Probabilistische Vorhersage

Probabilistische Vorhersage

Startseite » Prognosen » Hier

Probabilistische Vorhersagen stellen eine deutliche Verbesserung in Bezug auf Lokads vorheriger Generation von Prognose-Technologie mit Quantiltabellen dar. Im Vergleich zu klassischen Prognosemethoden, werden probabilistische Vorhersagen als Durchbruch gesehen, der mehr Genauigkeit bietet und somit auch, was die Lieferkette, den Bestand oder die Produktion betrifft, operative Vorteile bringt.

Image

Ungewissheit begrüßen

Viele Unternehmen verzweifeln an Prognosen, die immer wieder falsch sind. Es hat Lokad Jahre gekostet, den Ursprung dieses Problems herauszufinden: von herkömmlichen Prognoseansätzen wird erwartet, dass sie richtige Zahlen liefern. Doch die Zukunft ist ungewiss und wenn ein bestimmtes Tool oder eine Lösung wider Erwarten keine richtigen Zahlen liefern, kommen auch die Vorteile nicht ans Licht. Unserer Erfahrung nach, kann man die bestehenden Prognose-Modelle, im herkömmlichen Sinn weder mit Feineinstellung verbessern noch mit F&E weiterentwickeln, um dieses Problem zu lösen. Methoden wie die Analyse des Sicherheitsbestands sollen mit Ungewissheit umgehen, doch in der Praxis ist die Analyse des Sicherheitsbestands eine Nachbereitung. Probabilistische Vorhersagen bieten eine ganz neue Art, in die Zukunft zu blicken Im Lieferkettenmanagement steigen Kosten im Zusammenhang mit Extremereignissen: so entstehen durch eine außergewöhnlich hohe Nachfrage Fehlbestände, die Kunden frustrieren und durch außergewöhnlich niedrigen Bestand kostspielige Lagerabschreibungen. Wie Führungskräfte wissen, sollten Unternehmen auf das Beste hoffen und sich auf das Schlimmste vorbereiten. Wenn die Nachfrage genau den erwarteten Bereich erreicht, verläuft alles reibungslos. Doch die Herausforderung der Unternehmensprognose ist nicht, bei einfachen Fällen, bei denen alles sogar bei einem gleitenden Mittelwert richtig läuft, gut abzuschneiden. Die eigentliche Herausforderung ist, die schwierigen Fälle zu bewältigen, diejenigen, die die gesamte Lieferkette auf den Kopf stellen können

Lokad hat einen radikal neuen Ansatz für Prognosen entwickelt, nämlich probabilistische Vorhersagen. Einfach gesagt, bietet eine probabilistische Vorhersage nicht einfach eine Schätzung des Bedarfs, sondern eine Beurteilung der Wahrscheinlichkeiten jedes möglichen Ereignisses. Es wird die Wahrscheinlichkeit für einen Bedarf von null Einheiten, für eine Einheit, für zwei Einheiten, usw. geschätzt. Es werden alle möglichen Bedarfsstufen geschätzt, bis die Wahrscheinlichkeit so gering ist, dass sie mit ruhigem Gewissen ignoriert werden kann.

Diese probabilistische Vorhersagen bieten eine ganz neue Art, in die Zukunft zu blicken. Statt sich an die Wunschvorstellungen zu klammern und zu erwarten, dass die Prognoseergebnisse auch eintreten, erinnern probabilistische Prognosen daran, dass immer alles möglich ist, jedoch nicht mit derselben Wahrscheinlichkeit. Daher bieten probabilistische Prognosen, wenn man sich auf das Schlimmste vorbereitet, eine leistungsfähige quantitative Lösung zur Abwägung der Risiken, während herkömmliche Prognosen dies nicht berücksichtigen.
Während Risikoanalysen bei herkömmlichen Prognoseansätzen allgemein erst im Nachhinein eintreten,
bringt Lokad diese anhand der probabilistischen Vorhersagen in den Vordergrund.

Aus der Sicht des Fachmanns

Möglicherweise klingen probabilistische Vorhersagen etwas einschüchternd und technisch. Doch es kann durchaus sein, dass, wenn Sie ein Fachmann für Lieferketten sind, Sie schon jahrelang „intuitive“ probabilistische Vorhersagen erstellen. Denken Sie an all jene Situationen, in denen die Grundprognosen überprüft werden mussten, weil das Risiko zu hoch war. Genau darum geht es bei probabilistischen Prognosen, nämlich um ein passendes Gleichgewicht bei einer ungewissen Zukunft. Während diese Risikoanalysen bei herkömmlichen Prognoseansätzen allgemein erst im Nachhinein eintreten, bringt Lokad dies anhand der probabilistischen Vorhersagen in den Vordergrund.

Die Ausgabedaten des probabilistischen Prognose-Engines sind Wahrscheinlichkeitsverteilungen. Aus einer praktischen Perspektive, ist diese Information, obwohl sie sehr ergiebig ist - man achtet ja schließlich auf alle möglichen künftigen Ereignissen - auch etwas unpraktisch, was ihre Handhabung betrifft. Daher bietet Lokad eine gesamte Plattform, alle notwendigen Tools und einen hervorragenden Support, sodass Ihr Unternehmen die Möglichkeit nutzen kann, diese Wahrscheinlichkeiten in Unternehmensentscheidungen, wie etwa Bestellmengen, umzuwandeln.

Lokads Webapp nutzt Big Data Verarbeitungsleistung und ermöglicht, die notwendige Unternehmenslogik zu erstellen, die diese Prognosen in Entscheidungen umwandelt, die besonders an Ihr Unternehmen angepasst sind. Diese Entscheidungen können auf die Bedingungen Ihrer eigenen Lieferkette abgestimmt werden, wie MOQs (Mindestbestellmengen), oder auf Ihre finanziellen Faktoren, wie etwa Risiken im Zusammenhang mit der Haltbarkeit oder an Ihre Prozesse, wie etwa tägliche Bestellungen, die vor 8 Uhr morgens aufgegeben werden müssen. Image
Unabhängig davon, wie viele Wochen oder Monate Arbeitszeit investiert werden, um die manuelle Lösung funktionsfähig zu gestalten, werden immer weitere Feineinstellungen nötig sein

Robotisierung durch maschinelles Lernen

Das Management von Lieferketten beschäftigt sich oft mit einer Vielzahl an Produkten, die sich an verschiedenen Standorten befinden. Herkömmliche Prognoselösungen verlassen sich da meistens auf manuelle Anpassungen, wenn es um fortgeschrittene statistische Muster geht, wie etwa bei neuen Produkten oder den Einfluss der Lebensdauer. Doch unsere Erfahrung bei Lokad zeigt, dass, wenn eine Lösung Feineinstellungen benötigt, dies kein Ende nimmt. Unabhängig davon, wie viele Wochen oder Monate Arbeitszeit investiert werden, um die Lösung funktionsfähig zu gestalten, werden immer mehr Feineinstellungen benötigt, weil es einfach zu viele Produkte und zu viele Standorte gibt und das Unternehmen sich ständig verändert.

Daher haben wir uns bei Lokad für eine komplette Robotisierung des Prognoseprozesses entschieden. Das bedeutet, dass

  • keine Statistikkenntnisse erforderlich sind, um eine Prognose zu erhalten
  • keine Feinabstimmung zur Anpassung der Prognose erwartet wird
  • keine Wartung nötig ist, um die Prognose mit Ihrem Unternehmen abzustimmen

Diese Robotisierung wird durch maschinelles Lernen erlangt. Intuitiv versteht man, dass die verfügbare Information pro Produkt gewöhnlich nicht über ausreichende Aussagekraft für eine genaue statistische Analyse verfügt. Doch betrachtet man, alle Korrelationen unter allen jemals verkauften Produkten, ergibt sich die Möglichkeit, die Prognosemodelle automatisch zu verfeinern und bessere Prognosen zu erstellen, die außer den Daten des eigentlichen Produkts auch Daten aller anderen, aus der Sicht der Prognose als ähnlich betrachteter Produkte, zu nutzen.

Algorithmen, die in der Lage sind, mit dieser Art hochdimensionaler statistischer Daten umzugehen, werden gewöhnlich als Algorithmen für maschinelles Lernen oder Algorithmen für statistisches Lernen bezeichnet. Lokad nutzt für seine Prognosen genau diese Algorithmen, mehrere davon, um genauer zu sein. Ein kleinerer Nachteil ist, dass diese Algorithmen viel mehr Rechenleistung in Anspruch nehmen, als die herkömmlichen Lösungen. Doch diese Herausforderung kann durch Cloud Computing gelöst werden, mit dem der Prognose-Engine reibungslos, unabhängig vom Datenvolumen, weiterläuft.
Bei Lokad ist Prognose eine laufende Arbeit.

Der Ursprung unserer probabilistischen Vorhersagen

Lokad hat die probabilistischen Vorhersagen nicht erfunden, sondern andere Mathematiker, die das Konzept hauptsächlich auf ganz andere Probleme anwandten, wie etwa Prognosen der Warenpreise oder Wettervorhersagen. Außerdem hat Lokad nicht von Anfang an probabilistische Vorhersagen benutzt, sondern klassische Prognosen (2008), Quantilprognosen (2012) und Quantiltabellen (2015). So sind folglich die probabilistischen Vorhersagen die vierte Generation unserer Prognosetechnologie.

Aus den Erfahrungen mit den früheren Versionen dieser Technologie konnten wir eine ganze Menge Knowhow bei der Erstellung von Prognose-Engines, die für eine Reihe Unternehmenssituationen geeignet sind, sammeln. Image

Die Idee selbst, Wahrscheinlichkeiten statt Durchschnitte zu schätzen stammt aus den frühen Jahren, in denen wir noch den klassischen Ansatz verwendet haben. Wir mussten erst einige Male scheitern, um zu verstehen, dass der klassische Ansatz schon von Haus aus fehlerhaft war und der statistische Rahmen daher auch nicht mit F&E verbessert werden konnte. Dieser musste an erster Stelle umgestaltet werden, um ein funktionierendes Prognosemodell zu erhalten.

Zusätzlich war jede Version unserer Prognose-Engines, aus mathematischer Sicht, eine Verallgemeinerung der vorangehenden Version, wobei mit jeder neuen Generation, der Prognose-Engine mehr Fälle berücksichtigen konnte. In der Tat ist es besser, ungefähr richtig zu liegen als genau falsch. Die schwierigsten Situationen liegen vor, wenn der Prognose-Engine nicht die passendste Vorhersage für eine bestimmte Unternehmenssituation erstellen kann, weil es nicht genügend Ausdrucksfähigkeit bietet. Oder wenn der Prognose-Engine Eingabedaten, die für das statistische Verständnis bestimmter Situationen relevant wären, nicht verarbeiten kann, weil es, wie gesagt, nicht über ausreichende Ausdrucksfähigkeit verfügt.

Bei Lokad ist Prognose eine laufende Arbeit. Obwohl wir stolz auf unseren probabilistischen Prognose-Engine sind, sind wir noch nicht am Ende angekommen. Im Gegensatz zu On-Premis-Lösungen, bei denen das Upgrade auf ein neues Tool eine Herausforderung für sich ist, genießen Lokads Kunden die nächste Generation unseres Prognose-Engines, sobald sie verfügbar ist.


Unser Prognose-FAQ


Welche Prognosemodelle nutzen Sie?

Wir benutzen viele Prognosemodelle. Die meisten Modelle, die wir heutzutage benutzen, fallen unter die sogenannten Algorithmen für maschinelles Lernen. Diese Modelle wurden von Lokad entwickelt und haben gewöhnlich keine bestimme Entsprechung in der wissenschaftlichen Literatur. Als wir 2008 begannen, hatten wir alle Klassiker erneut eingeführt (Box-Jenkins, ARIMA, Holt-Winters, exponentielle Glättung, etc.). Doch all diese Modelle sind überholt, da sie mit unseren neuesten Modellen nicht mithalten können.

Wie wählen Sie das oder die passenden Modelle aus?

Mit dem richtigen Modell oder Konvexkombination ist die Hälfte des Problems gelöst, was die Erstellung einer guten Prognose betrifft. Statistisch betrachtet, wäre ein System, das in der Lage ist, immer das „beste“ Modell zu wählen, ein System, das immer die „perfekte“ Prognose wählt. In der Praxis stützt sich unser Prognose-Engine bei der Wahl des besten Modellsets deutlich auf Backtesting.

Kann Ihr Prognose-Engine Saisonalität, Trends und Wochentage berücksichtigen?

Ja, der Prognose-Engine kann alle üblichen Zyklizitäten berücksichtigen. Unsere Modelle nutzen auch einen Ansatz mit verschiedenen Zeitreihen zur Berücksichtigung von in anderen Produkten festgestellten Zyklizitäten, um die Prognosegenauigkeit für jegliche Produkte zu erhöhen. Natürlich können zwei Produkte dieselben Saisonalität gemeinsam haben, aber nicht dasselbe Muster über die verschiedenen Wochentage. Wir verfügen über Modelle, die dies auch berücksichtigen können.

Welche Daten benötigen Sie?

Zur Vorhersage des Bedarfs benötigt der Prognose-Engine mindestens die tägliche Historie des Bedarfs oder, noch besser, die aufgeschlüsselte Bestellhistorie. Was die Länge der Historie betrifft, ist es umso besser, desto länger sie ist. Wobei unter zwei Jahren keine Saisonalität festgestellt werden kann. Daher betrachten wir Historien von drei Jahren als gut und von fünf Jahren als hervorragend. Zur Prognose der Durchlaufzeiten benötigt der Prognose-Engine gewöhnlich die Bestellungen, in denen sowohl das Bestell- als auch das Lieferdatum, vermerkt sind. Außerdem ist es für eine verfeinerte Prognose sehr hilfreich, Produkt- oder SKU-Attribute anzugeben. Zusätzlich ist auch die Angabe der Bestände nützlich, um eine erste bedeutende Bestandsanalyse zu erstellen.

Können Sie mein Excel-Blatt prognostizieren?

Als Faustregel kann man sagen, dass wenn Ihre gesamten Daten auf eine Excel-Tabelle passen, Sie damit wahrscheinlich nicht viel anfangen können. Tabellendaten sind oft nach Wochen oder Monaten aggregiert, wodurch die meisten historischen Informationen verloren gehen. Außerdem enthält Ihr Excel-Blatt vermutlich auch nicht viel Information über die Kategorien und Hierarchien Ihrer Produkte. Unser Prognose-Engine nutzt alle Daten, die Sie besitzen, daher liefert ein Test auf Grundlage einer kleinen Auswahl keine zufriedenstellenden Ergebnisse.

Was geschieht bei Fehlbeständen und Aktionen?

Sowohl Fehlbestände, als auch Aktionen, stellen eine Verzerrung in der Absatzhistorie dar. Da das Ziel die Prognose des Bedarfs und nicht die des Absatzes ist, muss diese Verzerrung berücksichtigt werden. Ein häufiger, aber falscher, Ansatz bei solchen Ereignissen ist, die Historie zu überschreiben und dabei die Lücken zu füllen und die Spitzen zu kürzen. Dennoch sind wir keine Freunde dieser Lösung, da der Prognose-Engine mit Prognosen eingespeist wird, was weiterführende Probleme zur Folge haben kann. Stattdessen, unterstützt unser Engine nativ „Flags“, die darauf hinweisen, dass der Bedarf zensiert oder überhöht wurde.

Prognostizieren Sie auch neue Produkte?

Ja, das können wir. Doch, um Prognosen für neue Produkte zu erstellen, benötigt der Engine das Einführungsdatum der anderen „alten“ Produkte, sowie die Bedarfshistorie zum Zeitpunkt der Einführung. Außerdem wird es empfohlen, manche Ihrer Produktkategorien und/oder eine Produkthierarchie festzulegen. Der Engine prognostiziert nämlich neue Produkte durch die automatische Erkennung vergleichbarer "älterer" Produkte. Doch die Prognose stützt sich gänzlich auf die dem neuen Produkt zugeordneten Attribute, für dessen Bedarf noch keine Beobachtungen vorliegen.

Kann man die Prognosen anpassen?

Ein knappes Jahrzehnt Erfahrung hat uns wiederholt gezeigt, dass die Anpassung von Prognosen nie eine gute Idee ist. Sollten Anpassungen bei der Prognose nötig sein, liegt wahrscheinlich im Prognose-Engine ein Bug vor, der behoben werden muss. Wenn kein Bug vorliegt und Prognosen, aus einer statistischen Perspektive, wie erwartet erstellt werden, ist die Anpassung wahrscheinlich nicht die richtige Lösung des Problems. Gewöhnlich deutet die Notwendigkeit einer Anpassung der Prognose darauf hin, dass irgendein finanzieller Faktor berücksichtigt werden muss. Dies wirkt sich auf die Risikoanalyse aus, die „auf“ der Prognose läuft, jedoch nicht auf die Prognose selbst.

Haben Sie in meiner Branche Erfahrung?

Wir haben in vielen Branchen Erfahrung: Mode, frische Nahrungsmittel, Konsumgüter, Elektronik, Ersatzteile, Luft- und Raumfahrt, Leichtindustrie, Schwerindustrie, etc. Wir arbeiten auch mit verschiedenen Akteuren dieser Bereiche: Online-Handel, Großhändler, Importeure, Hersteller, Vertriebshändler, Einzelhandelsketten, usw. Setzen Sie sich einfach bezüglich unserer Erfahrung mit uns in Verbindung.

Benutzen Sie externe Daten, um die Prognosen abzustimmen?

Nein. Obwohl Sie von unserem Knowhow und der allgemeinen Systemabstimmung profitieren, die wir im Zuge der Arbeit mit anderen Kunden erlangt haben, enthalten Ihre Prognosen keine Daten aus externen Quellen, weder von anderen Lokad-Kunden, noch von öffentlichen Datasets. Ebenso werden Ihre Daten ausschließlich für Ziele, die strikt mit Ihrem Unternehmenskonto zusammenhängen, verwendet und für nichts Weiteres.