Deep Learning für genauere Prognosen im Bereich Lieferkette

Deep Learning Prognose

Startseite » Prognosetechnologie » Hier

Deep Learning-Prognosen, oder einfach Deep-Prognosen, stellen eine deutliche Verbesserung in Bezug auf Lokads Vorgängergeneration der Prognose-Technologie dar. Im Vergleich zu den klassischen Prognosemethoden, bietet Deep Learning nicht nur eine unschlagbare Genauigkeit bei Statistiken, sondern liefert auch für Lieferketten und Bestände wesentliche probabilistische Vorhersagen.

Image

Ungewissheit begrüßen

Unternehmen verzweifeln an Prognosen, die immer wieder falsch sind. Von herkömmlichen Prognoseansätzen werden korrekte Zahlen erwartet, doch dem ist nicht so. Selbstverständlich ist die Zukunft ungewiss und wenn ein bestimmtes Tool oder eine Lösung wider Erwarten keine richtigen Zahlen liefert, kommen auch die Vorteile nicht ans Licht. Bestehenden Prognose-Modelle, im herkömmlichen Sinne, lassen sich weder mit Feineinstellungen verbessern noch mit F&E so weiterentwickeln, das dieses Problem beseitigt werden kann. Methoden wie die Analyse des Sicherheitsbestands sollen mit Ungewissheit umgehen, doch in der Praxis ist dies eher eine Nachbereitung. Probabilistische Vorhersagen bieten eine komplett 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 im erwarteten Bereich liegt, 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.

2016 entwickelte Lokad eine radikal neue Prognoseart, nämlich probabilistische Vorhersagen. Vor kurzem wurden diese Prognosen durch Deep Learning deutlich verbessert. Einfach gesagt, bietet eine probabilistische Vorhersage nicht lediglich eine Schätzung des Bedarfs, sondern eine Beurteilung der Wahrscheinlichkeiten jedes möglichen Ereignisses in der Zukunft. 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 diese Risikoanalysen bei herkömmlichen Prognoseansätzen allgemein erst im Nachhinein eintreten,
bringt Lokad dies anhand der probabilistischen Vorhersagen in den Vordergrund.

Aus der Sicht des Fachmanns

Möglicherweise klingen Deep Learning und 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 von Produkten, die sich an verschiedenen Standorten befinden. Herkömmliche Prognoselösungen verlassen sich da meistens stark auf manuelle Anpassungen, wenn es um fortgeschrittene statistische Muster geht, wie etwa bei neuen Produkten oder Aktionen.

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:

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

Diese Robotisierung wird durch sogenanntes maschinelles Lernen erlangt Lokad bietet diese Fähigkeiten über seine Deep Learning-Prognosetechnologie. Intuitiv versteht man, dass die verfügbare Information pro Produkt gewöhnlich nicht über ausreichende Aussagekraft für eine genaue statistische Analyse verfügt. Betrachtet man jedoch, 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.

Im Gegensatz zu den älteren Ansätzen, lernt unser Deep-Prognose-Engine - von selbst - die Eigenarten, die in den Daten beobachtet werden können. Beispielsweise lässt der Verkauf einer Produkteinheit heute auf mehr Nachfrage nach dem Produkt in naher Zukunft schließen (im Gegensatz zu keiner Nachfrage). Doch manchmal kann dies bei Wartungsszenarien ganz das Gegenteil bedeuten und der Verkauf eine Einheit lässt darauf schließen, dass keine solche Einheit in naher Zukunft erneut verkauft werden wird.

Für anspruchsvolle Branchen, wie in der Mode, nutzt unser Deep Learning-Engine subtile Hinweise zu den Produkten, um beispielsweise alle Faktoren, die zur Erfolgssteigerung einer Produkteinführung beitragen, zu berücksichtigen.
Bei Lokad ist Prognose eine laufende Arbeit.

Der Ursprung unserer Deep Learning-Prognose

Selbstverständlich haben wir bei Lokad weder Deep Learning noch probabilistische Vorhersagen entdeckt. Doch wir haben als Vorreiter diese Statistiktheorien für die Industrie umgesetzt, mit maßgeschneiderten Lösungen für die Lieferkette. Unsere Deep Learning-Prognose stellt die 5. Generation unserer Prognosetechnologie dar.

Unser Prognose-Engine 5.0 benutzt jetzt ein Netz von GPUs (Grafikprozessoren) statt sich lediglich auf CPUs (zentrale Prozessoren) zu verlassen. So ermöglichen GPUs den Zugang auf eine bisher undenkbare Menge an Rechenleistung, aus der anspruchsvollere Prognosen erhalten werden können.

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

Die Idee selbst, Wahrscheinlichkeiten statt Durchschnitte zu schätzen stammt aus den frühen Jahren, in denen wir uns noch am klassischen Ansatz versuchten. Wir mussten erst einige Male scheitern, um zu verstehen, dass der klassische Ansatz schon von Haus aus fehlerhaft ist 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 unseres 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 darstellt, profitieren Lokads Kunden von der neuesten Generation unserer Prognose-Engines, sobald diese verfügbar ist.


Unser Prognose-FAQ


Welche Prognosemodelle verwenden Sie?

Unser Deep-Prognose-Engine nutzt ein einzigartiges Modell, dass sich auf Deep Learning-Prinzipien stützt. Im Gegensatz zu klassischen statistischen Modellen, bietet dieses Modell Zigtausende Parameter, die sich trainieren lassen. Dies ergibt tausendfach mehr Parameter als unsere komplexesten Vorgängermodelle für maschinelles Lernen, die sich nicht auf Deep Learning stützten. Deep Learning übertrifft deutlich ältere Ansätze für maschinelles Lernen (Random forests, Gradient Boosted Trees). Hierzu sollte jedoch erwähnt werden, dass diese älteren Ansätze für maschinelles Lernen bereits alle Klassiker mit Zeitreihen (Box-Jenkins, ARIMA, Holt-Winters, exponentielle Glättung, usw.) übertrafen.

Lernen Sie aus Prognosefehlern?

Ja. Der statistische Trainingprozess - aus dem letzten Endes das Deep Learning-Modell entsteht - nutzt alle historischen Daten, die Lokad zur Verfügung stehen. Dabei können historischen Daten über Backtesting zur Nutzung bearbeitet werden. Daher hat das Modell umso mehr Möglichkeiten, aus deinen eigenen Fehlern zu lernen, umso mehr historische Daten verfügbar sind.

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

Ja, der Prognose-Engine kann alle üblichen Zyklizitäten und sogar Quasi-Zyklizitäten, deren Bedeutung oft unterschätzt wird, berücksichtigen. Was den Code betrifft, stützt sich das Deep Learning-Modell 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 teilen, aber nicht dasselbe Muster über die verschiedenen Wochentage. Das Modell kann auch diese Muster erfassen. Eines der größten Vorteile von Deep Learning ist die Fähigkeit, die Variabilität der Saisonalität selbst zu erfassen. So kann im Zusammenhang mit externen Variablen, wie etwa dem Wetter, eine Saison früher oder später beginnen. Genau solche Variationen können erkannt und in unseren Prognosen widergespiegelt werden.

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 Saisonabhängigkeit 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 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 in 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! Doch, um Prognosen für neue Produkte zu erstellen, benötigt der Engine das Einführungsdatum der anderen „alten“ Produkte, sowie die Bedarfshistorie zum Zeitpunkt der Einführung. Zusätzlich wird auch die Angabe von Produktkategorien und/oder einer Produkthierarchie empfohlen. 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 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, Frischware, 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?

Wir können Daten zur konkurrenzorientierte Preisbestimmung über Drittanbieter nutzen, die beispielsweise auf Web-Scraping spezialisiert sind. Zusätzlich können Angaben zum Datenverkehr Ihrer Webseite erworben werden, um die historischen Daten für eine höhere statistische Genauigkeit zu nutzen. In der Praxis ist das größte Hindernis bei der Nutzung externer Datenquellen nicht Lokads Engine - der ziemlich leistungsfähig ist - sondern der Aufbau und die Wartung einer qualitativen Daten-Pipeline zu den externen Datenquellen.