Prognose mit Quantile Grids (2015)

Quantile Grids stellen eine signifikante Verbesserung gegenüber klassischen oder Quantil-Prognosen dar, wann immer Bestände involviert sind. Jedoch übertrifft die probabilistische Prognose Quantile Grids bei weitem. Schauen Sie sich unsere neuesten Technologie-Seiten für weitere Informationen an.
grids/graph-quantile-grids

Quantile Grids stellen eine radikale Verbesserung gegenüber klassischen Prognosemethoden dar, wann immer Bestände involviert sind. Sie sind auch überlegen gegenüber Quantil-Prognosen, da sie wesentlich mehr Informationen über die Zukunft liefern. Traditionelle Prognosemethoden funktionieren schlecht, insbesondere im Handel. Die Ursache dieses Problems ist einfach: Die Zukunft ist unsicher. Klassische Prognosen versuchen, den einen richtigen Wert für die zukünftige Nachfrage vorherzusagen, und nun ja, sie scheitern daran. Die verzweifelte Versuchung, klassische Prognosen zu reparieren in der Hoffnung, dass die “korrekte” zukünftige Nachfrage vorhergesagt wird, ist illusorisch. Quantile Grids nehmen zu diesem Thema 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, null Einheiten, dann eine Einheit, dann zwei Einheiten usw. Nachfrage zu haben. Diese Informationen sind wesentlich umfangreicher und können auf profitablere Weise genutzt werden als klassische Prognosen.

Einführung für Nicht-Statistiker

Während Sie diese Zeilen lesen, fragen Sie sich vielleicht, wenn Sie kein Statistiker sind, ob Ihr Unternehmen überhaupt eine Chance hat, etwas Vernünftiges mit diesen sogenannten “Quantile Grids” zu erreichen. Das 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 mental Quantile Grids durch Prognosen, die tatsächlich funktionieren, und das wird es tun. Die große Mehrheit der Unternehmen, die Lokad nutzen, haben keinerlei Kenntnisse in Statistik. Der Spam-Filter, der mit Ihrem Posteingang verbunden ist, verwendet ebenfalls fortgeschrittene Statistik, 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 dahinter stehende Technologie 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 Prognosemodellen steckt - ähnlich wie Sie einen Spam-Filter nutzen können, ohne mit bayesianischer probabilistischer Inferenz vertraut zu sein.

Neues Denken bei der Prognose für den Handel

computer-history
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 zu einer Zeit entwickelt, in der die leistungsstärksten Unternehmenscomputer weniger Rechenleistung hatten als die meisten Kühlschränke heutzutage. Die Menschen, die diese Methoden erfunden haben, waren außergewöhnlich klug, aber sie mussten mit den Rechenressourcen ihrer Zeit auskommen und bevorzugten daher Modelle, die mit sehr wenigen Berechnungen durchgeführt werden konnten. Heutzutage können wir massive Mengen an Rechenleistung für unsere Prognoseherausforderungen zu sehr geringen Kosten nutzen.

Behalten Sie im Hinterkopf, dass 1000 Stunden Rechenleistung weniger als 50 US-Dollar kosten, wenn Sie eine Cloud-Computing-Plattform verwenden. Offensichtlich eröffnet dies völlig neue Perspektiven für die Prognose, und genau diese Perspektiven hat Lokad umfassend erforscht. Quantile Grids stellen die dritte Version der Prognosetechnologie von Lokad dar, aber um das ganze Bild zu bekommen, gehen wir ein paar Jahre zurück. Wir begannen 2008 mit klassischen Prognosen als erste Version unserer Prognosetechnologie, und trotz dreijähriger enormer Forschungs- und Entwicklungsbemühungen seitens des Lokad-Teams erwies sich der klassische Ansatz als Sackgasse. Wir haben es nie wirklich geschafft, einen Kunden mit klassischen Prognosen zufriedenzustellen. Als wir mehr über die Erfahrungen unserer Kunden mit anderen Prognoseanbietern erfuhren, stellte sich heraus, dass es kein einziges Unternehmen gab, das auch nur annähernd zufrieden mit der von ihnen erworbenen Prognosetechnologie 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. Einfach ausgedrückt, adressieren Quantilprognosen 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 Lagerbestandsausfällen 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. Es überrascht nicht, dass klassische Prognosen sowohl bei der Vermeidung von Lagerbestandsausfällen als auch bei totem Lagerbestand versagen. Quantilprognosen gehen die Herausforderung direkt an und betrachten direkt das interessierende Szenario, sagen wir die Vermeidung von Lagerbestandsausfällen, und bemühen sich, eine präzise Antwort auf dieses spezifische 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 Quantilprognosen bereits eine radikale Verbesserung gegenüber klassischen Prognosen darstellten, hatten sie immer noch ihre Schwächen. Mit zunehmender Erfahrung aus Dutzenden von Bereitstellungen unserer Quantilprognosetechnologie 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 Sicht der Berechnung war dies deutlich kostspieliger: Für jedes Produkt würden wir die jeweiligen Wahrscheinlichkeiten für (fast) jede einzelne Nachfrageebene berechnen. Obwohl die Anzahl der beteiligten Berechnungen überwältigend 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 durchaus erschwinglich. Im Jahr 2015 veröffentlichte Lokad die dritte Version seiner Prognosetechnologie, die Quantil-Grids. Obwohl sie extrem rechenintensiv sind, sind Quantil-Grids dank des starken Preisverfalls von Cloud-Computing-Ressourcen jetzt erschwinglich.

Die gesamte Wahrscheinlichkeitsverteilung der Nachfrage berücksichtigen

indecision
Die zukünftige Nachfrage ist unsicher. Der Versuch, die zukünftige Nachfrage mit nur einem Wert darzustellen, ist etwas naiv, denn egal wie gut dieser Wert sein kann, 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 oft nichts zu korrigieren ist: Der prognostizierte Wert ist eine der vollkommen gültigen und möglichen zukünftigen Nachfragen.

Das System kann möglicherweise etwas feinabgestimmt werden, um etwas wahrscheinlichere Werte für die zukünftige Nachfrage zu erzeugen, aber das war’s auch schon. Ihr Unternehmen erhält nur geringfügig wahrscheinlichere Werte für die zukünftige Nachfrage, was nicht zu einer Steigerung der Geschäftstätigkeit führt, die ursprünglich erwartet wurde.

Quantile Grids verfolgen einen ganz anderen Ansatz: Für jedes Produkt berechnet Lokad die jeweiligen Wahrscheinlichkeiten für jede einzelne Stufe 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 zum Beispiel ein selten verkauftes Produkt mit einer Vorlaufzeit von 2 Wochen betrachten, kann die Verteilung der Nachfrage für die nächsten 2 Wochen (normalerweise muss der Prognosehorizont mit der Vorlaufzeit übereinstimmen) für dieses Produkt wie folgt dargestellt werden:

Nachfrage Wahrscheinlichkeit
0 Einheit 55%
1 Einheit 20%
2 Einheiten 14%
3 Einheiten 7%
4 Einheiten 3%
5 Einheiten 0% (gerundet)

Über die Zukunft aus einer rein 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 in Bezug auf ihr Geschäft absichern, um gut vorbereitet zu sein, wenn es um die relevantesten Szenarien geht. Aus der Perspektive des Prognosemodells besteht die logische Lösung darin, da wir im Voraus nicht wissen, welche Szenarien am relevantesten sein werden, alle möglichen Szenarien zu verarbeiten. Angenommen, ein Unternehmen hat tausend Produkte zu prognostizieren (und einige unserer Kunden haben Millionen von SKU’s zu bewältigen) und Lokad berechnet die Wahrscheinlichkeiten für 100 Szenarien für jedes Produkt, dann würde die Quantile Grids eine riesige Liste mit 100.000 Einträgen erzeugen, was nicht praktikabel klingt, um sie zu verarbeiten. Wir kommen in diesem Abschnitt auf diesen Punkt.

Priorisierung von Supply Chain Entscheidungen

Für jede Einkaufsentscheidung können wir eine einfache Abschätzung, die “Ergebnis”-Formel, aufschreiben, die von der zukünftigen Nachfrage im Vergleich zur aktuellen Einkaufsentscheidung abhängt. Dann kann jede einzelne Entscheidung bewertet werden, basierend auf der jeweiligen Wahrscheinlichkeit jeder Stufe der zukünftigen Nachfrage.

purchase_priority_screenshot
Nachfrageprognosen werden am häufigsten verwendet, um Supply-Chain-Entscheidungen wie die Auftragserteilung im Handel oder die Auslösung einer Produktionscharge in einer industriellen Umgebung zu steuern. 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 Abschätzung, die “Ergebnis”-Formel, aufschreiben: Unter der Annahme, dass die Nachfrage D Einheiten beträgt und dass wir P Einheiten kaufen, wird das finanzielle Ergebnis X sein. Selbstverständlich steht Ihnen Lokad 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 Lagerbestände hinausläuft. Folglich können wir, sobald wir diese Formel haben, für jede Supply-Chain-Entscheidung wie “1 Einheit des Produkts Z kaufen” die Ergebnisse gegen die Wahrscheinlichkeiten jeder einzelnen möglichen Zukunft abwägen. Dadurch berechnen wir die “Bewertung” jeder möglichen Entscheidung.

Sobald 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. Tatsächlich kann der Kauf von 1 Einheit des Produkts Z die am höchsten bewertete Einkaufsentscheidung (auch bekannt als die dringendste Einkaufsentscheidung) sein, während der Kauf der nächsten 1 Einheit des Produkts Z erst die 20. dringendste Einkaufsentscheidung sein kann, mit vielen anderen Einheiten anderer Produkte, die dazwischen gekauft werden müssen.

image-pricing
Die Masterliste beantwortet eine sehr einfache Frage: Wenn das Unternehmen einen zusätzlichen Dollar für seinen Lagerbestand ausgeben kann, wohin sollte dieser Dollar zuerst gehen? Nun, dieser Dollar sollte dem Artikel zugutekommen, der Ihrem Unternehmen die höchsten Renditen bringt. Dann kann man dieselbe Frage wiederholen, sobald dieser bestimmte Artikel erworben wurde. Dieses Mal ist jedoch wahrscheinlich ein anderer Artikel der nächste rentabelste Artikel, der gekauft werden soll, da es starke abnehmende Erträge gibt, wenn man denselben Artikel in Ihrem Bestand ansammelt. Tatsächlich gilt: Je mehr Lagerbestand Sie haben, desto weniger dreht sich Ihr Bestand und desto höher ist die Wahrscheinlichkeit, dass Sie mit totem Bestand stecken bleiben. Diese Probleme spiegeln sich natürlich in der “Ergebnis”-Formel und in der resultierenden Priorisierung der Liste wider.

Besser als die Anpassung von Service Levels

Die “optimalen” Service Levels zu ermitteln, also die gewünschten Wahrscheinlichkeiten, keine Lagerbestände zu haben, ist eine sehr schwierige Aufgabe. Dies ist ein komplexes Problem, da Service Levels nur indirekt mit der finanziellen Leistung eines Unternehmens zusammenhängen. Tatsächlich kann es für einige Produkte äußerst teuer sein, ein zusätzliches Prozentpunkt Service Level zu erreichen. Daher sollten Ressourcen, wenn sie verfügbar sind, lieber auf andere Produkte verteilt werden, bei denen dieselbe Investition nicht 1%, sondern 10% zusätzliches Service Level bringen würde.

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

Wenn das Service Level 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, die alle Versuche, das Service Level zu erhöhen, extrem teuer machen, steigt dieses Produkt nur dann an die Spitze der Liste, wenn die Bestände gefährlich niedrig sind und das Unternehmen trotz sehr unregelmäßiger Nachfragemuster fast garantiert keine toten Bestände hat. Die Prioritätsliste löst auch das Problem der Geldbeschränkungen. Unabhängig davon, wie es um das Bargeld Ihres Unternehmens steht, bietet Ihnen die Prioritätsliste eine handhabbare Option. Wenn Sie nur wenig Bargeld zur Verfügung haben, kauft Ihr Unternehmen nur das, was ganz oben auf der Liste steht, und erhält nur die Bestände der Produkte, die dringend aufgefüllt werden müssen. Wenn Sie zusätzliches Bargeld zur Verfügung haben, hat Ihr Unternehmen die Möglichkeit, seinen Bestand zu erhöhen, indem es sich auf Artikel konzentriert, die das meiste Wachstum vorantreiben und gleichzeitig das Bestandsrisiko unter Kontrolle halten.

Einbeziehung der Supply Chain-Beschränkungen

Unternehmen müssen häufig mit Lieferbeschränkungen umgehen, wie z.B. Mindestbestellmengen auf SKU-Ebene oder auf Bestellebene. Manchmal müssen Einheiten in großen Chargen wie Containern gesammelt werden. Solche Beschränkungen können über eine Master-Einkaufsprioritätsliste natürlicherweise in die Arbeitsabläufe integriert werden, wie oben beschrieben. 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 zum Beispiel Containerlieferungen. Lokad kann die kumulierten Volumina pro Lieferant berechnen, unter der Annahme, dass die 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 ist es einfach, wenn eine Mindestbestellmengenbeschränkung für eine bestimmte SKU besteht, die Linien, die vor Erfüllung der Beschränkung kommen, aus der Liste zu entfernen und die Mengen direkt an die erste Linie zu melden, sobald die Beschränkung erfüllt ist.

choix
Durch die Festlegung des Mindestbestellvolumens auf N Einheiten wird die Wettbewerbsfähigkeit des SKUs verringert, d.h. der SKU erscheint zuerst in der Liste an einer niedrigeren Position, was genau das beabsichtigte Verhalten ist, da das Bestandsrisiko mit Mindestbestellmengen zunimmt. Insbesondere löst dieser Ansatz 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 erste entfernt werden? 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.