Prognose 4.0 mit probabilistischen Vorhersagen
Vor etwas mehr als einem Jahr haben wir enthüllte Quantil-Gitter als unsere 3.0 Prognosetechnologie vorgestellt. Mehr denn je bleibt Lokad bestrebt, die besten Vorhersagen zu liefern, die die Technologie hervorbringen kann, und heute ist unsere vierte Generation der Prognosetechnologie, nämlich unsere probabilistische Prognose-Engine, live und in der Produktion für alle Kunden verfügbar. Diese neue Engine besteht aus einer vollständigen Neuentwicklung unseres Prognosetechnologie-Stacks und geht viele langanhaltende Herausforderungen an, denen wir gegenüberstanden.
Wahre Wahrscheinlichkeiten
Die Zukunft ist ungewiss, egal wie gut die Prognosetechnologie ist. Bereits 2012, als sich Lokad zum ersten Mal in die Tiefen der Quantil-Prognose wagte, wurde uns schnell klar, dass Ungewissheit nicht abgetan werden sollte, wie es beim klassischen Prognoseansatz der Fall ist, sondern vielmehr angenommen werden muss. Einfach ausgedrückt, fallen die Kosten der supply chain an den statistischen Extremwerten an: Es ist die überraschend hohe Nachfrage, die zu Fehlbeständen führt, und die überraschend niedrige Nachfrage, die zu totem Inventar führt. In der Mitte läuft die supply chain in der Regel recht reibungslos.
Mit Quantil-Gittern lieferte Lokad eine viel feinere Sicht auf mögliche zukünftige Ergebnisse. Wie der Name schon andeutet, wurden unsere Quantil-Gitter auf Grundlage unserer Quantil-Prognosen aufgebaut – tatsächlich in mehreren Schichten von Quantilen. Diese Quantil-Gitter erwiesen sich im vergangenen Jahr als äußerst nützlich, aber obwohl unsere Prognose-Engine Wahrscheinlichkeiten erzeugte, arbeitete intern nahezu die gesamte Logik nicht direkt mit Wahrscheinlichkeiten. Die von uns berechneten Wahrscheinlichkeiten waren ein Nebenprodukt eines Quantil-Prognosesystems.
Aufgrund dieser quantilen Ursprünge hatte unsere Prognose-Engine 3.0 mehrere subtile Einschränkungen. Und obwohl die meisten dieser Einschränkungen für die Kunden zu unauffällig waren, blieben sie vom F&E-Team bei Lokad nicht unbemerkt. Deshalb beschlossen wir, unsere gesamte Prognosetechnologie mit einer echten nativen probabilistischen Prognose-Perspektive neu zu starten – und so begann die Prognose-Engine 4.0.
Durchlaufzeit Prognose
Durchlaufzeiten werden häufig als selbstverständlich angesehen. Allerdings, während vergangene Durchlaufzeiten bekannt sind, können zukünftige Durchlaufzeiten nur geschätzt werden. Jahrelang hatte Lokad die Herausforderung, die zukünftigen Durchlaufzeiten genau zu approximieren, unterschätzt. Durchlaufzeiten sind subtil: Die meisten statistischen Muster, wie Saisonalität (insbesondere das chinesische Neujahr), die die Nachfrage beeinflussen, wirken sich auch auf die Durchlaufzeit aus.
In unserer Prognose-Engine 4.0 sind Durchlaufzeiten zu Bürgern erster Klasse geworden, mit einem eigenen Modus zur Durchlaufzeit-Prognose. Durchlaufzeiten profitieren nun von speziellen, integrierten Prognosemodellen. Selbstverständlich, da unsere Engine eine probabilistische Prognose-Engine ist, stellen Durchlaufzeitprognosen eine Wahrscheinlichkeitsverteilung dar, die mit einem ungewissen Zeitraum verknüpft ist.
Integrierte Nachfrageprognose
Durchlaufzeiten variieren, und dennoch war unsere Prognose-Engine 3.0 auf feste Durchlaufzeiten beschränkt. Aus traditioneller Sicht geht die klassische Sicherheitsbestand Analyse davon aus, dass die Durchlaufzeit einer Normalverteilung folgt, während nahezu alle Messungen, die wir jemals durchgeführt haben, darauf hinweisen, dass variable Durchlaufzeiten eindeutig nicht normalverteilt sind. Obwohl unsere Experimente routinemäßig zeigten, dass eine feste Durchlaufzeit besser war als ein fehlerhaftes Modell, war es dennoch nicht die vollkommen zufriedenstellende Lösung, nach der wir suchten.
Die Prognose-Engine 4.0 führt das Konzept der integrierten Nachfrageprognose ein, wobei integriert bedeutet, dass über die Durchlaufzeit integriert wird. Die Engine nimmt eine vollständige Verteilung der Durchlaufzeitwahrscheinlichkeiten und erzeugt daraus die entsprechende probabilistische Nachfrageprognose. In der Praxis wird die Durchlaufzeitverteilung, wie bereits zuvor zu sehen, ebenfalls von der Prognose-Engine berechnet. Die integrierte Nachfrageprognose liefert schließlich eine zufriedenstellende Antwort auf die Herausforderung, mit variierenden Durchlaufzeiten umzugehen.
Neue Produkte Prognose
Die Prognose der Nachfrage für ein neues Produkt ist schlicht schwierig. Da in diesem Fall die Prognose offensichtlich nicht auf die Verkaufshistorie zurückgreifen kann, muss die Prognose-Engine auf andere, über das Produkt vor seiner Markteinführung bekannte Daten zurückgreifen. Unsere Prognose-Engine 3.0 verfügte bereits über ein Tags-Framework, das speziell auf diesen Anwendungsfall ausgerichtet war. Leider trugen die Tags nicht so viele Informationen, wie wir es uns gewünscht hätten, und es ging etwas an Genauigkeit verloren.
Mit 4.0 wird diese spezifische Herausforderung durch die Einführung von Kategorien und Hierarchien neu aufgefasst. Kategorien und Hierarchien sind ausdrucksstärker sowie strukturierter als Tags und vermitteln viel mehr Informationen. Die Prognose-Engine 4.0 nutzt den vollen Vorteil dieses reichhaltigeren Datenframeworks, um genauere Vorhersagen zu liefern, wobei die Neuproduktprognose der akuteste Anwendungsfall ist.
Fehlbestände und Aktionen
Der Zweck der Prognose-Engine besteht darin, die zukünftige Nachfrage vorherzusagen. Allerdings ist unser Wissen über die vergangene Nachfrage in der Regel unvollkommen, denn tatsächlich sind nur vergangene Verkäufe bekannt. Verkäufe stellen meist nur eine annähernd sinnvolle Approximation der Nachfrage dar, kommen jedoch mit verschiedenen Verzerrungen, wobei die häufigsten Fälle Fehlbestände und Aktionen sind. Unsere Engine 3.0 verfügte bereits über einige Heuristiken zur Bewältigung dieser Verzerrung, zudem sind Quantil-Prognosen von Natur aus robuster als (klassische) Durchschnittsprognosen. Doch erneut war die Situation für uns nicht ganz zufriedenstellend.
Die Engine 4.0 führt den Begriff der verzerrten Nachfrage ein, die entweder zensiert oder aufgebläht sein kann. Wenn die Nachfrage für ein bestimmtes Produkt an einem bestimmten Tag als zensiert gekennzeichnet ist, teilen wir der Prognose-Engine mit, dass die Nachfrage höher hätte sein sollen und dass die tatsächliche Nachfrage für diesen Tag unbekannt bleibt. Die Engine nutzt diese Information, um die Prognosen zu verfeinern, selbst wenn die Historie voller Ereignisse ist, die das Nachfrage-Signal verzerrt haben.
Ultra-spärliche Nachfrage
Während Quantil-Prognosen klassischen Durchschnitts- oder Medianprognosen bei der Abschätzung der Wahrscheinlichkeiten seltener Ereignisse weit überlegen sind, zeigen Quantile ihre Grenzen, wenn es um die Abschätzung von ultra-seltenen Ereignissen geht. Zum Beispiel hatten unsere Quantilmodelle Schwierigkeiten, richtig mit Artikeln umzugehen, die nur ein- oder zweimal im Jahr verkauft werden, sowie mit der Handhabung von Service Levels von mehr als 98%.
Native probabilistische Modelle, wie sie in unserer Engine 4.0 implementiert sind, verhalten sich deutlich besser, wenn es um ultra-spärliche Nachfrage und allgemein um „seltene“ Ereignisse geht. Diese Modelle hätten innerhalb eines Quantil-Prognose-Frameworks implementiert werden können (eine probabilistische Prognose lässt sich leicht in eine Quantil-Prognose umwandeln); jedoch verfügte unsere Engine 3.0 nicht über die entsprechende Infrastruktur, um sie zu unterstützen. Daher wurden sie stattdessen in die Engine 4.0 implementiert.
In Envision integriert
Die Versionen 2.0 und 3.0 unserer Prognose-Engine wurden mit einer Web-Benutzeroberfläche ausgeliefert. Auf den ersten Blick schien es einfach zu sein. Tatsächlich ignorierte die Benutzeroberfläche jedoch den Faktor, der die wahre Herausforderung bei der Verwendung (jeglicher) Prognose-Engine darstellt, nämlich die vollständige Kontrolle über die in die Prognose-Engine eingepflegten Daten zu gewährleisten. In der Tat bleibt Garbage-in, Garbage-out ein allzu häufiges Problem.
Die Engine 4.0 wird von innerhalb Envisions angesprochen, unserer domänenspezifischen Sprache, die auf quantitative Optimierung für den Handel ausgerichtet ist. Der Aufruf der Prognose-Engine erfordert eine Reihe von Datenargumenten, die aus einem Envision-Skript bereitgestellt werden. Dieser Ansatz erfordert anfangs etwas mehr Aufwand, jedoch treten die Produktivitätsvorteile schnell zutage, sobald Anpassungen an den Eingabedaten vorgenommen werden.
Die Veröffentlichung unserer Prognose-Engine 4.0 ist nur der erste Teil einer Reihe wichtiger Verbesserungen, die Lokad in den letzten Wochen eingeführt hat. Bleiben Sie dran für mehr.