaptive Ansätze) etc.
Der
Auswahlmechanismus des Modells gewährleistet, dass wir die beste Modellkombination für jedes einzelne Produkt in Ihrem Portfolio identifizieren und anwenden. Hierzu vergleichen wir eine große Anzahl an Modellen in einem
internen Wettbewerb, um die genaueste Kombination zu bestimmen. Dies gewährleistet, dass jedes prognostizierte Produkt den passensten Modelsatz aus unserem Portfolio nutzt. In vielen Fällen stellt die Auswahl der Modelle eine größere Herausforderung dar, als deren Entwicklung.
Unser Ansatz
mehrerer Zeitreihen basiert auf der einfachen Idee, dass die individuelle Betrachtung eines einzelnen Produktes zu einem Zeitpunkt ein recht
kurzsichtiger Prognoseansatz ist. Zum Beispiel: Bei der Prognose der Saisonalität eines Schokoladenriegels kann die Saisonalität eines konkurrierenden Schokoriegels hilfreiche Anhaltspunkte liefern. Für jedes einzelne Produkt analysieren wir das vollständige Produktportfolio auf Korellationen. Hierdurch können wir in der Regel eine Vielzahl an überlappenden Mustern, wie beispielsweise die Saisonalität, Kannibalismus, Trends, Netzwerkeffekte aufdecken, die uns bei der Prognose des vorliegenden Produktes helfen.
Cloud Computing stellt die enormen Menge an Berechnungsleistung zur Verfügung, die zum Funktionieren unserer Modellbücherei, unser Auswahlmechanismen und unserer vielfältigen Zeitreihen-Ansätze benötigt wird. Zum Beispiel: Zur Erstellung von Prognosen für ein Beispiel von 1.000 Produkten, können bereits über 1.000.000 potentielle Korrelationen analysiert werden. Dies verlangt, im Vergleich zu klassischen Prognosewerkzeugen, nach einer tausendfach höheren Bearbeitungsstärke, wobei klassische Produkte gerade versuchen diese Art berechnungsintensiver Modelle zu vermeiden. Und ganz nebenbei: Wir haben als erstes Unternehmen weltweit den
Microsoft Windows Azure Partner des Jahres Preis für diese Technologie erhalten.