Klassische Zeitreihenprognosen (2008)

In 2008 wurde Lokad mit einer als Software-as-a-Service (SaaS) angebotenen Prognose-Engine gestartet. Der ursprüngliche Slogan des Unternehmens lautete Prognostizieren als Service. Diese Engine lieferte klassische Punkt-Zeitreihenprognosen. Im Laufe der Jahre entwickelte sich Lokad weiter, indem es fortschrittlichere prädiktive Technologien einführte und einen breiteren supply chain-Perspektive annahm, der über seine ursprünglichen Wurzeln der Bedarfsprognose hinausragte. Die originale Prognose-Engine wurde Mitte der 2010er Jahre schrittweise außer Betrieb genommen und schließlich 2020 eingestellt.

Die ursprüngliche Engine (nun eingestellt), die 2008 eingeführt wurde, fungierte als Meta-Modell, das eine Reihe von Prognosemodellen enthielt – größtenteils autoregressiver Natur – zusammen mit einem Klassifizierer, der als Modellauswähler diente. Dieser Wähler wählte das am besten geeignete Modell für jede Zeitreihe aus. Von 2008 bis 2012 wurde die Engine schrittweise durch zusätzliche Modelle und einen verfeinerten Wähler verbessert.

Spätere Verbesserungen umfassten nicht-parametrische Modelle, die von den damals populären Machine-Learning-Ansätzen beeinflusst waren. Diese Modelle nutzten eine gleichzeitige Zeitreihen-Perspektive, die es der Engine ermöglichte, auch für Zeitreihen, die nicht über ein volles Jahr an historischen Daten verfügten, passende Saisonalitätskoeffizienten anzuwenden. Ebenso ermöglichte dies der Engine, Produktneueinführungen vorherzusagen, indem sie Ähnlichkeiten nutzte, die durch an die Zeitreihen vergebene Tags identifiziert wurden.

Obwohl Lokad niemals die Daten eines Kunden zur Verbesserung der Prognosen eines anderen Kunden nutzte – ein Versprechen, das bis heute gilt – gab es nur eine einzige Prognose-Engine, die unter allen Kunden geteilt wurde und dieselben Meta-Parameter verwendete. Folglich musste Lokad hochwertige Standardparameter einstellen, die in unterschiedlichen Szenarien gut funktionierten. Indirekt führten die aus einem Kunden gewonnenen ingenieurtechnischen Einblicke letztlich dazu, dass auch andere davon profitierten (und umgekehrt).

Schließlich wurde diese Engine abgeschafft, als Lokad überlegene Technologien entwickelte. Obwohl der Ansatz der Modellauswahl wie ein Wettbewerb konkurrierender Modelle erscheinen mag, führte er zu erheblichen Instabilitäten in den Prognosen. Bereits das Hinzufügen eines weiteren Tages historischer Daten konnte den Wähler dazu veranlassen, für zahlreiche Zeitreihen das Modell zu wechseln und so zu unvorhersehbaren Schwankungen zu führen. Dieses Problem ist in jedem Prognosesystem inhärent, das auf interner Konkurrenz beruht, und wird bei Lokad mittlerweile als veraltetes Design angesehen.

Das Fehlen probabilistischer Ergebnisse war das zweite bedeutende Problem. Punkt-Zeitreihenprognosen ignorieren völlig die Unsicherheit, wodurch Entscheidungen, die auf diesen Prognosen basieren, äußerst fragil werden. Tatsächlich verschlechtert sich die wirtschaftliche Leistung oft drastisch, wenn die tatsächlichen Ergebnisse von der Prognose abweichen. Lokad ging diese Einschränkung an, indem es eine Technologie für probabilistische Vorhersagen einführte.

Schließlich stellte die Starrheit einer ausschließlich auf Zeitreihen basierenden Perspektive ein drittes wesentliches Problem dar. Zeitreihen – dargestellt als eindimensionale Vektoren – bieten nur begrenzte Ausdruckskraft für historische Daten. Selbst in supply chain-Situationen, in denen Punktprognosen ausreichend sein könnten, erfasst ein reines Zeitreihenmodell in der Regel nicht die volle Komplexität realer Zusammenhänge.

Die klassische Prognose-Engine wurde 2020 endgültig eingestellt, nachdem unsere Technologie des differenzierbaren Programmierens eingeführt wurde. Obwohl Punkt-Zeitreihenprognosen nicht mehr empfohlen werden, kann differentiable programming sowohl Punkt-Zeitreihenprognosen als auch probabilistische Prognosen problemlos erstellen.