Saisonalität (Supply Chain)

In der Supply Chain wird die Nachfrage - oder der Umsatz - eines bestimmten Produkts als saisonal bezeichnet, wenn die zugrunde liegende Zeitreihe je nach Zeitpunkt im Jahr eine vorhersagbare zyklische Variation aufweist. Saisonalität ist eines der am häufigsten verwendeten statistischen Muster, um die Genauigkeit von Nachfrageprognosen zu verbessern.

Veranschaulichung von saisonalen Zeitreihen

Die folgende Grafik veranschaulicht 4 saisonale Zeitreihen (zum Vergrößern anklicken). Die Zeitreihen werden auf wöchentlicher Basis über einen Zeitraum von 159 Wochen (ungefähr 3 Jahre) aggregiert. Die Daten repräsentieren wöchentliche Lieferungen für 4 verschiedene Produkte aus dem Lager eines großen europäischen Einzelhändlers.

Der erste Tag des Jahres (1. Januar) ist mit einem grauen vertikalen Marker markiert. Die historischen Daten sind rot dargestellt, während die Lokad-Prognose in lila angezeigt wird. Die Saisonalität kann visuell als Ähnlichkeit der Muster von einem Jahr zum nächsten beobachtet werden; verwenden Sie die grauen Marker als Referenzpunkte.

Grundmodell für die saisonale Zerlegung

Sei Y(t) die Nachfrage zum Zeitpunkt t. Wir zerlegen die Nachfrage Y(t) in zwei Komponenten: S(t) eine streng zyklische Funktion und Z(t) das nicht-saisonale Komplement. Dies ergibt sich zu:

Y(t) = S(t) * Z(t) where S(t + 1 Jahr) = S(t)

Wenn eine solche Funktion S(t) geschätzt werden kann, verläuft der Prognoseprozess in der Regel in drei Schritten:

• Berechnen Sie die saisonal bereinigte Zeitreihe als Z(t) = Y(t) / S(t).
• Erstellen Sie die Prognose über die Zeitreihe Z(t), möglicherweise durch gleitenden Durchschnitt.
• Wenden Sie anschließend die Saisonalitätsindizes auf die Prognose an.

Zurück zum ursprünglichen Problem der Schätzung der saisonalen Indizes S(t), unter der Annahme, dass kein Trend vorliegt (unter anderem), kann S(t) wie folgt geschätzt werden:

S(t) = DURCHSCHNITT( Y(t-1)/GD(t-1) + Y(t-2)/GD(t-2) + Y(t-3)/GD(t-3) + ... )

wobei Y(t-1) die Abkürzung für Y(t - 1 Jahr) ist und GD(t) der 1-Jahres-Gleitende Durchschnitt von Y(t) ist.

Der in diesem Abschnitt vorgeschlagene Ansatz ist naiv, kann aber leicht in Excel implementiert werden. In der Literatur finden sich viele statistische Modelle, um Saisonalität mit komplexeren Methoden zu behandeln. Z.B. Box-Jenkins, ARMA, ARIMA, Holt-Winters…

Herausforderungen bei der Schätzung der saisonalen Indizes

Das hier dargestellte Saisonalitätsmodell ist ein eher naiver Ansatz, der für lange, gleichmäßige saisonale Zeitreihen funktioniert. Dennoch gibt es mehrere praktische Schwierigkeiten bei der Schätzung der Saisonalität:

1. Zeitreihen sind kurz. Die Lebensdauer der meisten Konsumgüter überschreitet nicht 3 oder 4 Jahre. Daher bietet die Verkaufshistorie für ein bestimmtes Produkt im Durchschnitt nur sehr wenige Punkte in der Vergangenheit, um jeden saisonalen Index zu schätzen (das heißt die Werte von S(t) im Laufe des Jahres, vgl. vorheriger Abschnitt).
2. Zeitreihen sind rauschig. Zufällige Marktschwankungen beeinflussen die Verkäufe und machen die Saisonalität schwerer isolierbar.
3. Es sind mehrere Saisonalitäten beteiligt. Wenn man sich die Verkäufe auf Ladenebene ansieht, ist die Saisonalität des Produkts selbst typischerweise mit der Saisonalität des Ladens verflochten.
4. Andere Muster wie Trend oder Produktlebenszyklus haben ebenfalls Einfluss auf Zeitreihen, was verschiedene Arten von Verzerrungen bei der Schätzung einführt.

Eine einfache - wenn auch personalintensive - Methode zur Bewältigung dieser Probleme besteht darin, Saisonalitätsprofile aus Aggregaten von Produkten zu erstellen, bei denen bekannt ist, dass sie das gleiche saisonale Verhalten aufweisen. Die Lebensdauer des Produktaggregats ist in der Regel viel länger als die Lebensdauer der einzelnen Produkte, was diese Schätzungsprobleme mildert.

Quasi-Saisonalität

Es gibt viele Muster, die einmal im Jahr auftreten, aber nicht immer am gleichen Datum. Bei Lokad nennen wir diese Muster quasi-saisonal. Zum Beispiel Muttertag (der je nach Jahr und Land auf unterschiedliche Daten fällt) und andere Feiertage wie Ramadan, Ostern und Hanukkah (die je nach Jahr auf unterschiedliche Daten fallen) sind quasi-saisonal.

Diese quasi-saisonalen Ereignisse fallen außerhalb des Rahmens klassischer zyklischer Prognosemodelle, die davon ausgehen, dass die Periode des Zyklus streng konstant ist. Um mit diesen quasi-saisonalen Ereignissen umzugehen, ist eine komplexere quasi-zyklische Logik erforderlich.

Lokads Tücke

Unsere Erfahrung zeigt, dass Saisonalität den Großteil menschlicher Aktivitäten beeinflusst. Insbesondere bei Zeitreihen, die den Verkauf von Konsumgütern (Lebensmittel und Non-Food gleichermaßen) darstellen, ist ein saisonaler Faktor nahezu immer vorhanden. Es kommt jedoch häufig vor, dass aufgrund der Menge an Marktrauschen die Qualität der Schätzung der saisonalen Indizes zu niedrig ist, um praktisch zur Verfeinerung der Prognosen verwendet zu werden.

Die Prognosetechnologie von Lokad behandelt sowohl Saisonalität als auch quasi-saisonalität von Natur aus, sodass Sie Lokad nicht explizit darauf hinweisen müssen, es wird bereits berücksichtigt.

Um die durch die begrenzte historische Tiefe verursachten Probleme für die meisten Zeitreihen im Einzelhandel oder in der Fertigung zu überwinden, verwendet Lokad eine Analyse mehrerer Zeitreihen, und die Saisonalität wird nicht für ein einzelnes Produkt, sondern für viele Produkte bewertet. Dadurch reduzieren wir das Rauschen bei der Schätzung der Saisonalität, führen aber auch Saisonalität in die Prognosen ein, selbst wenn Produkte weniger als ein Jahr lang verkauft wurden.