FAQ: Nachfrageprognose
Lokad hat sich von seinen frühen Ursprüngen in der Nachfrageprognose Ende der 2000er Jahre zu einem Vorreiter in der prädiktiven Optimierung von supply chains entwickelt, mit Fokus auf überlegene Einschätzungen zukünftiger Ereignisse bei gleichzeitiger Bewältigung realer Komplexitäten.
Zielgruppe: supply chain-Fachleute, Nachfrage- und Angebotsplaner, Business Analysts.
Zuletzt geändert: 7. März 2024

Prognoseprinzipien
Wie Keynes feststellte, ist es besser, annähernd richtig zu liegen, als exakt falsch zu sein. Dieses Prinzip gilt für die meisten supply chain Situationen (und auch für nicht supply chain Szenarien), ist jedoch insbesondere in Bezug auf Prognosen gültig. Wenn es um Prognosen geht, macht Lokad nicht nur das Beste daraus, nicht exakt falsch zu liegen; wir übertreffen routinemäßig nicht nur unsere Wettbewerber, sondern auch Forschungsteams1 – und definieren dabei gelegentlich den Stand der Technik neu. Allerdings erkannten wir im letzten Jahrzehnt, dass der größte einschränkende Faktor der traditionellen Prognoseperspektive nicht die Genauigkeit, sondern vielmehr die Ausdrucksfähigkeit war.
Traditionelle Prognosen – d.h. Punkt-Zeitreihen-Prognosen – erzählen einfach nicht genug über die Zukunft. Dennoch sind Zeitreihenprognosen so weit verbreitet, dass viele Praktiker vergessen, wie unvollständig – nicht nur ungenau – sie tatsächlich sind. Zeitreihenprognosen behandeln die Zukunft des Unternehmens wie die Bewegung der Planeten: ein Phänomen, bei dem der Beobachter nichts mit den beobachteten Objekten zu tun hat. supply chains sind jedoch nicht wie die Astronomie, und Unternehmen (im Gegensatz zu Planeten) beeinflussen aktiv die Richtung ihrer supply chains. Grundsätzlich ist die Zukunft nicht vorbestimmt; sie ist das, was man daraus macht.
Merkwürdigerweise basiert die gesamte Mainstream-Theorie der supply chain auf Zeitreihenprognosen, was zu allerlei bizarren Wendungen führt. Die Preisgestaltung – ein offensichtlicher Weg, die Nachfrage zu steuern – wird normalerweise aus dem Bild eliminiert, wodurch sie zu einem völlig separaten Aspekt der Planung wird. Dies ist offensichtlich falsch angesichts ihrer klaren Zusammenhänge.
Eine weitere Dimension, die in der traditionellen Zeitreihenperspektive völlig fehlt, ist die Unsicherheit. Diese Unsicherheit glauben Traditionalisten durch das Streben nach größerer Genauigkeit isoliert bekämpfen zu können – oft werden dafür enorme Ressourcen aufgewendet. supply chains beweisen jedoch immer wieder, dass die mit zukünftigen Ereignissen verbundene Unsicherheit nicht reduzierbar ist und supply chain Probleme mehr als nur isolierte Korrekturen erfordern – d.h. lokale Optimierung. Nicht nur ist die zukünftige Unsicherheit irreduzibel, globale Märkte scheinen geschickt darin zu sein, Herausforderungen sowohl auf altbekannten Wegen (z.B. Kriege, Tsunamis) als auch auf neuen Wegen (z.B. Lockdowns, erfinderische Regulierungen) zu präsentieren.
Wahrscheinlichkeitsprognosen
Lokads erster großer Bruch mit der klassischen Zeitreihen-Prognoseperspektive war die Einführung von Wahrscheinlichkeitsprognosen im Jahr 2012 durch Quantilsprognosen – die als unvollständige Wahrscheinlichkeitsprognose gesehen werden können. Wahrscheinlichkeitsprognosen berücksichtigen alle möglichen Zukünfte (d.h. Nachfrage, Durchlaufzeiten, etc.) und ordnen jedem einzelnen Ergebnis Wahrscheinlichkeiten zu. Somit umarmen Wahrscheinlichkeitsprognosen die irreduzible Unsicherheit zukünftiger Ereignisse, anstatt sie komplett zu ignorieren. Seit 2012 haben Wahrscheinlichkeitsprognosen immer wieder bewiesen, dass sie ein weitaus überlegener Ansatz im Risikomanagement für supply chains sind. Dies gilt für alles – von kleinen lokalen Entscheidungen, wie der Auswahl der richtigen Menge für eine SKU, bis hin zu großen Entscheidungen, wie dem Abschluss eines langfristigen, millionenschweren Dienstleistungsvertrags.
Darüber hinaus beschränkte sich Lokad (und tut es immer noch nicht) nicht auf die Wahrscheinlichkeitsprognose der Nachfrage. Alle anderen Quellen von Unsicherheiten werden mittlerweile von der Lokad Plattform quantifiziert. Diese Unsicherheiten umfassen variierende Durchlaufzeiten, unterschiedliche Ausschussraten, unterschiedliche Retourenraten, etc. Allgemeiner müssen alle unsicheren zukünftigen Ereignisse prognostiziert werden, idealerweise mittels Wahrscheinlichkeitsprognosen. Somit prognostiziert Lokad heutzutage routinemäßig mehr als ein Dutzend unterschiedlicher Arten zukünftiger Ereignisse. Wichtig ist, dass diese alternativen Prognosen keine Zeitreihenprognosen sind. Wir versuchen nicht, mehrere unterschiedliche Werte/Einheiten (z.B. Nachfrage, Durchlaufzeit, etc.) mittels einer Zeitreihe darzustellen. Tatsächlich passt das Problem, das wir prognostizieren, in den meisten Fällen nicht einmal in den engen Rahmen, den eine Zeitreihe vorgibt.
Programmatische Prognosen
Lokads zweiter bedeutender Bruch mit der klassischen Prognoseperspektive war der programmatische Wandel, zunächst mit Deep Learning im Jahr 2018 und dann mit differentiable programming im Jahr 2019. Die vorherrschende Ansicht war, dass Prognosen als ein „verpacktes“ technologisches Produkt angegangen werden sollten. Lokad, wie auch die meisten seiner Mitbewerber, bezog sich sogar auf seine „forecasting engine“ – eine monolithische Softwarekomponente, die dieser Aufgabe gewidmet ist. Diese Perspektive hat jedoch zwei wesentliche Mängel.
Erstens, die Perspektive der „forecasting engine“ setzt voraus, dass es einen Standardweg gibt, die Eingabedaten zu organisieren, die in die engine eingespeist werden. Das ist jedoch nicht der Fall. Die Struktur der Eingabedaten – im relationalen Sinne (z.B. SQL) – hängt stark von den spezifischen Geschäftssystemen des Unternehmens ab. Das Erzwingen historischer Daten, wie sie in Geschäftssystemen vorkommen, in ein vorgefertigtes Datenmodell, wie es von einer forecasting engine verlangt wird, führt zu allerlei Problemen. Während es Lokad gelang (durch stetig zunehmende Raffinesse), eine weitaus flexiblere forecasting engine zu entwickeln als jene, die unsere Wettbewerber noch anbieten, erkannten wir auch, dass dieser Ansatz ein technologischer Irrweg war. Die forecasting engine ist niemals flexibel genug und führt unweigerlich dazu, kritische, aber nuancierte Aspekte des Geschäfts zu vernachlässigen.
Programmatische Ansätze erwiesen sich hingegen als weitaus überlegene Lösung. Hierbei werden Herausforderungen des prädiktiven Modellings durch programmatische Paradigmen angegangen, anstatt durch starre monolithische Software. Lokad startete 2018 mit Deep-Learning-Frameworks – wie sie allgemein in der Community verwendet werden – und überarbeitete die Technologie schließlich komplett im Lichte der Fortschritte im differentiable programming im Jahr 2019. Ziel dieses vollständigen technologischen Umbaus war es, relationale Daten zu einem erstklassigen Bürger zu machen, im Gegensatz zu Deep-Learning-Frameworks, die diese als zweitrangig behandelten – und dies immer noch tun. Obwohl relationale Daten in supply chain dominieren, handelt es sich dabei nicht um die Art von Daten, die das Interesse der breiteren Machine-Learning-Community weckt (wo Bilder, natürliche Sprache, Sprache etc. vorherrschen).
Zweitens, lässt die Perspektive der „forecasting engine“ dem Unternehmen keinen Spielraum, die eigene Zukunft zu gestalten. Unabhängig von der Raffinesse der engine impliziert das Paradigma, dass ein zweistufiger Prozess stattfindet, bei dem die Prognose-/Planungsphase von einer Optimierungs-/Ausführungsphase folgt. Dieses Paradigma lässt kaum oder gar keinen Spielraum zu, um zwischen Planung und Ausführung hin und her zu wechseln. Theoretisch ist es möglich, die forecasting engine wiederholt auf Szenarien anzuwenden, die gemäß den durch frühere Iterationen gewonnenen Prognosen angepasst wurden. In der Praxis ist der Prozess so mühsam, dass ihn niemand wirklich lange durchführt.
Fazit: Programmatische Ansätze sind ein Wendepunkt. Denn dadurch wird es möglich, maßgeschneiderte Rückkopplungsschleifen zwischen Planung und Ausführung zu betreiben, die feine, aber profitable Optionen widerspiegeln, die dem Unternehmen sonst wahrscheinlich entgehen würden. Zum Beispiel, wenn der Kunde ein Luftfahrt-MRO-Unternehmen ist, wird es möglich, gleichzeitig Rotables zu kaufen und zu verkaufen – der Verkauf ungenutzter Teile finanziert den Erwerb der nun dringend benötigten Teile. Solche Wechselwirkungen sind nicht zwangsläufig komplex oder gar herausfordernd, aber ihre Entdeckung erfordert eine sorgfältige Betrachtung des feinen Drucks des Geschäfts. Nicht-programmatische Ansätze scheitern stets daran, diesen feinen Druck einzufangen, und drängen die supply chain practitioners zurück zu ihren Tabellenkalkulationen2. Differentiable programming erweist sich auch in diesem Bereich als ein Wendepunkt.
Häufig gestellte Fragen (FAQ)
1. Prognosealgorithmen und -modelle
1.1 Können Sie einen Überblick über die von Ihnen verwendeten forecasting engine(s) geben?
Lokads prädiktive Fähigkeiten basieren auf den differentiable programming-Fähigkeiten von Envision, der DSL (domänenspezifischen Programmiersprache), die von Lokad für die prädiktive Optimierung von supply chains entwickelt wurde. Anstatt also über eine ‚engine‘ zu verfügen, hat Lokad programmatische Bausteine, die sich leicht zu erstklassigen prädiktiven Modellen zusammensetzen lassen.
Unsere prädiktiven Modelle beinhalten (und übertreffen) die Lieferung modernster Zeitreihen-Nachfrageprognosen, wie an Lokads Erstplatzierung (von rund 1000 Wettbewerbern) auf SKU-Ebene in einem internationalen Prognosewettbewerb auf Basis von Walmart-Datensätzen demonstriert wird. Die Details der Methode sind in einem öffentlichen Paper dokumentiert. Die Programmierbarkeit der Lokad-Plattform bietet flexible Möglichkeiten, die mit einer herkömmlichen „forecasting engine“ nicht replizierbar sind. Tatsächlich wurde unsere letzte „forecasting engine“ 2018 zugunsten eines programmatischen Ansatzes eingestellt, gerade wegen dieser Einschränkung.
Außerdem sprechen wir in der Regel von ‚predictive modeling‘ statt ‚forecasting‘, weil nicht nur die zukünftige Nachfrage quantitativ geschätzt werden muss, sondern alle Unsicherheitsquellen. Diese Kategorien umfassen zukünftige Durchlaufzeiten, zukünftige Retouren, zukünftige Ausschussraten, zukünftige Beschaffungspreise, zukünftige Preise der Wettbewerber, etc. Durch differentiable programming liefert Lokad Prognosen, die weit über das hinausgehen, was traditionell von einer forecasting engine erwartet wird. Diese erweiterten Prognosen sind entscheidend, um eine End-to-End-Optimierung von supply chain zu erreichen, statt nur eines isolierten Nachfrageplans.
Schließlich liefert Lokad ein ‚probabilistisches prädiktives Modell‘. Wahrscheinlichkeitsprognosen (oder ‚probabilistic modeling‘) sind entscheidend, um risikoangepasste optimierte Entscheidungen zu treffen. Ohne Wahrscheinlichkeitsprognosen sind supply chain Entscheidungen empfindlich gegenüber jeglicher Variation, was zu konstanten Mehrkosten in Situationen führt, die durch etwas vorsichtigere Entscheidungen weitgehend hätten abgemildert werden können.
Siehe Differentiable Programming in Envision für weitere Details zu diesem kritischen Werkzeug sowie History of the Forecasting Engine of Lokad um unseren Prognosefortschritt zu überprüfen
1.2 Können Sie eine Basisprognose auf Basis statistischer Modelle erstellen?
Ja. Lokad kann eine Basis-Nachfrageprognose basierend auf niedrigdimensionalen parametrischen Modellen, d.h. einem statistischen Modell, erstellen. Dies tun wir mit Envision, Lokads DSL (domänenspezifische Programmiersprache), die speziell für die prädiktive Optimierung von supply chains entwickelt wurde. Durch die differentiable programming-Fähigkeiten von Envision ist es auch einfach, Parameter anhand historischer Nachfragedaten zu erlernen.
Es gibt zwei wesentliche Einschränkungen der traditionellen Prognoseperspektive, die von den neueren Technologien, die Lokad anbietet, abgelöst wurde. Erstens, Punkt-Zeitreihen-Prognosen (alias „klassische Prognosen“) erfassen nicht die irreduzible Unsicherheit der Zukunft. Tatsächlich ignorieren sie die Unsicherheit vollständig, indem sie zukünftige Unsicherheit als einen einzigen Wert (z.B. Nachfrage) ausdrücken anstatt als Wahrscheinlichkeitsverteilung von Werten.
Infolgedessen ist es dem Kunden mittels traditioneller Zeitreihenprognosen nicht möglich, risikoangepasste Entscheidungen zu treffen – z.B. solche, die die finanzielle Auswirkung der Bestellung von X Einheiten oder X+1 Einheiten, oder eventuell gar keiner Bestellung berücksichtigen. Dieses Fehlen von Risikobewusstsein (d.h. in quantitativer Hinsicht) ist für den Kunden stets sehr kostspielig, da es zu schlechten finanziellen Entscheidungen führt (z.B. Bestellungen, Zuteilungen etc.). Lokad löst dieses Problem durch Wahrscheinlichkeitsprognosen, da sie die zukünftige Unsicherheit annehmen, anstatt sie zu ignorieren.
Zweitens, die Nachfrageprognose ist zwar wohl die wichtigste Art der Prognose, aber nicht die einzige. Durchlaufzeiten, Retouren, Ausschussraten und alle anderen Bereiche zukünftiger Unsicherheit müssen ebenfalls prognostiziert werden. Lokad löst dieses Problem durch programmatisches predictive modeling.
1.3 Welche Art von Datenanalyse und Algorithmen verwendet die Lösung, um genaue Nachfrageprognosen zu erstellen?
Lokad nutzt differentiable programming und greift auf detaillierte historische Daten sowie – falls relevant – auf ausgewählte externe Daten zurück, um Nachfrageprognosen zu erstellen und andere supply chain Komplexitäten (z.B. Lagerengpässe und Promotionen) zu bewältigen.
Differentiable programming – verwendet zum Erlernen parametrischer Modelle – ist die führende Technik, um genaue Nachfrageprognosen zu erstellen. Wie im M5 Prognosewettbewerb, basierend auf Einzelhandelsdaten von Walmart, demonstriert wurde, nutzte Lokad diesen Ansatz und erreichte Nummer eins auf SKU-Ebene (im Wettbewerb gegen rund 1000 Teams weltweit). Dieser Erfolg qualifiziert den Ansatz als Stand der Technik.
Allerdings kratzte der M5 Prognosewettbewerb nur an der Oberfläche dessen, was Nachfrageprognosen leisten können, da Lokads Ansatz sich für unzählige ‚Komplikationen‘ eignet, wie etwa den Umgang mit Lagerengpässen, Promotionen, Retouren, Verderblichkeit etc. Strukturiertes predictive modeling for supply chain gibt genaue Auskünfte darüber, wie Lokad diese Komplikationen bewältigt.
Datenmäßig nutzt Lokad alle relevanten historischen Verkaufsdaten, bis hin zu einzelnen Transaktionen (falls diese Daten vorhanden sind). Wir nutzen auch andere historische Daten, die das Nachfragesignal ergänzen, wie z.B. historische Lagerbestände, historische Preise, historische Konkurrenzpreise, historische Display-Rankings (E-Commerce) usw. Die Technologie von Lokad wurde entwickelt, um das Maximum aus allen verfügbaren Daten herauszuholen und gleichzeitig die Auswirkungen der bedauerlicherweise nicht verfügbaren Daten zu mildern.
Externe Daten können verwendet werden, wenn sie als relevant erachtet werden, um die Nachfrageprognosen zu verfeinern. Allerdings hat sich in unserer Erfahrung gezeigt, dass Daten jenseits der Wettbewerbsinformationen selten eine Genauigkeitsverbesserung bringen, die den erheblichen ingenieurtechnischen Aufwand rechtfertigt, der mit der Aufbereitung dieser Datensätze verbunden ist (z.B. soziale Daten, Wetterdaten usw.). Die Nutzung solcher Datensätze sollte reifen Unternehmen vorbehalten sein, die bereits alle einfacher zugänglichen Möglichkeiten zur Verbesserung der Prognosegenauigkeit ausgeschöpft haben.
1.4 Verringern Sie den Prognosefehler durch maschinelle Lerntechniken?
Ja. Lokad verwendet differentielles Programmieren und Deep Learning, um den Prognosefehler zu reduzieren. Gelegentlich nutzen wir alternative Techniken, wie Random Forests oder gradientenverstärkte Bäume. Außerdem setzen wir maschinelle Lerntechniken (ML) ein, um „klassische“ statistische Methoden (z.B. autoregressive Modelle) neu zu überdenken – allerdings mit wesentlich verbesserten Methoden zur Ermittlung der relevanten Parameter dieser Methoden.
Obwohl Lokad ML einsetzt, sollte beachtet werden, dass es sich nicht um einen homogenen Bereich handelt, sondern um eine gemeinsame Perspektive, wie man an Daten herangeht. Da maschinelles Lernen als Forschungsfeld seit über drei Jahrzehnten besteht, umfasst der Begriff in der Tat eine breite Palette von Techniken; einige gelten als state-of-the-art und andere als ziemlich veraltet.
Aus unserer Sicht besteht der wichtigste Paradigmenwechsel im ML – insbesondere für supply chain Zwecke – im Übergang vom Feature Engineering zum Architektur Engineering. Einfach ausgedrückt: Die maschinellen Lerntechniken sind selbst programmierbar geworden. Sowohl Deep Learning als auch differentielles Programmieren spiegeln diese neue Perspektive wider, die Architektur Engineering dem Feature Engineering vorzieht – und genau deshalb wendet Lokad diesen Ansatz an.
Für supply chain Zwecke ist das architektonische Engineering entscheidend, um im prädiktiven Modell die tatsächliche Struktur des zu lösenden Problems abzubilden. Auch wenn dies abstrakt klingen mag, ist es der Unterschied zwischen einer Prognose, die systematisch von den ERP-Daten abweicht, und einer Prognose, die die Situation wirklich erfasst.
1.5 Wie identifizieren und prognostizieren Sie Nachfrage-Muster, um Engpässe und Überbestände zu vermeiden?
Lokad reduziert Engpässe und Überbestände durch probabilistische Prognosen, die die Unsicherheit zukünftiger Nachfrage anerkennen, indem sie Wahrscheinlichkeiten für große Nachfrageschwankungen bereitstellen. Dieser Ansatz ermöglicht es Lokad, risikoangepasste Entscheidungen für Kunden zu treffen, was zu besseren Auswahlmöglichkeiten (z.B. Bestellungen) führt und schließlich Engpässe und Überbestände reduziert. Dieser Ansatz steht im Gegensatz zu herkömmlichen Punkt-Zeitreihenprognosen, die finanzielle Risiken ignorieren und ausschließlich darauf abzielen, die Prognosefehler isoliert zu verringern.
Abgesehen von anderen möglichen Ursachen – wie variierenden Lieferzeiten – spiegeln Engpässe und Überbestände in der Regel unerwartete (zukünftige) Nachfrage wider. Lokad geht dieses Problem direkt durch probabilistische Prognosen an. Anders als herkömmliche supply chain Methoden, die die irreduzible Unsicherheit der Zukunft ignorieren, nimmt Lokad die Unsicherheit in einem strikt quantitativen Sinn wahr. Probabilistische Prognosen liefern die Wahrscheinlichkeiten für das Auftreten großer Nachfrageschwankungen – etwas, das essenziell ist, wenn man risikoangepasste Entscheidungen berechnen möchte.
Risikoangepasste Entscheidungen berücksichtigen nicht nur die Wahrscheinlichkeit, dass ungewöhnliche Ereignisse (z.B. sehr niedrige oder sehr hohe Nachfrage) eintreten, sondern auch die finanziellen Risiken, die mit diesen Ergebnissen verbunden sind. Als Faustregel gilt, dass es sehr asymmetrische Kosten gibt, wenn entweder zu wenige oder zu viele Einheiten vorhanden sind. Eine risikoangepasste Entscheidung minimiert den erwarteten Verlust, indem sie den Kunden in die „umsichtigste“ oder „lohnenswerteste“ Richtung lenkt.
Im Gegensatz dazu – und trotz ihrer Beliebtheit – ignorieren periodische Punkt-Zeitreihenprognosen (alias „klassische Prognosen“) diese Risiken vollständig. Diese Herangehensweise zielt darauf ab, den Prognosefehler isoliert so weit zu reduzieren, dass der Fehler unbedeutend erscheint. Dies ist jedoch Wunschdenken, da die zukünftige Unsicherheit irreduzibel ist. Deshalb scheitern Punktprognosen daran, Engpässe und Überbestände zufriedenstellend zu vermeiden.
Kurz gesagt, es spielt keine Rolle, ob ein grobes oder ein anspruchsvolleres Modell verwendet wird, wenn die zugrunde liegenden Annahmen/Werkzeuge (z.B. Punkt-Zeitreihenprognosen) grundsätzlich fehlerhaft sind.
Siehe probabilistic forecasting für die Details zu diesem Konzept.
1.6 Wie gehen Sie mit Saisonalität in der Nachfrage um?
Executive summary: Lokad handelt Saisonalität in der Nachfrage durch differentielles Programmieren, wobei niedrigdimensionale parametrische Modelle verwendet werden, die die Struktur verschiedener Zyklen – wie jährliche, wöchentliche und ereignisspezifische Muster – fest kodieren. Dieser automatisierte Ansatz gewährleistet Genauigkeit und Stabilität in der Nachfrageprognose, indem alle Muster, die die Nachfrage beeinflussen, gleichzeitig berücksichtigt werden, ohne dass manuelle Eingriffe erforderlich sind.
Saisonalität, auch als jährlicher Zyklus bezeichnet, ist einer der vielen Zyklen, mit denen Lokad arbeitet. Wir können auch den wöchentlichen Zyklus (d.h. Wochentagseffekt), den monatlichen Zyklus (d.h. Gehaltsscheck-Effekt) und die quasi-jährlichen Zyklen (z.B. Ostern, Ramadan, Chinesisches Neujahr, Black Friday usw.) abbilden.
Unsere bevorzugte Technik zur Bewältigung von Zyklen ist differentielles Programmieren. Wir nutzen niedrigdimensionale parametrische Modelle, die die Zielzyklen strukturell abbilden. Anders ausgedrückt wählen wir Modelle, bei denen die Struktur des Zyklus als gegeben vorausgesetzt wird und von Lokad’s Supply Chain Scientists fest kodiert ist. Dies soll uns helfen, das Ausmaß der Schwankungen, die mit den Zielzyklen verbunden sind, zu quantifizieren – anstatt lediglich ihre Existenz zu identifizieren.
Sobald das numerische Rezept von Lokad’s Supply Chain Scientists entwickelt wurde, erfolgt der gesamte Optimierungsprozess vollständig automatisiert. Insbesondere erfordert Lokad’s Supply Chain Optimierung keinerlei manuelle Eingriffe (d.h. kein Mikromanagement des Saisonalitätsprofils) und ist auch nicht auf Ausnahmen für kürzlich eingeführte oder noch nicht gestartete Produkte angewiesen. Lokad’s Ansatz mag etwas neuartig erscheinen, ist jedoch für supply chain Zwecke von entscheidender Bedeutung.
Erstens liefert er genauere Ergebnisse, da der maschinelle Lernprozess die Zyklizität nicht zu entdecken versucht, sondern diese als gegeben annimmt (was bereits weithin von supply chain Praktikern anerkannt wird). Dies ist besonders kritisch in Situationen, in denen die Datenmenge begrenzt ist.
Zweitens führt der Ansatz zu stabileren Ergebnissen, indem die Form der zu erlernenden Nachfragefunktion eingeschränkt wird. Dies trägt erheblich dazu bei, numerische Artefakte zu vermeiden, bei denen die geschätzte zukünftige Nachfrage stark schwankt, während die Eingangsdaten dies nicht tun.
Schließlich ermöglicht differentielles Programmieren, das von Lokad zur Erstellung von (Machine Learning-)Modellen aus den Kundendaten eingesetzt wird, die gleichzeitige Berücksichtigung aller Zyklen sowie aller anderen Muster, die die beobachtete Nachfragesituation prägen (z.B. Engpässe oder Promotionen). Zyklen können nicht isoliert oder nacheinander von den anderen Mustern, die die Nachfrage beeinflussen, geschätzt werden. All diese Muster und ihre jeweiligen Parameter müssen gemeinsam ermittelt werden.
Siehe Structured Predictive Modeling for Supply Chain für weitere Details zum differentiellen Programmieren und dessen Rolle in der supply chain Optimierung.
1.7 Haben Sie langfristige (mehr als 3 Jahre im Voraus) Prognosefähigkeiten, um die zukünftige Nachfrage vorherzusagen und entsprechende Anpassungsvorschläge zu machen?
Ja. Lokad kann unbegrenzt weit in die Zukunft prognostizieren, daher gibt es keinen maximalen Zeithorizont.
Angesichts der Natur zukünftiger Unsicherheit nimmt die Prognoseungenauigkeit stetig zu, je weiter der Prognosehorizont reicht. Zwar ist es technisch unkompliziert, eine langfristige Prognose zu erstellen, jedoch bedeutet das nicht, dass diese Prognose für supply chain Zwecke verlässlich ist. Egal wie ausgeklügelt das zugrunde liegende Modell auch sein mag, versucht die Prognose letztlich, anhand eines Rückspiegels zu erraten, wie die Zukunft aussehen wird.
Darüber hinaus führt die Möglichkeit manueller Anpassungen an einer ansonsten automatisierten Prognose häufig zu einer Verschlechterung der Situation. Sobald Prognosen von „Experten“ manuell modifiziert wurden, schenken Organisationen ihnen in der Regel ein übermäßiges Vertrauen. Zahlreiche von Lokad durchgeführte Benchmarks belegen, dass Experten langfristige Prognosen selten besser als einfache Durchschnittsverfahren erstellen. Manuell angepassten Prognosen wird oft eine unverdiente Expertise zugeschrieben, die Organisationen zu sehr von ihnen abhängig macht. Diese Praxis des manuellen Feintunings besteht selbst dann fort, wenn sich die Zahlen letztlich als schlechte Schätzungen herausstellen.
Als gesamtgesellschaftlicher Kommentar zur langfristigen Prognose stimmen wir mit Ingvar Kamprad (IKEA-Gründer) überein, der in The Testament of a Furniture Dealer schrieb: „Überspannte Planung ist die häufigste Ursache für den Untergang eines Unternehmens.“ Allgemein gesprochen raten wir – sofern das Kundenunternehmen nicht mit außergewöhnlich stabilen Marktbedingungen (z.B. öffentliche Versorgungsunternehmen) konfrontiert ist – davon ab, die supply chain allein über langfristige Prognosen zu steuern. Das Team der Supply Chain Scientists von Lokad steht bereit, um Empfehlungen für bessere (und vernünftigere) Ansätze zu geben, die den spezifischen Anforderungen jedes Kundenunternehmens gerecht werden.
1.8 Können Sie mindestens 28 Tage rollierende Artikel-/Store-Prognosen erstellen?
Ja, Lokad kann unbegrenzt weit in die Zukunft prognostizieren, selbst auf SKU-Ebene für eine große Einzelhandelskette.
Für unsere Einzelhandelskunden verfügen wir routinemäßig über Prognosehorizonte von 200 (oder mehr) Tagen, während wir auf SKU-Ebene arbeiten. Diese mittelfristigen Horizonte sind nützlich, um die Risiken im Zusammenhang mit toten Lagerbeständen bei langsam drehenden Produkten richtig einzuschätzen. Darüber hinaus ist Lokad’s Plattform hoch skalierbar, sodass der Umgang mit zig Millionen von SKUs bei der Verarbeitung jahrelanger täglicher historischer Daten problemlos möglich ist. Tatsächlich kann Lokad’s Plattform mühelos so skaliert werden, dass selbst große Einzelhandelsnetzwerke ohne vorherige Kapazitätsplanung problemlos untergebracht werden.
Siehe auch Forecasting Algorithms and Models 1.7 in diesen FAQs.
1.9 Können Sie externe Datenquellen und/oder Indikatoren nutzen, um die Genauigkeit der Nachfrageprognose zu verbessern?
Ja. Beispielsweise verwendet Lokad routinemäßig Wettbewerbsinformationen (d.h. veröffentlichte Preise von Wettbewerbern). In bestimmten Branchen können öffentliche Indikatoren von großem Nutzen sein (z.B. prognostizierte Größen von Flugzeugflotten für Aviation MROs). Die programmatische Plattform von Lokad eignet sich einzigartig dafür, vielfältige Datenquellen – über die historischen Daten aus den Geschäftssystemen hinaus – zu nutzen.
Bezüglich externer Daten gibt es zwei Quellen, bei denen der ingenieurtechnische Aufwand kontraintuitiv fast nie gerechtfertigt ist: Wetterdatensätze und Datensätze aus sozialen Netzwerken. Wetterdatensätze sind sehr unhandlich (d.h. sehr groß und sehr komplex) und, realistisch betrachtet, nicht wirklich besser als saisonale Durchschnitte über einen Zeitraum von mehr als zwei Wochen (gerundet). Auch soziale Netzwerkdatensätze sind sehr unhandlich (d.h. sehr groß, sehr komplex und stark von Müll-Daten durchsetzt) und konzentrieren sich zudem stark auf kurzfristige Effekte – typischerweise von wenigen Tagen.
Wir behaupten nicht, dass aus Wetterdaten oder sozialen Netzwerkdaten überhaupt kein Wert gewonnen werden kann, da wir dies bereits für einige Kunden erfolgreich demonstriert haben. Dennoch sind nicht alle Prognosegenauigkeitsverbesserungen die ingenieurtechnischen Aufwendungen wert, die zu ihrer Erzielung nötig wären. Unsere Kunden müssen mit begrenzten Ressourcen arbeiten, und in der Regel sind diese Ressourcen besser in die Optimierung anderer Aspekte der End-to-End supply chain investiert als in den Versuch, das letzte Prozent (was meistens nicht einmal so viel ist) zusätzlicher Genauigkeit durch externe Datensätze zu erzielen, die zwei- oder dreimal so groß sind wie die eigenen historischen Datensätze des Kunden.
1.10 Wie gehen Sie mit unterschiedlichen Verkaufsraten um, von weniger als 1 pro Woche bis zu Tausenden pro Tag?
Um den unterschiedlichen Verkaufsraten gerecht zu werden, verwendet Lokad probabilistische Prognosen für spärliche Nachfrage und setzt spezialisierte Datenstrukturen wie Ranvar ein, um bei allen Verkaufsvolumina Effizienz zu gewährleisten und so die Herausforderungen der supply chain zu vereinfachen.
Bei variierenden Verkaufsraten liegt die Hauptherausforderung in den kleinen Zahlen im Vergleich zu den großen – große Zahlen sind vergleichsweise einfacher zu verarbeiten. Um mit spärlicher Nachfrage umzugehen, nutzt Lokad probabilistische Prognosen. Probabilistische Prognosen weisen jedem diskreten Ereignis eine Wahrscheinlichkeit zu, wie beispielsweise die Wahrscheinlichkeit, 0 Einheiten, 1 Einheit, 2 Einheiten etc. zu verkaufen. Wahrscheinlichkeiten eliminieren ganze Problemklassen, die mit Bruchteilen von Nachfragewerten verbunden sind, wie es traditionell bei herkömmlichen supply chain Methoden der Fall ist.
Unter der Haube werden Wahrscheinlichkeiten über eine kurze Folge diskreter Möglichkeiten als Histogramme (oder ähnliche Datenstrukturen) dargestellt. Diese Datenstrukturen sind sehr kompakt und verursachen daher nur einen geringen Rechenaufwand. Allerdings würde bei spärlicher Nachfrage eine naive Implementierung solcher Datenstrukturen (z.B. ein Bucket pro Nachfrageneinheit) dramatisch ineffizient werden, wenn mit nicht-spärlichen Nachfragedistributionen umgegangen wird, die Tausende von Einheiten pro Periode umfassen.
Deshalb hat Lokad spezielle Datenstrukturen entwickelt, wie den Ranvar (siehe unten), der konstante Zeit- und konstanten Speicheraufwand für algebraische Operationen mit Wahrscheinlichkeitsverteilungen garantiert. Ranvar approximiert die ursprüngliche Wahrscheinlichkeitsverteilung elegant, wenn Werte groß werden, und der dadurch entstehende Präzisionsverlust bleibt aus supply chain Sicht unerheblich. Datenstrukturen wie Ranvar eliminieren weitgehend die Notwendigkeit, spärliche Nachfrage isoliert zu behandeln, während sie alle wünschenswerten Muster kleiner Ganzzahlen bei spärlicher Nachfrage beibehalten.
Siehe unseren öffentlichen Videovortrag Probabilistic Forecasting for Supply Chain und unsere öffentliche Dokumentation Ranvars and Zedfuncs für weitere Details zu diesem Punkt.
1.11 Prognostizieren Sie in verschiedenen Einheiten (Einheit, Preis, Packung, Gewicht, etc.)?
Ja, die Plattform von Lokad ist programmatisch. Wir können unsere Prognosen in jeder gewünschten Einheit umformulieren. Darüber hinaus können wir Situationen berücksichtigen, in denen mehrere Einheiten involviert sind. Zum Beispiel sind Container sowohl in Bezug auf Gewicht als auch Volumen begrenzt. Daher muss die Prognose des zukünftigen Containerverbrauchs beide dieser Einschränkungen berücksichtigen, um richtig zu beurteilen, wie viele Container voraussichtlich benötigt werden.
1.12 Unterstützen Sie mehrere Prognosealgorithmen (z. B. lineare Regression, exponentielle Glättung, gleitender Durchschnitt, ARIMA, etc.)?
Ja. Die Plattform von Lokad ist programmatisch, sodass wir alle klassischen Prognosemodelle unterstützen können (wie die in der Frage aufgeführten).
Es ist wichtig zu beachten, dass die meisten der „klassischen“ Prognosemodelle (z. B. lineare Regression, exponentielle Glättung, gleitender Durchschnitt, ARIMA etc.) nicht mehr als auf dem neuesten Stand gelten und in öffentlichen Prognosewettbewerben nicht als Spitzenreiter erscheinen. Insbesondere schneiden die meisten dieser Modelle schlecht ab, wenn es darum geht, die üblichen Komplikationen in Lieferketten-Situationen zu berücksichtigen (z. B. Lagerengpässe, Kannibalisierungen, quasi-saisonale Ereignisse wie das chinesische Neujahr, etc.).
In der Regel erstellen die Supply Chain Scientists von Lokad ein maßgeschneidertes numerisches Rezept, um die Prognosebedürfnisse des Kundenunternehmens abzudecken. Unsere Supply Chain Scientists prognostizieren die notwendige Nachfrage sowie alle anderen unsicheren Faktoren der Lieferkette, wie beispielsweise Lieferzeiten, Retouren, Ausschussquoten, Wettbewerberpreise, etc. Darüber hinaus müssen die Prognosealgorithmen so angepasst werden, dass sie die vorhandenen Daten optimal nutzen und gleichzeitig die in Lieferkettenoperationen inhärenten Datenverzerrungen abmildern (z. B. dass die Nachfrage häufig am Ende eines Lagerengpass-Ereignisses wieder ansteigt).
Siehe unseren öffentlichen Videovortrag No1 auf SKU-Ebene im M5-Prognosewettbewerb für Details zu Lokads Prognosekompetenz.
1.13 Auf welchem Granularitätsniveau erfolgt die Rückgabe der Prognose?
Lokad kann jede Granularität in seinen Prognosen berücksichtigen. Das bedeutet, dass wir auf den feinsten Ebenen prognostizieren können, zum Beispiel bis auf die SKU-Ebene oder sogar die Nachfrage pro Kunde und SKU (wenn es sinnvoll ist), sowie unternehmensweite Prognosen erstellen können.
Da Prognosen numerische Artefakte sind, die dazu dienen, optimierte Entscheidungen in der Lieferkette zu generieren, passen die Supply Chain Scientists von Lokad den Detaillierungsgrad der Prognosen genau an die Entscheidungen an, die durch die Prognosen unterstützt werden sollen. Insbesondere, wenn mehrere Entscheidungen in der Lieferkette unterstützt werden müssen, gibt es in der Regel auch mehrere Granularitätsstufen der Prognosen.
Lokad geht jedoch über das bloße Anpassen des Granularitätsgrads der Prognose hinaus (d. h. über das Auswählen eines bestimmten Niveaus innerhalb einer gegebenen Hierarchie). Wir passen die gesamte Prognoseperspektive an, um die jeweilige Aufgabe besser widerzuspiegeln. Zum Beispiel könnte es für einen B2B-Einzelhändler sinnvoll sein, den Kundenverlust zu prognostizieren, da der Lagerbestand eines Kunden (der eine stetige Nachfrage für eine bestimmte SKU bedient) über Nacht zu totem Lagerbestand werden könnte. Dies könnte passieren, wenn all (oder der Großteil) der Nachfrage von einem großen Kunden stammt, der plötzlich abwandert. Lokad ist in der Lage, die Wahrscheinlichkeiten des Kundenverlustes zusammen mit der Nachfrage für eine bestimmte SKU zu prognostizieren. Anschließend können wir die beiden Prognosen nach Bedarf kombinieren, um die relevanten Lagerhaltungsentscheidungen zu optimieren.
1.14 Können Sie quantitative Prognosen auf Basis von wöchentlichen Verkaufsdaten erstellen?
Ja. Unsere Prognosemöglichkeiten sind sehr flexibel. Wir können beispielsweise wöchentliche Verkaufsdaten anstelle von Rohtransaktionsdaten verarbeiten (was wir bevorzugen).
Es ist anzumerken, dass die Zusammenführung von Transaktionsdaten zu einer wöchentlichen Zeitreihe ein verlustbehafteter Prozess ist, was bedeutet, dass kritisch wichtige Informationen dabei verloren gehen können. Einmal verloren, können diese Informationen nicht wiedergewonnen werden, egal wie ausgefeilt das Prognosemodell auch sein mag.
Zum Beispiel, stellen Sie sich einen Baumarkt vor, der Lichtschalter verkauft. Dieser Händler verzeichnet im Durchschnitt 1 Einheit Nachfrage pro Tag für eine bestimmte SKU in einem Geschäft, das jeden Tag der Woche aufgefüllt wird. Wenn der Großteil der Nachfrage von Kunden stammt, die jeweils 1 Einheit kaufen, dann wird ein Lagerbestand von 4 Einheiten wahrscheinlich ein akzeptables Serviceniveau bieten. Wenn jedoch der Großteil der Nachfrage von Kunden kommt, die typischerweise ein halbes Dutzend Einheiten auf einmal kaufen (wobei durchschnittlich 1 Kunde pro Woche eintrifft), dann entspricht ein Bestand von 4 Einheiten einem miserablen Serviceniveau.
Dies verdeutlicht das Problem der willkürlichen Aggregation. Sobald Verkaufsdaten beispielsweise wöchentlich aggregiert wurden, geht der Unterschied zwischen den beiden oben beschriebenen Situationen verloren. Genau deshalb bevorzugt Lokad nach Möglichkeit die Verarbeitung roher Transaktionsdaten.
1.15 Erstellen Sie eine Tagesprognose (oder Intraday-Prognose) basierend auf der täglichen Historie, oder wenden Sie tägliche Muster auf eine wöchentliche statistische Prognose an?
Wenn tägliche historische Daten verfügbar sind (oder noch besser, Daten auf Transaktionsebene), lernen wir in der Regel gemeinsam alle relevanten Zyklen – Wochentag, Woche im Monat, Woche im Jahr – um die Prognosegenauigkeit zu verbessern. Über die Plattform von Lokad ist es sehr einfach, jeden beliebigen Zyklus oder Quasi-Zyklus (z. B. Ostern, chinesisches Neujahr, Ramadan, etc.) einzubeziehen (oder auszuschließen).
Die hierarchische Aufteilung, die den Wochentagszyklus vom Jahreswochenzyklus trennt, wird von Lokad möglicherweise eingesetzt, muss es aber nicht. Unsere Plattform kann jedoch beide Optionen unterstützen. Dieses Anliegen (die Aufteilung vorzunehmen oder nicht) beschränkt sich nicht nur auf die Zyklen, sondern muss auch bei allen anderen Mustern berücksichtigt werden.
Die Wahl des am besten geeigneten Modells obliegt den Supply Chain Scientists von Lokad. Ihre Auswahl basiert auf einer sorgfältigen Analyse der spezifischen Muster, die in der betreffenden Lieferkette beobachtet werden.
1.16 Passen Sie die Prognose tagsüber (oder innerhalb der Woche) automatisch basierend auf den tatsächlichen Verkäufen im Vergleich zu den erwarteten Verkäufen an?
Lokad aktualisiert seine prädiktiven Modelle täglich, um Fehler durch falsche Dateneingaben zu korrigieren und so sicherzustellen, dass die Prognosen genau und aktuell sind. Dieser Ansatz begegnet numerischen Instabilitäten in älteren Technologien, indem stabile und präzise Modelle eingesetzt werden, um unregelmäßige Prognoseänderungen zu verhindern und Entscheidungen in der Lieferkette zu verbessern.
In der Regel aktualisiert (trainiert) Lokad alle seine prädiktiven Modelle jedes Mal neu, wenn wir einen frischen Satz historischer Daten erhalten. Bei der Mehrheit unserer Kunden geschieht dies einmal täglich. Der wichtigste Grund dafür ist, sicherzustellen, dass falsche Dateneingaben – die bereits korrigiert wurden – nicht aufgrund der Persistenz fehlerhafter Prognosen, die in der Vergangenheit (auf Basis dieser falschen Eingaben) erstellt wurden, bestehen bleiben. Die Funktionalität von Lokad macht die tägliche Aktualisierung der prädiktiven Modelle zu einem unproblematischen Vorgang, selbst bei sehr großen Lieferketten.
Andererseits leiden einige veraltete Prognosetechnologien unter numerischen Instabilitäten. Infolgedessen könnten Supply-Chain-Praktiker ein System befürchten, das zu häufig aktualisiert wird, da dies in ihrer Erfahrung bedeutet, dass die Prognosen unregelmäßig reagieren. Aus der Sicht von Lokad ist ein prädiktives Modell, das aufgrund eintreffender täglicher Dateninkremente unregelmäßig „herumspringt“, in der Tat ein fehlerhaftes Modell, das repariert werden muss. Das Verzögern der Aktualisierungen, um das Problem zu mildern, kann nicht als vernünftige Lösung betrachtet werden, da dadurch die Prognosegenauigkeit unnötig leidet, weil neueste Ereignisse nicht berücksichtigt werden.
Lokad löst dieses Problem, indem Klassen prädiktiver Modelle eingesetzt werden, die von Haus aus über korrekte Eigenschaften in Bezug auf numerische Stabilität verfügen. Differenzierbares Programmieren ist dabei besonders effektiv, um Modelle zu entwickeln, die sowohl sehr stabil als auch sehr genau sind.
Siehe Alles Täglich Erneuern für weitere Informationen zu diesem Punkt.
1.17 Wie stellen Sie ein Vertrauensniveau dafür auf, dass das tatsächliche Verkaufsniveau auch in Zukunft beibehalten wird?
Wir verwenden probabilistische Prognosen und stochastische Optimierung, um alle potenziellen Ergebnisse und deren Wahrscheinlichkeiten zu bewerten, was risikoangepasste Entscheidungen in der Lieferkette ermöglicht. Jedes potenzielle Ergebnis verfügt über ein Konfidenzintervall, das verwendet werden kann, um Vertrauensniveaus auszudrücken.
Wenn probabilistische Prognosen verwendet werden, wie von Lokad empfohlen, erhält jede mögliche Zukunft eine geschätzte Wahrscheinlichkeit. Daraus lassen sich Konfidenzintervalle relativ einfach ableiten. Die Konfidenzintervalle können verwendet werden, um ein „Vertrauensniveau“ festzulegen, das einem bestimmten Risikograd entspricht (z. B. Worst-5%-Szenario versus Worst-1%-Szenario).
Allerdings liegt der implizite Gedanke hinter „Vertrauensniveaus“ darin, dass die Lieferkettenentscheidung von den ursprünglichen Prognosen abhängt. Die Perspektive der probabilistischen Prognosen ändert grundlegend, wie wir die gesamte Frage der Prognosegenauigkeit (oder -ungenauigkeit) angehen. Wenn probabilistische Prognosen vorliegen, können die Entscheidungen in der Lieferkette (z. B. eine bestimmte Bestellung) plötzlich von einer risikoangepassten Optimierung profitieren. Mit anderen Worten, die Entscheidung kann für alle möglichen Zukunftsszenarien und deren jeweilige Wahrscheinlichkeiten optimiert werden, wobei jede Entscheidung in Bezug auf ihre finanziellen Auswirkungen bewertet wird.
Der technische Begriff für diese „Optimierung unter Unsicherheit“ lautet stochastische Optimierung. Lokad bietet sowohl probabilistische Prognosen als auch stochastische Optimierung an.
1.18 Können Sie mehrere Prognosealgorithmen kombinieren?
Ja, obwohl wir diese Praxis vor etwa einem Jahrzehnt nicht mehr empfehlen. Die Kombination mehrerer Prognosealgorithmen (sogenannte „Meta-Modelle“) in einer Produktionsumgebung führt in der Regel zu suboptimalen Entscheidungen in der Lieferkette – genau aus diesem Grund empfehlen wir diesen Ansatz nicht.
Die Kombination mehrerer Prognosemodelle ist eine der einfachsten Möglichkeiten, synthetische Ergebnisse zu verbessern, die typischerweise durch Backtesting erzielt werden. Dieses „Meta-Modell“ (das Produkt der Kombination mehrerer zugrunde liegender Prognosemodelle) ist jedoch normalerweise instabil, da es ständig von einem Modell zum anderen „springt“. Infolgedessen sind Fachleute in der Lieferkette regelmäßig durch plötzliche Abweichungen oder „Meinungsänderungen“ des Meta-Modells verwirrt. Noch schlimmer ist, dass Meta-Modelle per Definition ziemlich undurchsichtig sind, da sie eine Mischung aus mehreren Modellen darstellen. Selbst wenn die zugrunde liegenden Modelle einfach sind, ist das daraus resultierende Meta-Modell das nicht.
Daher geht jegliche durch den Einsatz von Meta-Modellen erzielte „zusätzliche Genauigkeit“ in Benchmarks (d. h. synthetische Ergebnisse) in der Produktion (d. h. in realen Szenarien) unweigerlich verloren, aufgrund von sekundären Effekten wie der erhöhten Instabilität und der gestiegenen Undurchsichtigkeit der Prognosen.
1.19 Wählen Sie automatisch ein bestangepasstes Modell für die Prognosen aus?
Ja, Lokad liefert ein einziges, effektives prädiktives Modell für die Prognose in der Lieferkette. Wir vermeiden “Meta-Modelle” aufgrund ihrer mangelnden Leistung in realen Anwendungen und ihrer Undurchsichtigkeit.
Die Supply Chain Scientists von Lokad liefern jedem Kunden ein einzelnes prädiktives Modell, anstatt einer Zusammenstellung verschiedener Algorithmen, die um die Auswahl konkurrieren, wie es beim „Meta-Modell“-Ansatz der Fall wäre. Dieser Meta-Modell-Ansatz wird von Lokad seit etwa einem Jahrzehnt nicht mehr betrieben.
Es ist erwähnenswert, dass Lokad auf technischer Ebene kein Problem damit hat, einen „internen Wettbewerb“ von Prognosemodellen zu betreiben – also einen Pool von Modellen, aus dem das jeweils beste Modell automatisch ausgewählt wird, wenn es die Umstände erfordern. Ein solcher Ansatz ist technisch unkompliziert. Der Grund, warum Lokad diese Praxis vermeidet, liegt darin, dass die mit Meta-Modellen verbundenen Vorteile synthetischer Natur sind (d. h. in Benchmarks sichtbar) und sich nicht in realen Lieferketten-Szenarien widerspiegeln. Unsere Erfahrung zeigt, dass Meta-Modelle stets schlechter abschneiden als ihre nicht zusammengesetzten Gegenstücke.
Meta-Modelle spiegeln in erster Linie veraltete Prognosetechnologien wider, bei denen eine Sammlung fehlerhafter Modelle zusammengestellt wird: Das erste Modell ist schlecht in Bezug auf die Saisonalität; das zweite Modell versagt bei kurzen Zeitreihen; das dritte Modell ist bei unregelmäßigen Zeitreihen schlecht; etc. Der Aufbau eines Meta-Modells erweckt den Eindruck, dass die Modellfehler der Einzelmodelle abgeschwächt wurden, jedoch treten die Fehler jedes Modells routinemäßig wieder auf, da die Logik des Modellselektors selbst ihre eigenen Einschränkungen hat. Schlimmer noch, Meta-Modelle untergraben typischerweise das Vertrauen der Fachleute in der Lieferkette, da dieses Design „per Definition undurchsichtig“ ist.
Deshalb ist es Lokads Ansatz, ein prädiktives Modell zu entwickeln, das genau so einfach wie möglich, aber nicht noch einfacher ist. Mit passenden unterstützenden Technologien, wie dem differenzierbaren Programmieren, deckt dieses einzelne Modell den gesamten Umfang der Lieferkette für das Kundenunternehmen ab, ohne dass auf eine Mischung von Modellen zurückgegriffen werden muss.
Siehe dazu auch Prognosealgorithmen und Modelle 1.18 in diesem FAQ.
1.20 Können Sie Prognosewettbewerbe durchführen, bei denen automatisch das beste Modell mit der optimalen Parametrisierung ausgewählt wird? Machen Sie das mit maschinellem Lernen?
Ja. Lokad kann dies, obwohl wir diesen Ansatz nicht empfehlen. Die Kombination von Modellen mittels maschinellen Lernens (zur Erstellung von „Meta-Modellen“) bringt in einer Produktionsumgebung keine Vorteile. Wir befürworten stattdessen einen Single-Model-Ansatz.
Vor etwa einem Jahrzehnt setzten wir noch Meta-Modelle für Prognosen ein. Meta-Modelle sind Modelle, die eine Kombination anderer Modelle darstellen und/oder ein Modell, das eine Auswahl anderer Modelle darstellt. Die Mischung und/oder Auswahl der zugrunde liegenden Modelle erfolgte ebenfalls mit Techniken des maschinellen Lernens – typischerweise mittels Random Forests und Gradient Boosted Trees.
Trotz der Verbesserung synthetischer Ergebnisse durch Benchmarking (typischerweise mittels Backtesting) verschlechtert der Meta-Modell-Ansatz unweigerlich die realen Ergebnisse für den Kunden. Die automatische Auswahl des Modells führt zu unregelmäßigen Prognosesprüngen, wenn das Meta-Modell von einem Modell zum anderen wechselt. Der Einsatz von maschinellen Lerntechniken für die Modellauswahl neigt dazu, dieses Verhalten zu verschärfen, indem die Übergänge noch unregelmäßiger werden.
Daher, obwohl die Lokad-Plattform Prognosewettbewerbe unterstützt, empfehlen wir nicht, solche Ansätze in Produktionsumgebungen einzusetzen. Insbesondere zeigen jüngste Prognosewettbewerbe, dass ein einzelnes, einheitliches Modell komplexe Meta-Modelle übertrifft, wie beispielsweise dadurch illustriert wird, dass Lokad im erstes auf SKU-Ebene in einem weltweiten Wettbewerb mit einem Walmart-Datensatz den ersten Platz belegte (siehe unten).
Siehe auch Prognosealgorithmen und Modelle 1.18 in diesem FAQ.
1.21 Wie stellen Sie sicher, dass detailliertere Informationen für jeden Artikel/Laden genutzt werden, während gleichzeitig Rauschen und Overfitting des Modells vermieden werden?
Lokad nutzt differenzierbares Programmieren, um die Prognosegenauigkeit zu verbessern, ein Ansatz, der es uns ermöglicht, Modelle an spezifische Datenstrukturen anzupassen und Overfitting durch Steuerung der Modell-Expressivität zu vermeiden. Dieser Ansatz begegnet dem “Gesetz kleiner Zahlen” effektiv, indem er minimale (aber entscheidende) Expertenhinweise einbezieht, um die Dateneffizienz zu optimieren.
Die Probleme von Rauschen und Overfitting sind Hauptantriebskräfte dafür, dass Lokad differenzierbares Programmieren in der Prognose einsetzt. Mittels differenzierbarem Programmieren haben Lokads Supply Chain Scientists die volle Kontrolle über die Struktur des Modells. Differenzierbares Programmieren ermöglicht es ihnen, ein Modell zu entwickeln, das die Eingabedaten (einschließlich ihrer relationalen Struktur) widerspiegelt. Außerdem erlaubt differenzierbares Programmieren, die Ausdruckskraft des Modells einzuschränken, um Overfitting in Schach zu halten.
Differenzierbares Programmieren war für Lokad ein Durchbruch, um mit dem “Gesetz kleiner Zahlen” in Supply Chains umzugehen – d.h., Prognosen müssen stets auf der Ebene bzw. Granularität erstellt werden, die die relevanten Supply Chain-Entscheidungen widerspiegelt, wie z.B. “pro SKU pro Tag”. Allerdings stehen Prognosemodelle dadurch häufig vor Situationen, in denen die Anzahl relevanter Datenpunkte einstellig ist.
Der Durchbruch des differenzierbaren Programmierens besteht darin, dass es einem Supply Chain Scientist (in der Regel bei Lokad angestellt, aber möglicherweise auch im Kundenunternehmen) ermöglicht, dem prädiktiven Modell hochrangiges Vorwissen einzuspeisen (z.B. eine Auswahl der relevanten Zyklen), um das Beste aus den wenigen verfügbaren Datenpunkten herauszuholen. Im Gegensatz zu den “Expertensystemen” der 1980er Jahre erfordert differenzierbares Programmieren nur sehr begrenzte Anleitung durch einen menschlichen Experten – und dennoch kann diese begrenzte Anleitung den entscheidenden Unterschied in Bezug auf die Dateneffizienz ausmachen.
2. Prognoseverwaltung und Anpassungen
2.1 Können Benutzer Prognosen visualisieren? Können sie die Prognosen auf verschiedenen Ebenen aggregieren (z.B. Lager, Laden, Shop)?
Executive summary: Ja, Lokads Plattform bietet robuste Datenvisualisierung (in konstanter Zeit) zum Überprüfen und Aggregieren von Prognosen auf allen gewünschten Ebenen.
Lokads Plattform stellt umfangreiche Möglichkeiten zur Datenvisualisierung bereit, die genutzt werden können, um Zeitreihenprognosen zu überprüfen. Insbesondere ist es einfach, Prognosen gemäß jeder Hierarchie (z.B. Standorte, Regionen, Produktkategorien, etc.) und nach jeder Granularität (z.B. Tag, Woche, Monat, etc.) zu aggregieren. Darüber hinaus gewährleistet Lokads Plattform eine Anzeige in konstanter Zeit für diese Berichte, was bedeutet, dass sie in weniger als 500 Millisekunden gerendert werden – vorausgesetzt, der Endbenutzer verfügt über ausreichend Bandbreite, um den Bericht in diesem Zeitrahmen zu laden.
Allerdings setzt diese Frage stillschweigend voraus, dass von Punkt-Zeitreihenprognosen (alias klassische Nachfrageprognosen) die Rede ist. Obwohl Lokads Plattform Punkt-Zeitreihenprognosen unterstützt, sind diese Prognosen mittlerweile aus zwei Gründen veraltet.
Erstens, präsentieren Punktprognosen einen zukünftigen Wert, als ob er DIE Zukunft wäre (d.h. exakt das, was passieren wird). In dieser Hinsicht wird die Zukunft als Spiegelbild der Vergangenheit behandelt. Allerdings ist die Unsicherheit der Zukunft irreduzibel, und die Zukunft – aus der Perspektive einer Supply Chain und nicht aus der Sicht eines Physikers – ist nicht das Spiegelbild der Vergangenheit. Aus diesem Grund sollten stattdessen probabilistische Prognosen bevorzugt werden – ein Ansatz, der ALLE möglichen zukünftigen Ergebnisse (z.B. Nachfragewerte) berücksichtigt und jedem eine Wahrscheinlichkeit zuordnet. In Bezug auf das Risikomanagement bietet dies einen wesentlich robusteren Schutz gegen die irreduzible Unsicherheit der Zukunft.
Jedoch, obwohl probabilistische Prognosen auf allen Ebenen (z.B. Lager, Laden, Produkt, etc.) ausgedrückt werden können, sind sie nicht additiv, zumindest nicht im üblichen Sinne. Somit, während Lokads Plattform alle relevanten Datenvisualisierungsfunktionen für unsere Prognosen bereitstellt, entsprechen diese typischerweise nicht den Erwartungen von Supply Chain-Praktikern (zumindest nicht denen ohne Vorerfahrung in probabilistischer Prognose).
Zweitens, sind Zeitreihen-Prognosemodelle häufig ungeeignet, weil die Zeitreihenperspektive selbst zu einfach ist und das Wesentliche des Geschäfts nicht erfasst. Beispielsweise kann ein B2B-Einzelhändler eine Mischung aus zwei Bestelltypen haben: kleine Bestellungen, von denen Kunden erwarten, dass sie umgehend aus dem Lagerbestand bedient werden, und große Bestellungen, die Monate im Voraus aufgegeben werden und bei denen die Kunden erwarten, dass sie pünktlich geliefert werden – gerade weil die Bestellung mit so viel Vorlaufzeit erfolgt ist. Dieses Muster, so grundlegend es auch sein mag, kann mit einer Zeitreihenprognose nicht abgebildet werden. Darüber hinaus gehören zu den Mustern, die nicht in Zeitreihenprognosen passen, unter anderem Haltbarkeitsabläufe, Kannibalisierungseffekte, Substitutionen, Preisänderungen der Wettbewerber etc.
Allgemein sind Zeitreihenprognosen zwar gut für Visualisierungszwecke, jedoch ist bei Lokad das zugrunde liegende Prognosemodell meist kein reines Zeitreihenmodell – selbst wenn die Enddaten der Einfachheit halber als Zeitreihe visualisiert werden.
2.2 Welche Art von Prognose-Erkenntnissen sollten von den Experten und welche vom System/Maschine behandelt werden?
Experten sollten sich auf die hochrangige Struktur des prädiktiven Modells konzentrieren (z.B. die relationale Struktur der Eingabedaten, die wesentlichen strukturellen Annahmen, die für diese Daten getroffen werden können, etc.). Es wird nicht erwartet, dass Experten die Prognosen selbst mikromanagen (z.B. manuell überschreiben).
Da Lokad moderne prädiktive Technologie – differenzierbares Programmieren – einsetzt, konzentrieren sich unsere Supply Chain Scientists nahezu ausschließlich auf die ‚hochrangige Struktur‘ des prädiktiven Modells. Dies steht im Gegensatz zu älteren Technologien (heute veraltet), die typischerweise erwarteten, dass der Experte, der sie nutzt, die Prognosen mikromanagt und Korrekturen für alle Randfälle liefert. Leider haben sich derartige veraltete Ansätze als zu umständlich erwiesen, um sie langfristig beizubehalten. Infolgedessen verloren die Unternehmen, die sie nutzten, meist ihre Experten und mussten wieder auf Tabellenkalkulationen zurückgreifen.
Im Gegensatz dazu lässt sich die hochrangige Struktur des prädiktiven Modells in der Regel prägnant ausdrücken, meist in nicht mehr als 100 Codezeilen. Diese Kürze gilt selbst bei sehr komplexen Supply Chains. Die hochrangige Struktur repräsentiert den Kern des menschlichen Verständnisses der prädiktiven Herausforderung. Währenddessen bleiben die Prozesse, die für das „Lernen“ der Modellparameter zuständig sind, vollständig automatisiert. Dies geschieht durch die Nutzung der Eingabedaten (typischerweise der historischen Daten) sowie weiterer Datenquellen (z.B. bevorstehende Marketingkampagnen).
2.3 Können die Prognosen manuell angepasst/überschrieben werden?
Executive summary: Ja. Obwohl Lokads Plattform manuelle Anpassungen der Prognosen unterstützt, ist dies überflüssig, da die probabilistischen Prognosen selbst so konzipiert sind, dass sie Risiko und Unsicherheit berücksichtigen – typischerweise die treibenden Prinzipien hinter manuellen Überschreibungen.
Lokads Plattform bietet umfangreiche programmatische Möglichkeiten, sodass eine Bearbeitung jedes Prognoseprozesses problemlos unterstützt werden kann. Der Bedarf an manuellen Anpassungen der Prognosen spiegelt jedoch in erster Linie die Beschränkungen veralteter Prognosetechnologien wider. Der Einsatz fortschrittlicher probabilistischer Prognosen bei Lokad hat den Bedarf an Mikromanagement der Prognosen weitgehend eliminiert. Tatsächlich verschwand dieser Bedarf bei Lokad vor etwa einem Jahrzehnt.
Manuelle Korrekturen der Prognosen sind in der Regel als indirekte Maßnahme zur Risikominderung gedacht. Der Supply Chain-Praktiker erwartet nicht, dass die Prognose statistisch genauer wird, sondern dass die aufgrund der angepassten Prognose getroffenen Entscheidungen weniger risikoreich, d.h. kostengünstiger für das Unternehmen sind. Allerdings sind durch probabilistische Prognosen die Supply Chain-Entscheidungen (von Lokad generiert) bereits risikoadjustiert. Daher gibt es keinen Grund, zu versuchen, die probabilistische Prognose so zu steuern, dass die Entscheidungen entlastet werden, da diese Entscheidungen von Natur aus risikoadjustiert sind.
Zudem sind manuelle Korrekturen der Prognosen häufig dazu gedacht, Situationen hoher Unsicherheit abzumildern. Da probabilistische Prognosen jedoch dazu entwickelt wurden, Unsicherheit zu erfassen und zu quantifizieren, spiegeln sie bereits die Bereiche hoher Unsicherheit wider, und darauf basierend werden risikoadjustierte Entscheidungen getroffen.
Grundsätzlich macht es keinen Sinn, zu versuchen, “falsche” Prognosen manuell zu korrigieren. Wenn sich zeigt, dass Prognosen nachweislich weniger genau sind als erwartet, sollte das numerische Rezept, das die Prognosen erzeugt, angepasst werden. Wenn Prognosen aus Gründen modifiziert werden, die nicht die Genauigkeit betreffen, müssen die nachgelagerten Berechnungen angepasst werden. In jedem Fall ist das manuelle Anpassen von Prognosen eine veraltete Praxis, die in einer modernen Supply Chain keinen Platz hat.
2.4 Können benutzerspezifisch entwickelte Prognosealgorithmen integriert werden?
Ja. Lokad ermöglicht die Integration benutzerspezifisch entwickelter Prognosealgorithmen über Envision—unsere domänenspezifische Programmiersprache (DSL). Diese flexible, anpassbare und skalierbare DSL kann je nach Bedarf gängige und fortgeschrittene Prognosealgorithmen und -techniken unterstützen.
Lokads Plattform ist programmatisch, was in unserer Technologie einen erstklassigen Stellenwert hat und über Envision bereitgestellt wird—die von Lokad entwickelte DSL (domänenspezifische Programmiersprache) für die prädiktive Optimierung von Supply Chains. Über Envision können alle gängigen Prognosealgorithmen (und deren Varianten) neu implementiert werden. Zudem unterstützt Envision auch einige noch nicht alltägliche Prognosealgorithmen, einschließlich wettbewerbsführender Techniken, die auf differenzierbarem Programmieren und probabilistischer Prognose basieren (siehe unten).
Die Integration dieser benutzerspezifischen Algorithmen in Lokad sollte nicht mit einer “Anpassung” des Lokad-Produkts verwechselt werden. Aus Sicht von Lokad ist es normal, sich auf maßgeschneiderte Algorithmen zu verlassen, um unseren Service zu nutzen. Die Lokad-Plattform bietet eine sichere, zuverlässige und skalierbare Ausführungsumgebung zur Unterstützung solcher Algorithmen. Die Implementierung der Algorithmen (in der Regel als “numerische Rezepte” bezeichnet) wird normalerweise von Lokads Supply Chain Scientists durchgeführt. Sollten jedoch im Kundenunternehmen eigene Datenwissenschaftler vorhanden sein, können diese ebenfalls die Lokad-Plattform für diesen Zweck nutzen.
Darüber hinaus stellt Lokads Plattform eine vollständige IDE (integrierte Entwicklungsumgebung) bereit, um solche benutzerspezifischen Algorithmen zu entwickeln. Diese Fähigkeit ist entscheidend, um sicherzustellen, dass die Algorithmen in einer Umgebung entwickelt werden, die die Produktionsumgebung – sowohl in Bezug auf die Eingabedaten als auch auf die Laufzeiteigenschaften – exakt widerspiegelt. Bei Lokad kann ein überarbeiteter Prognosealgorithmus, sobald er als zufriedenstellend (und in der Regel überlegen gegenüber der vorherigen Iteration) bewertet wird, innerhalb von Minuten in Produktion gehen. In diesem Zusammenhang bietet Lokads Plattform umfassende “by design”-Garantien, um Klassen von Problemen bei der Überführung von Algorithmen vom Prototyp in den Produktionsstatus vollständig zu eliminieren.
Siehe No1 auf SKU-Ebene im M5-Prognosewettbewerb für weitere Informationen zu Lokads Prognosetechniken.
2.5 Wie erklären Sie, was die Lösung tut, um zu einer Prognose oder Bestellung zu gelangen, sodass der Benutzer sie verstehen, hinterfragen und anderen Stakeholdern im Unternehmen erläutern kann?
Lokads Plattform nutzt eine flexible domänenspezifische Programmiersprache (Envision), die es uns ermöglicht, intuitive Dashboards zu erstellen, um die wichtigsten Kennzahlen und Entscheidungen für den Kunden darzustellen. Diese Dashboards werden in Zusammenarbeit mit den Kunden entwickelt, sodass diese sie schnell und bequem verstehen können. Bei komplexeren Sachverhalten sind es die Supply Chain Scientists von Lokad, die sowohl die Algorithmen (“numerische Rezepte” – also die Elemente, die die Prognosen und Supply Chain-Entscheidungen generieren) als auch deren Ergebnisse für die Kunden entwerfen und erläutern. Diese Experten sind darin geschult, relevante Einblicke in Wirtschaft, Ökonomie und Datenwissenschaft zu vermitteln, um den Kunden zu helfen, zu verstehen, was “hinter den Kulissen” geschieht.
Der Supply Chain Scientist, der bei Lokad angestellt ist, ist die Person, die das numerische Rezept (den Algorithmus) erstellt, das das prädiktive Modell (und damit dessen Entscheidungsfindungsprozess) unterstützt. Der Supply Chain Scientist trägt die persönliche Verantwortung für die Verteidigung und Erklärung der Angemessenheit der Prognosen sowie aller durch das numerische Rezept generierten Entscheidungen.
Somit hat, auch wenn die Situationen von einem Kundenunternehmen zum nächsten variieren, jede Situation einen menschlichen Copiloten (den Supply Chain Scientist). Es ist kein unpersönliches “System”, das für eine Prognose oder Entscheidung verantwortlich ist; es handelt sich um eine Reihe von numerischen Rezepten, die unter der direkten Kontrolle eines benannten Supply Chain Scientist stehen. Diese Verantwortung umfasst das “White-Boxing” der numerischen Rezepte, d.h. deren Ergebnisse den Anteilseignern zugänglich und verständlich zu machen.
Um diesen Prozess zu unterstützen, verwenden unsere Supply Chain Scientists Werkzeuge wie Backtesting, um ihre Analysen zu untermauern und zu demonstrieren. Noch wichtiger ist, dass sie fundierte Entscheidungen über die Annahmen treffen, die in ihre numerischen Rezepte einfließen (wie relevante Einschränkungen und Treiber). Letztlich hängt die “Angemessenheit” eines numerischen Rezepts davon ab, ob es der Intention des Geschäfts entspricht – und dies wird vom Supply Chain Scientist durch sorgfältige Untersuchung der Supply Chain-Situation des Kunden (sowie in Absprache mit dem Kunden) festgestellt.
Siehe unser Public Demo Account Video für einen Überblick darüber, wie Lokad Daten vorbereitet und Ergebnisse für Kunden visualisiert.
2.6 Kann die Prognose in Set-Artikel und Stücklisten (Bills of Materials) aufgeteilt werden?
Ja, Lokad kann Prognosen auf jeder Ebene liefern. Dies ist den umfangreichen programmatischen Möglichkeiten unserer probabilistischen Modellierung zu verdanken. Wir können die Prognose zwischen Set-Artikeln und Stücklisten aufteilen sowie Situationen bewältigen, in denen Artikel entweder als Teil von Stücklisten verbraucht oder einzeln verkauft werden können.
Darüber hinaus, wenn Stücklisten (Bills of Materials) vorhanden sind, prognostizieren wir nicht nur die Nachfrage nach den inneren Artikeln, sondern optimieren auch die Supply Chain-Entscheidungen, um widerzuspiegeln, dass verschiedene Baugruppen intern um dieselben inneren Teile konkurrieren. Das heißt, in Situationen, in denen sich die jeweiligen Stücklisten überlappen. Diese Optimierung kann dazu führen, dass der Verkauf eines “einzelnen” Teils verweigert wird, wenn dieses Teil die Verfügbarkeit größerer und kritischerer Stücklisten gefährden würde.
2.7 Empfehlen Sie automatisch Meta-Parameter für Ihre Prognosealgorithmen?
Ja. Die Standardpraxis bei Lokad ist, dass prädiktive Modelle vollständig unbeaufsichtigt betrieben werden müssen. Lokad’s Supply Chain Scientists sind dafür verantwortlich, geeignete Meta-Parameter festzulegen. Entweder sind die Meta-Parameter stabil genug, um festkodiert zu werden, oder das numerische Rezept beinhaltet einen Abstimmungsschritt, der der Identifizierung eines adäquaten Meta-Parameter-Werts gewidmet ist. So oder so kann der Algorithmus (alias “numerisches Rezept”) unbeaufsichtigt ausgeführt werden.
Lokad verwendet wesentlich weniger Meta-Parameter im Vergleich zu den meisten konkurrierenden Lösungen. Dies liegt daran, dass differentiable programming, Lokad’s Präferenz in diesem Zusammenhang, ein allgemeines Paradigma zur Parameterschätzung darstellt. Sobald differentierbare Programmierung verfügbar ist, werden die meisten Parameter gelernt. Die Technologie ist außerordentlich leistungsstark, wenn es darum geht, alle Arten von Parametern zu erlernen, nicht nur die „traditionellen“ (z. B. Saisonalitätskoeffizienten).
Daher werden aus Sicht von Lokad die meisten Werte, die von unseren Mitbewerbern als „Meta-Parameter“ angesehen würden, einfach als „normale Parameter“ betrachtet, die keiner speziellen Aufmerksamkeit bedürfen. In der Regel haben die meisten von Lokad in der Produktion eingesetzten prädiktiven Modelle sehr wenige Meta-Parameter (weniger als 10). Von unseren Kunden wird in der Regel nicht erwartet, dass sie diese Zahlen feinabstimmen, da dies in der Verantwortung unserer Supply Chain Scientists liegt.
2.8 Kann das Produkt Prognosen durch Kausalvariablen anpassen?
Ja.
Dies ist eine der zentralen Stärken der differentierbaren Programmierung – der technologischen Methode, die von Lokad für prädiktive Modellierung bevorzugt wird. Differenzierbare Programmierung ist ein programmatisches Paradigma, weshalb die Einbeziehung einer erklärenden Variable selbstverständlich ist. Noch besser: Der Kausalitätsmechanismus wird im Modell verankert; er verfügt über eigene „benannte“ Parameter. Somit werden die Prognosen nicht nur durch die Kausalvariable beeinflusst, sondern dies geschieht auf eine Weise, die von supply chain practitioners geprüft und untersucht werden kann.
Zum Beispiel, wenn das Verkaufspreisschild als Kausalvariable verwendet wird, kann die genaue Nachfragerespons auf Preisvariationen grafisch dargestellt und untersucht werden. Dieses Ergebnis kann für sich genommen von großem Interesse für das Unternehmen sein. Sollte das Unternehmen ein Filialnetz im Einzelhandel betreiben, kann dies dazu genutzt werden, Liquidationsveranstaltungen in den Filialen zu steuern, die am stärksten auf die Rabatte reagieren. Dadurch kann das Gesamtvolumen der Rabatte, das zur vollständigen Veräußerung von alterndem Lagerbestand erforderlich ist, minimiert werden.
2.9 Ist das Produkt in der Lage, Prognose-Experimente sowie die Entwicklung und/oder Anpassung von Algorithmen durchzuführen?
Ja. Unsere Supply Chain Scientists experimentieren routinemäßig mit Prognosemodellen, was die Entwicklung neuer Algorithmen und die weitere Anpassung älterer Algorithmen ermöglicht. Dies ist möglich, weil Lokad’s Plattform programmatisch ist und über eine flexible DSL (domänenspezifische Programmiersprache) namens Envision verfügt, die explizit für die prädiktive Optimierung der supply chain entwickelt wurde.
Die Sichtweise von Lokad besagt, dass Experimente und die Anpassung der prädiktiven Modelle nicht als Notlösung zur Bewältigung der Einschränkungen der Prognosetechnologie dienen. Vielmehr ist dies der vorgesehene Weg, Lokad’s Lösung zu nutzen. Dieser Ansatz liefert nicht nur überlegene Ergebnisse in Bezug auf die Prognosegenauigkeit, sondern auch Ergebnisse, die sich als deutlich „produktionsreifer“ erweisen als alternative, „verpackte“ Ansätze.
Wir beklagen uns nicht über „schlechte Daten“; die Daten sind einfach, wie sie sind. Unsere Supply Chain Scientists machen das Beste aus dem, was zur Verfügung steht. Sie beziffern auch, in Euro oder Dollar (oder in welcher Währung auch immer gewünscht), den Nutzen einer Datenverbesserung, sodass das Unternehmen die Datenoptimierungen identifizieren kann, die den größten Ertrag bringen. Die Verbesserung von Daten ist ein Mittel, kein Selbstzweck. Unsere Supply Chain Scientists geben Empfehlungen, wenn sich die zusätzliche Investition angesichts der erwarteten supply chain Vorteile schlicht nicht lohnt.
2.10 Ist es möglich, iterativ das der Prognose zugrunde liegende Feature Engineering zu verfeinern?
Ja.
Lokad’s Supply Chain Scientists passen routinemäßig die Features an, die in ein prädiktives Modell einfließen. Dies ist möglich, weil Lokad’s Plattform programmatisch ist und über eine flexible DSL (domänenspezifische Programmiersprache) namens Envision verfügt, die explizit für die prädiktive Optimierung der supply chain entwickelt wurde.
Es sei jedoch darauf hingewiesen, dass in den letzten zehn Jahren das Feature Engineering (als Modellierungstechnik) rückläufig war. Tatsächlich wird es allmählich durch das Engineering der Modellarchitektur ersetzt. Kurz gesagt: Anstatt das Feature zu ändern, um besser zum Modell zu passen, wird das Modell verändert, um besser zu dem Feature zu passen. Differenzierbare Programmierung, Lokad’s bevorzugter Ansatz für prädiktive Modellierung, unterstützt sowohl Feature Engineering als auch Architektur Engineering. Allerdings ist Letzteres in den meisten Situationen in der Regel geeigneter.
Siehe auch Forecast Management and Adjustment 2.9 in diesem FAQ.
3. Prognosegenauigkeit und Leistungsbewertung
3.1 Wie bewertet Ihre Organisation die Prognoseleistung und wie sollte diese gemessen werden?
Die Prognosegenauigkeit muss in Dollar oder Euro (oder in der vom Kunden gewünschten Währung) an Auswirkung gemessen werden. Das bezieht sich auf die Rendite (ROI) von auf der Grundlage der Prognose getroffenen Entscheidungen. Das Messen von prozentualen Fehlerpunkten reicht einfach nicht aus. Die Prognosegenauigkeit muss auch alle Bereiche der Unsicherheit umfassen, nicht nur die zukünftige Nachfrage, z. B. Lieferzeiten, Retouren, Rohstoffpreise usw. All diese Faktoren sind variabel und müssen wie die zukünftige Nachfrage prognostiziert werden.
Traditionelle Metriken wie MAPE (mean absolute percentage error), MAE (mean absolute error), MSE (mean square error) usw. sind technische Kennzahlen, die für einen Supply Chain Scientist von Interesse sein können, die aber aus supply chain Sicht im Grunde sowohl blind als auch irreführend sind. Die Details dieses Arguments finden sich in Lokad’s public lecture über Experimental Optimization.
Daher sollten diese Kennzahlen nicht an die gesamte Organisation kommuniziert werden, da sie nur Verwirrung und Frustration stiften würden. Im Gegenteil, es ist in der Regel ganz einfach, die Prognose – im statistischen Sinne – genauer zu machen, während gleichzeitig die wahrgenommene Servicequalität für die Kunden sinkt und die Betriebskosten für die Zulieferer steigen (die dagegen mit Preiserhöhungen reagieren).
Prognosekennzahlen sind nur insofern von Bedeutung, als sie die Generierung besserer supply chain Entscheidungen unterstützen. Für Lokad ist die Ermittlung der finanziell sinnvollsten Nachbestellmengen, Produktionsmengen, Versandmengen, Preise usw. der entscheidende Aspekt. Alles andere, einschließlich des isolierten Prognosefehlers, ist nebensächlich im Hinblick auf das Kernanliegen, die Rendite zu maximieren.
Siehe auch Lead time forecasting.
3.2 Wie messen Sie die Leistung der Prognosen im Vergleich zu den tatsächlichen Verkäufen?
Falls das Modell ‚sales‘ prognostiziert, ist die Messung der Genauigkeit der ‚sales forecast‘ unkompliziert: Jeder der üblichen Indikatoren, wie z. B. der MAE (mean absolute error), funktioniert. Das Problem dabei ist jedoch, dass die meisten Unternehmen ‚demand‘ prognostizieren möchten und nicht den Verkauf. Die historischen Verkaufsdaten sind allerdings ein unvollkommenes Stellvertretermaß für die historische Nachfrage. Engpässe und Aktionen (und möglicherweise Bewegungen der Wettbewerber) verzerren die historischen Verkaufszahlen.
Daher besteht die Herausforderung darin, die ursprüngliche ‚demand‘ zu ermitteln, während die historischen Daten nur die tatsächlichen Verkaufszahlen widerspiegeln. Zu diesem Zweck setzt Lokad verschiedene Techniken ein. Tatsächlich variiert die Art der Verzerrung zwischen den (beobachteten) Verkaufszahlen und der (verborgenen) Nachfrage stark je nach Art des betrachteten Geschäfts. Kannibalisierungen und Substitutionen verkomplizieren die Situation zusätzlich.
Die meisten von Lokad’s Techniken verzichten auf Zeitreihenmodelle, die per Definition nicht in der Lage sind, die erforderlichen Informationen zu erfassen. In der Tat werden die Verkaufsdaten meistens mit zusätzlichen Informationen (wie etwa Stockout-Ereignissen) angereichert, die dazu genutzt werden können, ein besseres Modell der verborgenen Nachfrage zu erstellen. Diese zusätzlichen Informationen passen jedoch selten in das (vereinfachte) Zeitreihen-Paradigma. Die vermeintliche Raffinesse von Zeitreihenmodellen ist irrelevant, wenn die notwendigen Daten außerhalb ihres Betriebsparadigmas existieren (d. h. nicht erfasst oder ausgedrückt werden können).
Siehe Structured Predictive Modeling for Supply Chain für weitere Informationen zu diesem Punkt.
3.3 Stellen Sie Berichte über die Prognosegenauigkeit zur Verfügung? Bieten Sie auch einen Ausblick auf den prognostizierten Prognosefehler?
» Executive Summary: Ja. Zur Vereinfachung kann Lokad’s Plattform ihre probabilistischen Prognosen (und damit den Fehler) in einem intuitiven grafischen Format darstellen. Dies erfolgt in Form eines herkömmlichen Zeitreihendiagramms, bei dem der Prognosefehler („Unsicherheit“) mit zunehmendem Zeithorizont wächst. Dieses shotgun effect graph hilft dabei, zu veranschaulichen, wie sich die Bandbreite potenzieller Werte (z. B. demand) ausdehnt, je weiter man in die Zukunft blickt. Diese Berichte sind den Kunden jederzeit in ihrem Lokad-Konto verfügbar.
Die Hälfte der Herausforderung bei der Verbesserung der Genauigkeit eines prädiktiven Modells besteht darin, geeignete Berichtsinstrumente zu entwickeln. Diese Aufgabe wird von den Supply Chain Scientists von Lokad übernommen. Da Lokad probabilistische Prognosen verwendet, zeigt der projizierte Fehler typischerweise einen „shotgun effect“, bei dem der erwartete Prognosefehler mit zunehmendem Prognosehorizont stetig ansteigt. Diese Berichte sind für das Kundenunternehmen innerhalb der Lokad-Plattform zugänglich.
Unter der Rubrik der probabilistischen Prognose wird die „Prognosegenauigkeit“ jedoch weitgehend zu einer untergeordneten technischen Angelegenheit degradiert. Bei diesem Ansatz besteht das primäre Ziel darin, risikoadjustierte finanzielle Entscheidungen zu treffen, die die Gesamtheit der ökonomischen Treiber und Einschränkungen des Kunden berücksichtigen und die hohe Unsicherheit zukünftiger Werte (wie demand oder Lieferzeiten) widerspiegeln. Beispielsweise, wenn die Unsicherheit besonders hoch ist, fallen die entsprechenden Entscheidungen in der Regel konservativer aus. Daher ist es unklug, die Genauigkeit probabilistischer Prognosen isoliert zu messen; vielmehr sollte man den ROI der risikoadjustierten Entscheidungen, die auf den probabilistischen Prognosen basieren, überprüfen.
Bei klassischen Prognosen (auch deterministische Prognosen genannt, im Gegensatz zu probabilistischen Prognosen) führt fast jeder Fall von Prognoseungenauigkeit zu kostspieligen, schlechten Entscheidungen für den Kunden. Deshalb sind Unternehmen so darauf bedacht, ihre Prognosen zu „fixen“. Dennoch, fünf Jahrzehnte nach der Einführung moderner statistischer Zeitreihen-Prognosetechniken, sind Unternehmen noch lange nicht in der Lage, „genaue“ Prognosen zu liefern. Bei Lokad glauben wir nicht, dass eine „super-accurate“ Prognosetechnik unmittelbar bevorsteht. Wir sind der Meinung, dass die Unsicherheit der Zukunft weitgehend irreduzibel ist. Wenn jedoch probabilistische Prognosen mit risikoadjustierten Entscheidungen kombiniert werden, werden die negativen Konsequenzen der hohen Unsicherheit weitgehend abgemildert.
Infolgedessen verliert die Prognosegenauigkeit für jeden außer den technischen Experten, die sich mit dem prädiktiven Modell befassen, an Interesse. Für den Rest der Organisation ist der Einsatz einfach nicht mehr hoch genug, um Besorgnis zu erregen.
3.4 Wie hoch ist der erwartete Anteil automatisierter und genauer Prognosen?
100%, wenn wir „genau“ als ausreichend definieren, um fundierte supply chain Entscheidungen zu treffen. Das bedeutet nicht, dass jede Prognose präzise ist. Im Gegenteil, durch probabilistische Prognosen akzeptiert Lokad die irreduzible Unsicherheit der Zukunft. Häufig ist die Unsicherheit groß, und folglich sind die probabilistischen Prognosen sehr breit gestreut. Daraus resultieren die risikoadjustierten Entscheidungen, die auf diesen Prognosen basieren, als sehr umsichtig.
Im Gegensatz zu vielen veralteten technologischen Lösungen betrachtet Lokad jede einzelne (probabilistische) Prognose, die nicht für Produktionszwecke verwendet werden kann, als einen Softwarefehler, der behoben werden muss. Unsere Supply Chain Scientists stellen sicher, dass all diese Fehler lange vor der Produktionsphase behoben werden. Unser Zeitrahmen für die Lösung dieser Problemklasse liegt in der Regel in der Mitte der Onboarding-Phase.
Hingegen richten klassische Prognosen (auch als ‘deterministische’ Prognosen bezeichnet) unweigerlich Schaden an, wenn sie ungenau sind, da auf ihrer Basis absurde nachgelagerte supply chain Entscheidungen getroffen werden. Im Gegensatz dazu enthalten probabilistische Prognosen eine eigene Quantifizierung der erwarteten Unsicherheit. Bei niedrigen und unregelmäßigen Nachfragevolumina spiegeln probabilistische Prognosen die hohe inhärente Unsicherheit der Situation wider. Die Berechnung von Lokad’s risikoadjustierten Entscheidungen hängt in hohem Maße von der Fähigkeit ab, Risiken überhaupt einschätzen zu können. Genau dafür sind die probabilistischen Prognosen konzipiert.
3.5 Können Sie Kennzahlen wie MAPE (Mean Absolute Percentage Error), MPE (Mean Percentage Error), MAE (Mean Absolute Error) im Zeitverlauf verfolgen?
Ja.
Lokad’s Plattform ist programmatisch und es ist unkompliziert, alle üblichen Kennzahlen wie MAPE, MEP, MAE usw. zu verfolgen. Wir können auch alle etwas weniger üblichen Metriken nachverfolgen, wie beispielsweise kundenspezifische Varianten dieser Kennzahlen. Zum Beispiel „gewichtete“ Varianten wie gewichteter MAPE, gewichteter MAE usw., wobei die Gewichtungsschemata von spezifischen Geschäftsregeln abhängen.
Lokad kann im Laufe der Zeit relevante/bevorzugte Kennzahlen sammeln und konsolidieren, während neue Prognosen generiert werden. Wir können die Kennzahlen auch durch das „Zurückspielen“ der historischen Daten (d. h. Backtesting) neu berechnen, falls das Kundenunternehmen die erwartete statistische Leistung eines überarbeiteten Prognosemodells bewerten möchte.
Die oben genannten Kennzahlen beziehen sich jedoch alle auf klassische Prognosen (auch als deterministische Prognosen bezeichnet). Deterministische Prognosen sollten für supply chain Zwecke als veraltet angesehen werden, da sie nicht dafür konzipiert (oder in der Lage) sind, die mit zukünftigen Werten (wie demand oder Lieferzeiten) verbundene Unsicherheit zu bewältigen. Sie zielen darauf ab, einen einzigen möglichen zukünftigen Wert zu identifizieren, anstatt alle wahrscheinlichen zukünftigen Werte und ihre Eintrittswahrscheinlichkeiten. Aus diesem Grund verwendet Lokad probabilistische Prognosen, einen Ansatz, der die Unsicherheit quantifiziert, die Zeitreihenprognosen ignorieren.
3.6 Können Sie mehrere Szenarien anhand benutzerdefinierter Kennzahlen vergleichen (z. B. Umsatz, Gewinn, Kosten, Risiko usw.)?
Ja.
Lokad’s Plattform ist programmatisch, weshalb sie komplexe Kennzahlen einführen kann, die von vielen Geschäftsregeln (z.B. benutzerdefinierte Kennzahlen) geleitet werden. Sie kann auch komplexe alternative Szenarien einführen, in denen die Struktur und/oder die Kapazitäten des supply chain-Netzwerks modifiziert werden (über das bloße Aufblasen/Absenken von Nachfrage und Lieferzeiten hinaus, zum Beispiel). Dies hilft Lokad, das Risikomanagement, die strategische Planung und die Entscheidungsfindung zu verbessern, indem auf unterschiedliche potenzielle supply chain-Situationen und -Ergebnisse vorbereitet wird.
Es sei darauf hingewiesen, dass herkömmliche „Szenario“-Management-Fähigkeiten aus Sicht von Lokad überholt sind. Da Lokad probabilistische Vorhersagemodelle einsetzt, ist gewissermaßen jede supply chain-Entscheidung, die wir generieren, bereits risikoadjustiert. Das heißt, sie ist bereits im Hinblick auf alle möglichen zukünftigen Werte (z.B. Nachfrage) unter Berücksichtigung ihrer jeweiligen Wahrscheinlichkeiten optimiert.
Daher werden „Szenarien“ bei Lokad nicht dazu genutzt, „zukünftige Schwankungen“ zu bewerten, da diese Schwankungen bereits vollständig in den Standardbetriebsmodus von Lokad integriert sind. Szenarien dienen dazu, mit drastischen Veränderungen umzugehen, die über normale Schwankungen hinausgehen – typischerweise in dem Sinne, wie Praktiker von ‚supply chain design‘ sprechen, beispielsweise bei der Änderung der Topologie des Netzwerks, der Kapazität des Netzwerks oder der Lage der Lieferanten.
3.7 Verfolgen und überwachen Sie die Vorhersagegenauigkeit und Vorhersagefehler (und eventuell andere Nachfragemetriken) mit unterschiedlichen definierten Verzögerungen?
Ja. Lokad verfolgt Vorhersagefehler mit vielen Kennzahlen, einschließlich der Horizont-/Verzögerungs-Dimension. Lokad überwacht die Vorhersagegenauigkeit aller Prognosen, einschließlich Nachfrage, Lieferzeit, Retouren usw.
Die Qualität aller Vorhersagemodelle hängt vom Horizont ab. In der Regel gilt: Je weiter die Prognose in die Zukunft reicht, desto größer ist die Ungewissheit. Die Plattform von Lokad wurde so konzipiert, dass es einfach ist, eine Vielzahl von Kennzahlen unter Berücksichtigung des entsprechenden Horizonts/der Verzögerung zu verfolgen. Dieses Prinzip findet nicht nur bei Nachfrageprognosen Anwendung, sondern auch bei allen anderen Prognosen, einschließlich Lieferzeit- und Retourenprognosen.
Es muss außerdem beachtet werden, dass probabilistische Prognosen eine direkte quantitative Bewertung der mit dem Horizont wachsenden Unsicherheit liefern. Somit wird der horizontabhängige zunehmende Fehler nicht nur gemessen, sondern auch prognostiziert. Da die von Lokad optimierten supply chain-Entscheidungen risikoadjustiert sind, spiegeln unsere Entscheidungen automatisch das zusätzliche Risiko wider, das mit Entscheidungen verbunden ist, die auf längerfristigen Prognosen basieren (im Vergleich zu kurzfristigen Prognosen).
3.8 Können Sie Daten auf Produkt-/Zweigstellenebene aggregieren, um die statistische Prognose zu validieren?
Ja, Lokad verfolgt Vorhersagefehler und -verzerrungen auf vielen Ebenen, einschließlich der relevanten hierarchischen Ebenen (z.B. nach Produkt, nach Zweigstelle, nach Kategorie, nach Region, nach Marke usw.), sofern Hierarchien vorhanden sind. Die differentiable programming-Technologie von Lokad erlaubt es uns sogar, Prognosen auf einer bestimmten Granularität zu verfeinern, um einen Fehler oder eine Verzerrung zu minimieren, der bzw. die auf einer anderen Granularität auftritt.
Allgemeiner kann auf der Validierungsseite, da die Plattform von Lokad programmatisch ist, die historischen Prognosen in jeglicher vom Kunden als passend erachteter Weise neu aggregiert werden. Ebenso kann die Kennzahl, die zur Validierung der aggregierten Prognosen verwendet wird, von der Kennzahl zur Validierung der disaggregierten Prognosen abweichen, sofern der Einsatz einer alternativen Kennzahl vom Kunden als vorzuziehen erachtet wird.
4. Datenmanagement und Bereinigung
4.1 Identifizieren Sie automatisch Datenfehler?
Ja. Die Supply Chain Scientists von Lokad erstellen akribisch „data health“-Dashboards für jedes Kundenprojekt. Diese Data Health Dashboards sind dafür konzipiert, automatisch jegliche Datenprobleme zu identifizieren. Außerdem zeigen diese Dashboards die Kritikalität der Probleme und deren Zuständigkeiten auf.
Die Kritikalität des Problems bestimmt, ob es akzeptabel ist, basierend auf den Daten, in denen das Problem vorliegt, supply chain-Entscheidungen zu treffen oder nicht. Manchmal bedeutet dies, dass die zulässigen Entscheidungen auf einen Teilbereich innerhalb des Kundenunternehmens beschränkt werden, der als „sicher“ gegenüber dem Problem betrachtet wird. In der Realität ist es bei großen Unternehmen in der Regel unrealistisch, einen zu 100 % fehlerfreien Datensatz zu erwarten. Daher muss die supply chain-Optimierung – soweit möglich – auch mit unvollständigen Daten arbeiten, solange die Unvollkommenheiten die Solidität der supply chain-Entscheidungen nicht gefährden.
Die Zuständigkeit für das Problem definiert, wer für dessen Lösung verantwortlich ist. Je nach Art des Problems kann dieses aus völlig unterschiedlichen Bereichen innerhalb des Kundenunternehmens stammen. Beispielsweise sind gekürzte historische Daten sehr wahrscheinlich ein Problem der IT-Abteilung, während negative Bruttomargen (d.h. der Verkaufspreis liegt unter dem Einkaufspreis) entweder dem Einkauf oder dem Vertrieb zuzurechnen sind.
Die Identifizierung nicht trivialer Datenfehler ist eine Aufgabe allgemeiner Intelligenz, die ein tiefgehendes Verständnis der betreffenden supply chain erfordert. Daher kann dieser Prozess (noch) nicht automatisiert werden; er liegt derzeit jenseits dessen, was Softwaretechnologien leisten können. Sobald ein bestimmtes Problem identifiziert wurde, kann ein Supply Chain Scientist jedoch zukünftige Erkennungen automatisieren. In der Praxis implementieren unsere Supply Chain Scientists proaktiv die häufigsten Arten von Problemen als Teil des ersten Entwurfs der „data health“-Dashboards.
Siehe Data Health in The Data Extraction Pipeline für weitere Informationen zur Datenqualität.
4.2 Reinigen Sie historische Daten automatisch?
Executive Summary: Ja, insofern als dass Lokad nicht erwartet, dass unsere Kunden die Geschäftsdaten manuell vorverarbeiten, bevor sie uns zur Verfügung gestellt werden. Außerdem läuft die gesamte Datenpipeline (die zwischen Lokad und jedem Kunden aufgebaut wird) unbeaufsichtigt mit vollständig automatisierten Prozessen.
Lokad „reinigt“ historische Daten selten – zumindest nicht im üblichen Sinne. Es gibt einige veraltete Technologien, die eine umfangreiche Vorbereitung („Reinigung“) der historischen Daten erfordern, um betrieben werden zu können. Beispielsweise erwarteten alte Zeitreihensysteme typischerweise, dass Fehlbestände (stockouts) und Nachfragespitzen (Promotionen) korrigiert werden, um die Prognosen nachvollziehbar zu halten.
Dies spiegelt die Einschränkungen des Zeitreihenansatzes wider. Folglich müssen die historischen Daten umfassend aufbereitet werden, um sie – gewissermaßen – für ein defektes System (Zeitreihen) ansprechender zu machen. Diese Vorgehensweise als „Datenbereinigung“ zu bezeichnen, ist irreführend, da sie den Eindruck erweckt, das Problem läge in den historischen Daten, während die eigentliche Ursache im fehlerhaften Design des Systems liegt, das die historischen Daten verarbeitet.
Im Gegensatz dazu geht Lokads Predictive Modeling Technologie weit über den Zeitreihenansatz hinaus. Durch differentiable programming können wir jede Art von relationalen Daten verarbeiten, anstatt an eine „Zeitreihe“ gebunden zu sein. Das bedeutet, dass alle kausalen Faktoren (z.B. Preisgestaltung, Lagerbestände, Ereignisse usw.), die entweder der Nachfrage oder der Lieferzeit zugrunde liegen, explizit in das Modell einbezogen werden. Kausale Integration ist der Datenbereinigung – wenn anwendbar – weit überlegen, denn die bereinigten Daten sind unwirklich (niemand wird jemals mit Gewissheit wissen, welchen Nachfragerwert es gegeben hätte, wenn es nicht zu einem Fehlbestand gekommen wäre).
Gelegentlich bedürfen die Geschäftsdaten (historisch oder nicht) Korrekturen. Lokad versucht, diese Korrekturen wann immer möglich automatisch bereitzustellen, eventuell unter Einsatz von Machine Learning, je nach Szenario. Beispielsweise kann die mechanische Kompatibilitätsmatrix zwischen Autos und Teilen automatisch mit einer semi-supervised Learning-Methode verbessert werden (siehe Preisoptimierung für den Automotive Aftermarket).
4.3 Ermöglichen Sie es den Nutzern, historische Daten manuell zu bereinigen?
Ja, falls der Kunde diese Funktionalität wünscht, kann Lokad hierfür einen Workflow bereitstellen. Wir empfehlen jedoch in der Regel nicht, dass Endnutzer die Daten manuell bereinigen.
Andere Software/Lösungen auferlegen ihren Endnutzern zahlreiche manuelle Aufgaben. Im Gegensatz dazu entwickeln die Supply Chain Scientists von Lokad durchgängige Algorithmen („numerische Rezepte“), die mit den vorhandenen Daten arbeiten. Für uns stellt die manuelle Datenbereinigung durch den Kunden die Ausnahme und nicht die Regel dar.
Siehe auch Datenmanagement und Bereinigung 4.2 in diesem FAQ.
4.4 Wie werden die Daten bereinigt, verwaltet und gepflegt, um unnötige Modellfehler zu vermeiden?
Die Supply Chain Scientists von Lokad sind für den Aufbau der Datenpipeline verantwortlich. Die Daten müssen aufbereitet werden, aber das Wichtigste ist, dass die Vorhersagemodelle so entwickelt werden, dass sie zu den aktuell vorhandenen Daten passen. Der Supply Chain Scientist führt Instrumente (z.B. dedizierte Dashboards) ein, um die Rohdaten und die aufbereiteten Daten zu überwachen und sicherzustellen, dass die von Lokad generierten supply chain-Entscheidungen fundiert sind.
Viele alternative Lösungen betrachten das Problem nur durch die Linse der Datenaufbereitung, bei der jegliche fehlerhafte Ausgabe durch Anpassung der Eingabedaten korrigiert werden muss. Solche Lösungen sind nicht programmatisch, weshalb die Kernmodelle nicht modifiziert werden können – lediglich ihre Eingaben. Lokad verfolgt hingegen einen anderen technologischen Ansatz. Wir unterstützen eine programmatische Vorhersagetechnologie (über differentiable programming). So können wir bei fehlerhaften Ausgaben (d.h. schlechten supply chain-Entscheidungen) entweder die Eingabedaten oder die Modelle (oder beides) anpassen.
Fast immer ist es die Kombination aus beiden Anpassungen – besserer Datenaufbereitung und besserer Datenverarbeitung –, die zu zufriedenstellenden Ergebnissen führt, während das Weglassen eines der beiden ein Rezept für unterdurchschnittliche Resultate ist.
Siehe auch Datenmanagement und Bereinigung 4.2 in diesem FAQ.
Siehe auch The Data Extraction Pipeline für weitere Informationen zum automatisierten Datentransfer zwischen Kunden und Lokad.
4.5 Verwalten und pflegen Sie Stammdaten (zur Unterstützung der Prognosebemühungen)?
Ja, wenn dies vom Kundenunternehmen angefordert wird.
Wir empfehlen jedoch dringend, die Plattform von Lokad nicht für diesen Zweck zu verwenden. Unserer Meinung nach sollten analytische Werkzeuge (wie Lokad) strikt von Dateneingabetools, wie etwa einem Stammdatenverwaltungssystem, getrennt bleiben.
Als Faustregel empfehlen wir, um Vendor Lock-in zu vermeiden, umfassende Unternehmenssoftware-Tools zu meiden. Die Anforderungen an das Design des Stammdatenmanagements unterscheiden sich grundlegend von denen der prädiktiven Analytik. Die Plattform von Lokad mag zwar ein anständiger Stammdatenmanager sein, wird aber niemals ein großartiger sein (unser Design setzt zu stark auf prädiktive Analytik), und umgekehrt sind die meisten Stammdatenmanager für Analysen absolut ungeeignet.
4.6 Können Benutzer Vertriebs- und Marketingeingaben (einschließlich zukünftiger Pläne/Einblicke) hochladen?
Ja.
Die Plattform von Lokad ist in der Lage, Daten aus mehreren Quellen in vielen Formaten, einschließlich Excel-Tabellen, zu empfangen und zu verarbeiten. Unsere Plattform kann auch Daten verarbeiten, wie sie in den Vertriebs- und Marketingabteilungen vorliegen (d.h. in welcher Granularität diese auch immer gespeichert sind).
Vertriebs- und Marketingteams liefern selten Daten, die auf SKU-Ebene organisiert sind – oder sogar SKU x Location, unserer bevorzugten Granularitätsebene. Angesichts dieser Einschränkung ist die Plattform von Lokad darauf ausgelegt, Eingabedaten (z.B. aus Vertrieb und Marketing) zu nutzen, die in einer anderen Granularität vorliegen als die beabsichtigten Ausgabeprognosen (z.B. SKU x Location).
4.7 Archivieren Sie historische Nachfrage und Prognosen, um die Wasserfall-Prognose zu analysieren?
Ja, in der Regel archivieren wir alle vergangenen Prognosen, einschließlich Nachfrage, Lieferzeit, Retouren usw.
Wir haben fortschrittliche Kompressionstechniken entwickelt, um den Speicheraufwand, der mit großangelegten Archivierungsstrategien verbunden ist, zu begrenzen. Zudem haben wir ein Gesamtdesign implementiert, das sicherstellt, dass die archivierten Daten – selbst in großen Mengen – die tägliche Leistung der Plattform nicht beeinträchtigen (z.B. verlangsamen sich Berechnungen und Dashboard-Anzeigen nicht aufgrund archivierter Daten).
Die Technik der Lokad-Plattform unterscheidet sich erheblich von alternativen Lösungen, die bei der Implementierung umfangreicher Archivierungsstrategien entweder in den Kosten oder in der Leistung (oder beidem) stark benachteiligt werden. Während diese alternativen Lösungen nominell umfangreiche Archivierungsfunktionen bieten, werden solche Archive in der Praxis stark gekürzt, um den Betrieb der Lösung aufrechtzuerhalten. Dies ist bei Lokad nicht der Fall. Selbst bei groß angelegten Kundenunternehmen ist es in der Regel unproblematisch, Archive von jahrelanger Datensammlung aufzubewahren.
4.8 Archivieren Sie manuelle Eingaben/Änderungen, um die Auswirkungen von Anpassungen auf die Nachfragemetriken zu analysieren?
Ja. Lokad archiviert alle manuellen Eingaben, einschließlich manueller Datei-Uploads von Excel-Tabellen. Wenn manuelle Eingaben dazu genutzt werden, Vorhersagemodelle zu verändern („overrides“, typischerweise mit der Absicht, Modelle/Prognosen zu verfeinern), verwenden wir diese Archive, um die in Bezug auf die Vorhersagegenauigkeit erzielte Verbesserung (oder Verschlechterung) zu quantifizieren. Diese Arbeit wird üblicherweise von den Supply Chain Scientists von Lokad durchgeführt.
Die Plattform von Lokad bietet vollständige Versionskontrolle sowohl für die Daten als auch für den Code/die Skripte. Dies ist entscheidend, da wir beim Backtesting sicherstellen müssen, dass die „normalen“ Geschäftsdaten (typischerweise die aus den Geschäftssystemen gewonnenen historischen Daten), die zusammen mit den manuellen Eingaben verwendet werden, exakt dieselben sind wie zum Zeitpunkt der ursprünglichen manuellen Eingabe.
Die Geschäftsdaten werden in der Regel automatisch aktualisiert. Allerdings spiegelt die Verwendung der neuesten Version der Geschäftsdaten nicht die Situation so wider, wie sie zum Zeitpunkt der manuellen Korrektur oder Eingabe bestand. Ebenso könnte sich der von Lokad verwendete Vorhersagecode seit jener manuellen Eingabe weiterentwickelt haben. Tatsächlich könnte die manuelle Eingabe erfolgt sein, um mit einem Defekt im Vorhersagecode zurechtzukommen, der mittlerweile behoben wurde.
Die Plattform von Lokad deckt auch diese Situationen ab und verhindert ganze Klassen falscher Schlussfolgerungen. Betrachten Sie Situationen, in denen manuelle Eingaben später als „falsch“ bewertet werden, obwohl sie angesichts der exakten Bedingungen zum Zeitpunkt der ursprünglichen manuellen Eingabe tatsächlich relevant waren.
5. Produktklassifizierung und Clustering
5.1 Identifizieren Sie Artikel mit langsamen Umsätzen und unregelmäßigen Nachfrageprofilen?
Executive Summary: Ja, die prädiktive Technologie von Lokad liefert eine sehr gründliche quantitative Charakterisierung aller interessierenden SKUs.
Insbesondere ist Lokads probabilistischer Prognoseansatz gut geeignet, um unregelmäßige und sprunghafte Nachfrageverläufe zu bewältigen. Durch die Bewertung der Wahrscheinlichkeiten seltener Ereignisse kann Lokad die „Klumpigkeit“ der Nachfrage identifizieren – etwas, das typischerweise darauf hinweist, dass einzelne Verbraucher viele Einheiten auf einmal kaufen. So kauft beispielsweise ein Kunde den gesamten verfügbaren Bestand an (identischen) Lichtschaltern in einem Baumarkt, wodurch ein SKU-level stockout entsteht.
Differenzierbares Programmieren, Lokads Machine-Learning-Paradigma, ist ideal, um mit dem „Gesetz der kleinen Zahlen“ umzugehen, das die meisten supply chain Situationen kennzeichnet. Langsam drehende Artikel („slow movers“) bringen naturgemäß nur sehr wenige Datenpunkte mit. Ebenso sind auch bei klumpiger Nachfrage Ausreißer von vornherein selten. Daher ist die Dateneffizienz des prognostischen Modells von größter Bedeutung. In dieser Hinsicht ist differentielles Programmieren Alternativen überlegen, da es in der Lage ist, hochrangige Einblicke, die bereits durch die Struktur des Modells vermittelt werden, abzubilden.
Alternative Lösungen scheitern in der Regel im Umgang mit slow movers und unregelmäßigen Nachfragemustern. Klassische Prognosen (d.h. nicht-probabilistische Prognosen) können slow movers nicht berücksichtigen, ohne auf eine fraktionale Nachfrage zurückzugreifen, die nicht „real“ ist. Diese fraktionale Nachfrage (z.B. 0,5 Einheiten), obwohl „mathematisch“ korrekt, ist kein praktikabler Weg, um sinnvolle supply chain Entscheidungen zu treffen, da man naturgemäß ganze Einheiten bestellen muss.
Ebenso können klassische Prognosen die „Klumpigkeit“ der Nachfrage nicht mathematisch abbilden.
Zum Beispiel, kann eine probabilistische Prognose wiedergeben, dass eine Buchhandlung durchschnittlich 1 Einheit pro Tag verkauft, bestehend aus einer Mischung, bei der im Durchschnitt 1 Professor 20 Bücher pro Monat kauft plus 1 Student, der im Durchschnitt alle 2 Tage 1 Buch erwirbt.
Diese Information wird in der Wahrscheinlichkeitsverteilung der Nachfrage des Modells berücksichtigt. Für eine klassische Zeitreihenprognose ist es jedoch nicht möglich, die nuancierte Realität der Nachfrage – wie etwa sporadische Großabnahmen – darzustellen. Sie würde lediglich eine durchschnittliche Nachfrage von 1 Buch pro Tag prognostizieren, wodurch das tatsächliche Nachfragemuster nicht erfasst und die wahre Natur der Verkäufe verfälscht wird. Dies schränkt wiederum den Umfang finanziell sinnvoller Lagerentscheidungen erheblich ein.
5.2 Erkennen Sie langsam drehende oder veraltete Bestände und geben Sie Empfehlungen zum “Behalten oder Verkaufen”?
Ja. Lokad identifiziert langsam drehende Bestände mithilfe probabilistischer Prognosen, was frühzeitige, risikoadjustierte Entscheidungen zur Minderung von Überbeständen und toten Beständen ermöglicht. Die Empfehlungen gehen über “Behalten oder Verkaufen” hinaus und umfassen Rabatte, Verlagerungen und Anpassungen, um Kannibalisierung zu vermeiden.
Die Identifizierung von langsam drehenden oder veralteten SKUs (hinsichtlich der Nachfrage) erfolgt mittels probabilistischer Nachfrageprognosen. Probabilistische Prognosen sind hervorragend geeignet, Risiken – einschließlich der Risiken von Überbeständen und toten Beständen – zu identifizieren und zu bewerten. Dadurch können wir risikoadjustierte Entscheidungen treffen, wenn sie mit unseren stochastischen Optimierungsfähigkeiten kombiniert werden. Somit werden die Bestandsrisiken für alle SKUs in allen Phasen ihres Lebenszyklus quantifiziert. Dieses Design ist entscheidend, da es uns ermöglicht, die meisten Bestandsprobleme so früh wie möglich zu erkennen (und zu beheben), bevor sie problematisch werden.
Schließlich ist Lokad nicht auf bloße „Behalten oder Verkaufen“-Empfehlungen beschränkt. Wir können unseren Kunden Empfehlungen geben, die das gesamte Spektrum der verfügbaren Optionen widerspiegeln. So kann Lokad beispielsweise Rabatte oder Aktionen empfehlen, um den Bestand zu liquidieren. Wir können auch empfehlen, den Bestand an einen anderen Ort zu verlagern, falls andere Kanäle eine hohe Nachfrage aufweisen. Zudem können wir empfehlen, ein anderes Produkt, das versehentlich die Nachfrage einer anderen SKU kannibalisiert, vorübergehend anzuhalten oder herabzustufen.
Kurz gesagt: Die Supply Chain Scientists von Lokad stellen sicher, dass kein Stein auf dem anderen bleibt, bevor irgendein Bestand als „tot“ deklariert wird.
Siehe auch Produktklassifikation und Clustering 5.1 in diesen FAQs.
5.3 Ermöglichen Sie Nutzern, hierarchische Produktdaten-Workflows (top-down, middle-out und bottom-up) zu verwalten?
Ja. Da die Lokad Plattform programmgesteuert ist, können wir jeden vernünftig spezifizierten Workflow für unsere Kunden umsetzen. Beispiele umfassen jeden Workflow, der entlang der bestehenden Produkt-Hierarchien des Kunden abläuft.
Unserer Meinung nach ist der ROI (Return on Investment) des Kunden, wenn er seinen Mitarbeitern erlaubt, sich durch solche Workflows zu navigieren, sehr unklar. Das bloße Bedürfnis nach solchen Workflows spiegelt gravierende Defekte in der supply chain Software wider, die von innen heraus behoben werden müssen – unter Nutzung möglichst viel Automatisierung.
Die Plattform von Lokad bietet umfangreiche Möglichkeiten, die Daten entlang sämtlicher relevanter Dimensionen zu visualisieren: Produkt-Hierarchien, Regionen, Zeithorizonte/-verzögerungen, Lieferanten, Kundentypen etc. Diese Möglichkeiten sind entscheidend, um sowohl Defekte als auch Verbesserungsbereiche zu identifizieren. Die Nutzung dieser Funktionen für einen „Workflow“ ist jedoch in der Regel fehlgeleitet (wenn auch für Lokad unkompliziert). Vielmehr empfehlen wir, die zugrunde liegenden numerischen Rezepte (Code), die von Lokad betrieben werden, direkt zu modifizieren, um den Bedarf für supply chain Praktiker zur Verwaltung der Workflows vollständig zu eliminieren.
Viele alternative Lösungen verfügen nicht über programmgesteuerte Fähigkeiten. Infolgedessen gibt es in der Regel keine andere Option, wenn ein Defekt festgestellt wird, als entweder auf die nächste Softwareversion (möglicherweise erst in Jahren) zu warten oder eine kundenspezifische Anpassung vorzunehmen – ein Weg, der typischerweise Probleme verursacht, da das Kundenunternehmen am Ende mit einem nicht gewarteten Softwareprodukt dasteht.
5.4 Erlauben Sie den Nutzern, hierarchisch verwandte Elemente zu organisieren und sie auf Basis verschiedener Faktoren zusammenzuführen?
Ja.
Die Plattform von Lokad bietet umfangreiche Möglichkeiten, die es den Nutzern erlauben, Elemente (z.B. SKUs, Produkte, Kunden, Lieferanten, Standorte etc.) nach einem breiten Spektrum von Faktoren – einschließlich manueller Eingaben – zusammenzuführen.
Da die Lokad Plattform programmgesteuert ist, ist es, sofern das Gruppierungs- oder Nähekriterium numerisch ausgedrückt werden kann, unkompliziert, die Elemente des Kunden entsprechend zu gruppieren. Diese Aufgabe wird von Lokad’s Supply Chain Scientists übernommen.
In diesem Zusammenhang kann die Lokad Plattform auch Beziehungen zwischen hierarchisch verwandten Elementen entweder für prognostische oder Optimierungszwecke nutzen. Insbesondere,
verfolgt die Lokad Plattform für all ihre numerischen Werkzeuge einen relationalen Ansatz. Dieser geht über Zeitreihen und Diagramme hinaus, indem er relationale und hierarchische Daten miteinander verbindet. Dieser relationale Ansatz durchdringt unser Werkzeugset, einschließlich unserer Machine-Learning-Tools. Dieser Aspekt ist entscheidend, um verfügbare Beziehungen über reine Anzeigezwecke hinaus zu nutzen.
5.5 Welche Art der Produktklassifikation bieten Sie (ABC /XYZ…) basierend auf historischen Verkaufsdaten an?
Executive Summary: Lokad kann flexible ABC- und ABC XYZ-Produktklassifikationen anbieten, die sich an Variationen und Ausschlüsse anpassen, falls der Kunde dies wünscht. Wir betrachten diese Klassifikationen (und ihre Zeitgenossen) jedoch als veraltet. Lokads Auffassung ist, dass modernes supply chain Management sich auf umsetzbare Erkenntnisse konzentrieren sollte, die zu risikoadjustierten Entscheidungen führen, anstatt auf vereinfachte Kategorisierungstools zu setzen.
Die Plattform von Lokad unterstützt alle gängigen Klassifikationsmethoden, einschließlich ABC und ABC XYZ Analyse, etc. Da die Lokad Plattform programmgesteuert ist, ist es auch unkompliziert, alle feinen Variationen, die existieren, zu berücksichtigen, während solche Klassen (z.B. feine Ausschlussregeln) sorgfältig definiert werden. Allerdings sind Produktklassifikationen (wie die oben aufgeführten) ein technologisch veralteter Ansatz für supply chain Probleme und Optimierung.
Einige Anbieter von supply chain Software, insbesondere diejenigen, die auf veralteten Technologien basieren, rühmen sich der Einsatz von ABC-Analysen oder ABC XYZ Analysen. Doch unvermeidlich werden die von diesen Tools bereitgestellten Klassifikationen dazu verwendet, die zahlreichen Mängel der bereits vom Kunden genutzten Softwarelösung zu mildern, indem sie die Symptome, aber nicht die Ursachen der Probleme behandeln. Diese Tools dienen als grobe Mechanismen zur Aufmerksamkeitspriorisierung. Dies ist kein geeigneter Ansatz, um die interessierenden Fragestellungen, wie etwa unregelmäßige oder volatile Nachfrage, anzugehen.
Erstens müssen die grundlegenden Mängel behoben werden, um die supply chain Praktiker von solch mühsamen Überprüfungen zu entlasten. Zweitens sind volumenbasierte Klassifikationen viel zu grob, um einen praktischen Nutzen zu haben, und stellen eine sehr schlechte Nutzung der Zeit der supply chain Praktiker dar.
Aus diesem Grund leiten Lokads Supply Chain Scientists die Kunden zu Entscheidungen, die die finanzielle Auswirkung einer potenziellen supply chain Entscheidung/Aufforderung zum Handeln (typischerweise in Dollar oder Euro gemessen) widerspiegeln. Sofern Elemente und Entscheidungen nicht in Bezug auf ihren reinen ROI (Return on Investment) priorisiert werden, ist jeder Versuch einer „Priorisierung“ oder „Optimierung“ im Grunde wirkungslos.
Siehe ABC XYZ in 3 Minutes und ABC Analyse funktioniert nicht für weitere Informationen zu den Einschränkungen dieser Klassifizierungstools.
5.6 Bieten Sie eine Clustering-/Stratifizierung von Produkten und/oder Geschäften an?
Ja.
Die Plattform von Lokad bietet Clustering-/Stratifizierungsfunktionen für jedes interessierende Element, wie Geschäfte, Produkte, Kunden, SKUs, Lieferanten etc. Dies ist dank der Verarbeitungskapazitäten unserer Plattform bei relationalen Daten möglich. Dadurch können wir komplexe Elemente bearbeiten, die nicht in eine feste Reihe von Eigenschaften „abgeflacht“ werden können. Außerdem kann Lokad durch differentielles Programmieren die Ähnlichkeitsmetriken erlernen bzw. optimieren, die verwendet werden, um Elemente auf eine Weise zu gruppieren, die für eine bestimmte Aufgabe, wie beispielsweise Prognosen, besonders nützlich ist.
Siehe Illustration: Clustering für weitere Informationen zu Lokads Clustering-Funktionen mit nur wenigen Zeilen Envision-Code.
5.7 Verfeinern Sie die Prognose mittels Produkt-/Standort-Hierarchien und/oder Clustering?
Ja.
Lokad nutzt die relationale Struktur der Eingabedaten voll aus. Unser Ansatz des differentiellen Programmierens ist besonders geschickt in der Verarbeitung relationaler Daten. So kann Lokad Hierarchien, Listen, Optionen, Graphen sowie numerische und kategoriale Attribute für seine prognostischen Modelle nutzen. Zudem prognostizieren unsere Modelle alle Quellen der supply chain Unsicherheit, einschließlich Nachfrage, Lieferzeiten, Rücksendungen, Erträge, Rohstoffpreise etc.
Clustering kann dazu genutzt werden, ein relevantes Muster für die betreffende Prognose zu identifizieren. So können beispielsweise alle typischen Zyklen (z.B. Wochentag, Woche des Monats, Woche des Jahres etc.) und quasi-zyklische Muster (z.B. Ostern, chinesisches Neujahr, Ramadan, Black Friday etc.) von dieser Technik profitieren. Die Plattform von Lokad bietet umfangreiche Unterstützung, um Clustering für prognostische Zwecke einzusetzen.
Siehe Illustration: Cluster-basierte Zyklen für weitere Informationen zu diesem Punkt.
6. Veranstaltungen und erklärende Variablen
6.1 Erkennen Sie außergewöhnliche Ereignisse (z.B. out-of-stock events) und Aktionen in historischen Daten?
Executive Summary: Ja. Lokad erweitert historische Daten mithilfe von prädiktivem Programmieren um bekannte außergewöhnliche Ereignisse, was die Genauigkeit gegenüber traditionellen Zeitreihenprognosen verbessert. Dieser Ansatz kommt mit unvollständigen Daten zurecht und kann verlorene Ereignisse rekonstruieren (als Workaround, wenn eine direkte Aufzeichnung historischer Ereignisse nicht verfügbar ist).
Historische Daten beinhalten zahlreiche Ereignisse, die Messwerte (z.B. Nachfrage, Lieferzeit etc.) verfälschen. Lokad arbeitet mit prädiktiven Programmierparadigmen, wie dem differentiellen Programmieren, die es uns ermöglichen, die Basis-Historie um all diese Ereignisse zu erweitern. Allerdings werden diese außergewöhnlichen Ereignisse in der Regel nicht „identifiziert“ – sie sind bereits bekannt. Sollten bemerkenswerte Ereignisse verloren gegangen sein, kann Lokad ein prädiktives Modell einsetzen, um solche Ereignisse zu rekonstruieren.
Früher waren veraltete Prognosetechnologien unfähig, mit etwas anderem als schlichten Zeitreihen umzugehen. Infolgedessen musste jede Verzerrung, die jemals auf die Nachfrage angewendet wurde, vorab korrigiert werden, da sonst die Prognosen erheblich beeinträchtigt bzw. verzerrt würden. Leider ist dieser Ansatz von vornherein fehlerhaft, da diese Zeitreihenprognosen auf anderen Prognosen aufbauen und so Ungenauigkeiten anhäufen.
Lokads prädiktive Technologie leidet nicht unter demselben Problem, da sie zusätzliche erklärende Variablen unterstützt. Anstatt so zu tun, als wüssten wir genau, was ohne die historischen Ereignisse (wie einen stock-out) passiert wäre, spiegelt das prädiktive Modell die erklärende Variable in seinen Ergebnissen (d.h. seinen Prognosen) wider. Diese Methodik erfordert keinen stufenweisen Ansatz bei der Prognose. Darüber hinaus kann sie unvollständige Daten nutzen, wie z.B. einen stock-out am Ende des Tages nach einem Rekordverkauf von Einheiten – Informationen, die selbst in unvollständiger Form hoch relevant sind.
Sollten bemerkenswerte Ereignisse (z.B. stockouts) verloren gegangen oder einfach nie aufgezeichnet worden sein, ist Lokad in der Lage, diese Ereignisse durch eine Analyse der historischen Daten zu rekonstruieren. Unabhängig davon, wie statistisch genau diese Rekonstruktion auch sein mag, wird sie immer weniger präzise sein als eine direkte Aufzeichnung der Ereignisse, während sie sich entfalten. Aus diesem Grund wird Lokad in der Regel Indikatoren wie Lagerbestände historisieren, wann immer diese Indikatoren nicht ordnungsgemäß in den jeweiligen Geschäftssystemen archiviert sind.
6.2 Erkennen Sie außergewöhnliche Ereignisse und (bewegliche) Feiertage?
Ja. Lokads prädiktive Modelle passen sich außergewöhnlichen Ereignissen und Feiertagen an. Unsere Supply Chain Scientists bewerten die Auswirkungen, indem sie den Kunden ein transparentes Modell sowie Einblicke in die Effekte eines bestimmten Ereignisses auf die Dynamik der supply chain liefern.
Lokad identifiziert alle außergewöhnlichen Ereignisse und passt die Struktur seiner prädiktiven Modelle entsprechend an. Für alle quasi-zyklischen Muster (z.B. Ostern, chinesisches Neujahr, Ramadan, Black Friday etc.) ist die Identifizierung selbstverständlich – wir wissen bereits, dass das Ereignis existiert und Auswirkungen hat. Die einzige noch offene Frage ist die Quantifizierung der Auswirkungen des Ereignisses.
Indem Supply Chain Scientists eine hochrangige Einschätzung über die Auswirkungen eines bekannten Ereignisses (oder dessen Fehlen) vornehmen, erhalten wir ein prädiktives Modell mit wesentlich höherer Dateneffizienz. Hohe Dateneffizienz ist entscheidend, um das prädiktive Modell auch bei geringen Datenmengen, wie es in supply chain Situationen häufig der Fall ist, präzise zu halten.
Des Weiteren profitieren die Mitarbeiter der supply chain des Kunden von einem White-Box-Prognosemodell, das semantische Faktoren enthält, wenn Lokad die Muster explizit identifiziert und benennt. Beispielsweise wird der Einfluss von Black Friday (sofern vorhanden) mit einem dedizierten Faktor bewertet, der auf Grundlage der historischen Daten ermittelt wird. Der supply chain practitioner kann diesen Faktor dann nutzen, um zu verstehen, welche Produkte besonders auf Black Friday empfindlich reagieren, getrennt von all den anderen Mustern, die im Spiel sind, wie etwa der Saisonalität (d.h. jährliche Zyklen).
Siehe auch Events and Explanatory Events 6.1 in diesem FAQ.
6.3 Berücksichtigen Sie Lagerengpässe als erklärende Variable?
Ja. Lokad integriert Lagerengpässe direkt in seine Prognosemodelle und berücksichtigt sowohl vollständige als auch partielle Lagerausfälle, ohne dabei auf die Rekonstruktion von “falscher” Nachfrage zurückgreifen zu müssen, um Lücken in den Daten zu schließen. Vielmehr modellieren wir direkt das, was allgemein als zensierte Nachfrage bekannt ist. Darüber hinaus ist Lokad in der Lage, partielle Lagerengpässe zu berücksichtigen (wenn der Lagerausfall während des Arbeitstages auftritt) und die entsprechenden Informationen zu nutzen.
Generell ist Lokad zudem in der Lage, mit allen durch Lagerausfälle induzierten Artefakten umzugehen. Je nach den besonderen Gegebenheiten des Kundenunternehmens können diese Artefakte stark variieren. Beispielsweise kann es am Ende des Lagerausfallzeitraums zu einem Nachfrageschub kommen, wenn die Kunden loyal genug sind zu warten. Es kann auch zu Rückständen kommen, wobei teilweise ein Verlust eintreten kann, da solche Kunden sich weigern, ihren Kauf zu verschieben. Usw.
Die Supply Chain Scientists, die von Lokad beschäftigt werden, stellen sicher, dass Lagerausfälle auf eine geeignete Weise modelliert werden, die wirklich die Dynamik des Geschäfts des Kundenunternehmens widerspiegelt.
Siehe die Diskussionen über “Loss masking” in Structured predictive modeling for Supply Chain und “Incomplete lead-time model” in Lead-time forecasting für weitere Informationen dazu, wie Lokad diese Situationen handhabt.
6.4 Prognostizieren Sie Werbeaktionen?
Ja. Die Prognosetechnologie von Lokad kann die Nachfragevariation, die durch Werbemechanismen beeinflusst wird, vorhersagen. Der Werbemechanismus kann Preisänderungen, Änderungen in der Anzeigereihenfolge (E-Commerce), Änderungen im Sortiment, Veränderungen in der Sichtbarkeit (z.B. Gondeln im Einzelhandel) usw. umfassen. Kurz gesagt liefert Lokad probabilistische Prognosen für Werbeaktionen, ebenso wie für alle potenziellen Quellen der supply chain Unsicherheit (z.B. Nachfrage, Lieferzeiten, Rücksendungen usw.).
Die supply chain Entscheidungen von Lokad – wie zum Beispiel Inventarauffüllungen – berücksichtigen nicht nur die zukünftig geplanten Werbeaktivitäten, sondern auch das Potenzial für derartige Aktivitäten. Zum Beispiel, wenn das Kundenunternehmen die Möglichkeit zu Werbeaktionen hat und seine Kunden (typischerweise) gut auf Werbeaktionen reagieren, dann kann das Kundenunternehmen etwas aggressiver mit seinem Bestand umgehen. Dies liegt daran, dass Werbeaktionen ein effektives Mittel sind, um Überbestände zu mildern. Umgekehrt, wenn das Kundenunternehmen eine Kundschaft hat, die weitgehend unempfänglich für Werbeaktionen ist, muss es mehr auf Überbestände achten, da ihm dieser Mechanismus zur Minderung fehlt.
Lokad erstellt derartige risikoangepasste (und optionsangepasste) Entscheidungen, indem probabilistische Prognosen genutzt werden. Diese Prognosen sind essenziell, um die Risiken überhaupt zu bewerten. Anschließend verwenden wir stochastische Optimierung – einfach ausgedrückt eine mathematische Operation – um Entscheidungen zu treffen, die den ROI (Return on Investment) des Kundenunternehmens angesichts seiner vielfältigen Unsicherheitsquellen (z.B. Nachfrage, Lieferzeiten, Werbeaktionen, Rücksendungen usw.) maximieren.
6.5 Identifizieren und prognostizieren Sie Produkteinführungen und Ersatzprodukte?
Executive Summary: Ja, Lokad prognostiziert die Nachfrage für alle Produkte, einschließlich neuer Produkte. Dies geschieht unabhängig von der Menge der historischen Daten, die für Produkte vorliegen – die wahrscheinlich null sein werden, wenn das Produkt noch nicht eingeführt wurde.
Um in den genannten Bedingungen statistische Prognosen zu erstellen, nutzt Lokad in der Regel (a) die gesamte Geschichte der Produkteinführungen innerhalb des Kundenunternehmens, (b) die Attribute des Produkts, um es im Angebot zu positionieren, (c) die alternativen Produkte, die sowohl eine Basislinie als auch ein Potenzial zur Kannibalisierung bieten, und (d) die Marketingaktivitäten, die diese spezifische Produkteinführung unterstützen.
Wenn ein Produkt im Angebot des Kundenunternehmens als expliziter Ersatz für ein älteres Produkt positioniert wird, dann ist die Prognoseaufgabe viel einfacher. Wir empfehlen diesen Ansatz jedoch nicht, es sei denn, die Mitarbeiter der supply chain des Kunden sind davon überzeugt, dass das alte und das neue Produkt für die Verbraucher tatsächlich äquivalent sind. In der Praxis ist eine Produkteinführung selten ein eins-zu-eins Ersatz zwischen neuen und alten Produkten. Daher nutzt Lokad überlegene Technologie, um alle historischen Daten zu verwenden, anstatt ein einzelnes Produkt als Pseudo-Geschichte für das neu eingeführte Produkt zu deklarieren.
Darüber hinaus generiert Lokad probabilistische Prognosen für Produkteinführungen. Dies ist besonders wichtig, weil klassische (d.h. nicht-probabilistische) Prognosen die oft vorherrschenden Treffer-oder-Pfeifen-Muster bei der Einführung neuer Produkte vollständig außer Acht lassen. Probabilistische Prognosen hingegen quantifizieren diese Unsicherheit, was es uns ermöglicht, risikoangepasste supply chain Entscheidungen zu treffen.
In den meisten Geschäftssystemen wird das Einführungsdatum eines Produkts korrekt erfasst, sodass eine Identifizierung an sich nicht erforderlich ist. Sollte jedoch das Einführungsdatum nicht erfasst oder fehlerhaft erfasst worden sein, kann Lokad eine tatsächliche Rekonstruktion dieser Informationen vornehmen. Natürlicherweise stellen die früheren Verkaufsdaten eine Basislinie für die Einführung dar.
Allerdings kann es bei intermittierender Nachfrage manchmal lange dauern, bis das Produkt seine erste Einheit verkauft. Die Supply Chain Scientists von Lokad haben verschiedene Heuristiken zur Verfügung, um diesen Situationen gerecht zu werden.
Siehe auch Events and Explanatory Events 6.1 in diesem FAQ.
6.6 Wie prognostizieren Sie neue Artikel oder neue Standorte ohne Verkaufshistorie?
Lokad nutzt frühere Produkteinführungen und aktuelle Verkaufszahlen und betont dabei die Bedeutung von Attributen (formell und textuell), um die Nachfrage für neue Artikel/Standorte vorherzusagen.
Auch wenn ein Artikel “neu” sein mag, ist es in der Regel nicht der erste “neue” Artikel, der vom Kundenunternehmen eingeführt wird. Die Prognosetechnologie von Lokad nutzt die früheren Produkteinführungen sowie die aktuellen Verkaufsvolumina, um die Nachfrage für einen neuen Artikel zu prognostizieren. Insbesondere ist die Verfügbarkeit formeller Attribute (z.B. Farbe, Größe, Form, Preisklasse usw.) sowie textueller Attribute (z.B. Bezeichnung, Kurzbeschreibung, Kommentare usw.) von entscheidender Bedeutung, um den Artikel mathematisch im breiteren Angebot des Unternehmens zu verorten.
Der Prozess bei neuen Standorten ist ähnlich, obwohl die Daten in der Regel viel begrenzter sind. Während es üblich ist, dass Unternehmen jährlich Tausende neuer Produkte einführen (insbesondere in Branchen wie der Mode), können nur sehr wenige Unternehmen behaupten, auch nur hundert neue Standorte pro Jahr einzuführen. Dennoch kann Lokad durch die Nutzung der Attribute und der Eigenschaften des neuen Standorts eine Prognose erstellen, selbst wenn dieser spezielle Standort keine Verkaufshistorie aufweist.
Siehe auch Events and Explanatory Events 6.5 in diesem FAQ.
6.7 Berücksichtigen Sie Vorgängerartikel, möglicherweise als solche gekennzeichnet oder gleichwertig/ähnlich?
Ja, wenn eingeführte Artikel mit “Vorgänger”‑ oder “ähnlichen” Artikeln einhergehen, ist die Prognosetechnologie von Lokad in der Lage, diese Informationen zu nutzen, um ihre Prognosen zu verfeinern.
Wir können das gesamte Spektrum an Vertrauen in die bereitgestellten Informationen berücksichtigen, von “dieses neue Produkt ist nahezu ein perfekter Ersatz für das andere Produkt” bis hin zu “diese beiden Produkte sind vage ähnlich”. Es können auch mehrere Vorgänger angegeben werden, wenn es keinen eindeutigen “am ähnlichsten” Artikel gibt.
Während alte (heute veraltete) Prognosetechnologien die supply chain Praktiker zwangen, alte und neue Produkte manuell zu paaren, ist dies bei Lokad nicht der Fall. Vorausgesetzt, einige grundlegende Informationen sind verfügbar, ist unsere Technologie in der Lage, die historischen Daten – von anderen Produkten – zu nutzen, um einen neuen Artikel zu prognostizieren. Relevante Basisinformationen umfassen die Produktbezeichnungen und die Preisklassen.
Als Faustregel empfehlen wir, die Stammdaten anzureichern, um bessere automatisierte Zuordnungen zu ermöglichen. Dies ist unserer Meinung nach vorzuziehen, als die Mitarbeiter der supply chain des Kunden in die mühsame Tätigkeit des manuellen Paarens zu zwingen. Der ROI (Return on Investment) für die Verbesserung der Stammdaten ist in der Regel weitaus überlegen gegenüber manuellen Paarungen, da Stammdaten auch direkt zahlreiche nach der Produkteinführung stattfindende Prozesse beeinflussen können.
Siehe auch Events and Explanatory Events 6.5 in diesem FAQ.
6.8 Erkennen Sie Kannibalisierung? Bewerten Sie den Einfluss auf das kannibalisierende Produkt und die kannibalisierten Produkte?
Ja, die Prognosetechnologie von Lokad berücksichtigt Kannibalisierungen (und Substitutionen) als Teil ihrer Nachfrageanalyse.
Obwohl die Situationen variieren, ist das Modell typischerweise symmetrisch, sodass sowohl das kannibalisierende Produkt als auch das kannibalisierte Produkt quantifiziert werden. Unser Ansatz berücksichtigt die Zusammensetzung des Angebots, das sich von einem Geschäft zum anderen oder von einem Vertriebskanal zum anderen unterscheiden kann.
Wenn Kunden identifiziert werden können (Hinweis: mithilfe anonymer Identifikatoren, da Lokad keine persönlichen Daten benötigt/verwendet), kann Lokad den bipartiten Graphen ausnutzen, der Kunden und Produkte verbindet. Dieser zeitliche Graph (der Produkte und Kunden durch ihre Transaktionen verbindet) ist in der Regel die beste Informationsquelle, um Kannibalisierungen zu quantifizieren. Wenn diese Informationen nicht verfügbar sind, kann Lokad dennoch arbeiten, wenn auch mit reduzierter Genauigkeit, was die Feinheiten der Kannibalisierungen betrifft.
Die prognostischen Techniken von Lokad weichen radikal von klassischen Zeitreihenmodellen ab. Zeitreihenmodelle sind schlichtweg nicht ausdrucksstark genug, um mit Kannibalisierungen umzugehen. Tatsächlich geht ein Großteil der relevanten Informationen zur Behandlung von Kannibalisierungen verloren, sobald die historischen Daten in Zeitreihendaten umgewandelt wurden. Diese verlorenen Informationen können später nicht wiederhergestellt werden, egal wie ausgeklügelt die Zeitreihenmodelle sind. Im Gegensatz dazu verwendet Lokad differentiable programming für seine Prognosemodelle – ein Ansatz, der viel ausdrucksstärker ist als veraltete (und obsolet gewordene) Zeitreihenmodelle.
6.9 Erlauben Sie das Hinzufügen oder Aktualisieren von erklärenden Variablen? Können diese Variablen manuell aktualisiert werden?
Ja. Die Plattform von Lokad ist programmatisch und buchstäblich so flexibel wie eine Excel-Tabelle, wenn es um die Einbeziehung von Updates erklärender Variablen geht. Es ist auch möglich, die erklärenden Variablen bei Bedarf über tatsächliche Tabellenkalkulationen zu übermitteln.
Differentiable programming, der Ansatz von Lokad zur Prognosemodellierung, macht es unkompliziert, Modelle zu erlernen, die beliebige erklärende Variablen einbetten. Die erklärenden Variablen müssen nicht in “prognostizierten Einheiten” ausgedrückt oder anderweitig mit dem Prognoseprozess abgestimmt sein. Durch differentiable programming ist es möglich, erklärende Variablen zu integrieren, während viele Beziehungen “unquantifiziert” bleiben – wodurch der Lernprozess der Plattform von Lokad überlassen wird. Zudem wird die Quantifizierung der Beziehung(en) dem supply chain practitioner zur Verfügung gestellt. Auf diese Weise kann der supply chain practitioner Erkenntnisse darüber gewinnen, ob die erklärende Variable tatsächlich an Bedeutung im Prognosemodell gewinnt.
Einige alte (heute veraltete) Prognosetechnologien erzwingen eine direkte Beziehung zwischen den erklärenden Variablen und den gewünschten Prognosen. Zum Beispiel mussten die erklärenden Variablen linear mit dem Nachfrageimpuls zusammenhängen; sie mussten auf derselben Granularität wie die Prognosen ausgedrückt werden; und/oder sie mussten homogen zu den historischen Daten sein, usw. Die Technologie von Lokad leidet nicht unter diesen Einschränkungen.
Zudem können die programmatischen Fähigkeiten der Plattform von Lokad die erklärenden Variablen so organisieren, dass deren Wartung für die Mitarbeiter der supply chain des Kunden möglichst einfach ist. Beispielsweise ist es möglich, mit einer Excel-Tabelle zu beginnen, um die erklärenden Variablen abzubilden, und später auf eine automatisierte Datenintegration umzusteigen. Dieser Übergang kann erfolgen, sobald die zusätzliche Genauigkeit (durch diese erklärenden Variablen erreicht) als ausreichend erachtet wird, um den Datentransfer zu automatisieren.
Siehe die Diskussion über “Covariable integration” in Structured Predictive Modeling for Supply Chain für weitere Informationen zu diesem Punkt.
6.10 Erlauben Sie manuelle Anpassungen der Prognose für zukünftige Ereignisse ohne vorherige historische Daten?
Ja. Lokad ermöglicht jederzeit manuelle Anpassungen der Prognosen, unabhängig davon, ob es sich um Artikel mit oder ohne historische Daten handelt. Wir können auch die Qualität/Genauigkeit manueller Anpassungen verfolgen. Allerdings sind manuelle Anpassungen bei Verwendung moderner Prognosetechnologien in der Regel unnötig und werden insgesamt abgeraten.
Der erste Grund, weshalb supply chain Praktiker das Bedürfnis verspüren, Prognosen manuell anzupassen, ist, dass sie die daraus abgeleiteten supply chain Entscheidungen (z.B. eine Bestellung) verändern möchten. In diesen Fällen sieht sich der supply chain practitioner meist mit einem Risiko konfrontiert, das in den Prognosen nicht angemessen berücksichtigt wird. Es geht nicht darum, dass die Prognosen höher oder niedriger ausfallen sollten, sondern dass die daraus resultierende Entscheidung nach oben oder unten angepasst werden muss, um das Risiko widerzuspiegeln. Lokad löst dieses Problem durch probabilistische Prognosen und risikoangepasste supply chain Entscheidungen. Die Prognosen spiegeln bereits alle möglichen zukünftigen Werte (z.B. Nachfrage) und deren jeweilige Wahrscheinlichkeiten wider. Somit sind unsere vorgeschlagenen Entscheidungen bereits risikoangepasst. Wenn die Entscheidungen falsch ausfallen, während die Prognose korrekt ist, dann müssen in der Regel die mit der Entscheidung verbundenen wirtschaftlichen Treiber angepasst werden, nicht die Prognose selbst.
Der zweite Grund für die manuelle Anpassung einer Prognose ist, dass diese Prognose eklatant falsch ist. In solchen Fällen muss jedoch das zugrunde liegende Prognosemodell selbst korrigiert werden. Wird das Modell nicht korrigiert, bedeutet dies, dass das supply chain-Personal weiterhin die Symptome des Problems (ungenaue Prognosen) behandelt, anstatt die Ursache selbst (ein fehlerhaftes Prognosemodell). Wird das Modell nicht korrigiert, werden die Prognosen mit neu verfügbaren Daten aktualisiert, wodurch entweder die fehlerhaften Prognosen wieder auftreten oder die ursprüngliche Korrektur (falls sie beibehalten wird) selbst zu einer Quelle ungenauer Prognosen wird.
Kurz gesagt, wenn das Prognosemodell nicht ausreichend genau ist (in der Regel aufgrund fehlender Informationen), sollte der Input des Modells angereichert werden, um relevante fehlende Informationen zu berücksichtigen. So oder so ist es niemals die richtige Reaktion, ein fehlerhaftes Prognosemodell in Betrieb zu halten.
6.11 Verfeinern Sie Ihre Prognosen durch Marketing und Sonderkampagnen?
Ja, Lokad verfeinert seine Prognosen mit diesen Informationen (falls/wenn sie uns zur Verfügung gestellt werden).
Differenzierbares Programmieren – Lokads prädiktive Modellierungstechnologie – ist versiert im Verarbeiten zusätzlicher Datentypen/-quellen, selbst wenn diese strukturell nicht mit den ursprünglichen historischen Nachfragedaten übereinstimmen (wie sie in typischen Kundengeschäftssystemen zu finden sind).
Differenzierbares Programmieren kann zusätzliche Datenquellen verarbeiten, ohne davon auszugehen, dass diese ergänzenden Daten vollständig oder sogar völlig korrekt/genau sind. Zugegeben, wenn die Daten sehr unvollständig/ungenau sind, begrenzt dies die insgesamt durch die Verarbeitung dieser Daten erzielte Genauigkeit.
Noch wichtiger: Die prädiktive Technologie von Lokad verändert die Herangehensweise der Kunden an ihre Marketingkampagnen. Die klassische Prognosesichtweise behandelt die zukünftige Nachfrage wie die Bewegung von Planeten: etwas, das völlig außerhalb unserer Kontrolle liegt. Marketingkampagnen fallen hingegen nicht vom Himmel. Vielmehr spiegeln sie explizite Entscheidungen des Kundenunternehmens wider. Mit Lokads Erkenntnissen und Technologie können Kundenunternehmen ihre Marketingkampagnen neu ausrichten, um sie an das anzupassen, was die supply chain unterstützen kann.
Zum Beispiel ist es sinnlos, die Nachfrage weiter anzukurbeln (durch den Start einer neuen Kampagne), wenn alle Produkte bereits auf einen Lagerengpass zusteuern. Umgekehrt, wenn Überbestände zunehmen, könnte es an der Zeit sein, einige Kampagnen, die zuvor pausiert wurden, wieder zu aktivieren.
6.12 Verfeinern Sie Ihre Prognosen unter Einbeziehung der Preiselastizität? Können geplante zukünftige Preisänderungen proaktiv in das Prognose-/Vorhersagemodell einbezogen werden?
Ja. Die prädiktiven Modellierungsfähigkeiten von Lokad umfassen die Preisgestaltung, einschließlich Preiselastizität, sowie zukünftige geplante Preisänderungen. Lokads Ansatz des differenzierbaren Programmierens ermöglicht es, eine (oder mehrere) Preisvariable(n) sowohl in der Vergangenheit als auch in der Zukunft problemlos einzubeziehen. Die vergangenen Instanzen werden genutzt, um die Kausalität zwischen der Variation der Nachfrage und der Variation des Preises zu erlernen.
Differenzierbares Programmieren ermöglicht es uns, gemeinsam den Einfluss variierender Preise neben all den anderen Mustern, die die Nachfrage beeinflussen, wie z. B. den mehrfachen Zyklen (z. B. Saisonalität), zu erlernen. Das Kausalitätsmodell kann dann auf zukünftige Preise angewendet werden, die erhöht oder gesenkt werden können, um die sich ändernde Preisstrategie des Kundenunternehmens widerzuspiegeln.
Allerdings ist die Preiselastizität häufig ein eher grober Ansatz, um den Effekt von Preisänderungen zu modellieren. Beispielsweise können Schwellenwerteffekte nicht mit Elastizität modelliert werden. Dies schließt Szenarien ein, in denen Verbraucher stark auf eine Preisvariation reagieren, wenn ein Produkt gerade günstiger wird als ein vergleichbar erscheinendes anderes. Insbesondere wenn wettbewerbsfähige Preise durch ein Competitive-Intelligence-Tool erfasst werden, erweist sich die Preiselastizität als unzureichend, um Nachfrageschwankungen zu erklären, die am besten durch die Preisanpassungen eines Konkurrenten erklärt werden würden.
Die Plattform von Lokad verfügt über Fähigkeiten, die weit über das reine Modellieren der Preiselastizität hinausgehen. Lokad kann – und tut dies häufig – sowohl die Beschaffung als auch die Preisgestaltung gemeinsam optimieren. Während die gängige supply chain-Perspektive Bestandsoptimierung und Preisoptimierung als zwei separate Anliegen betrachtet, ist es offensichtlich, dass Preise die Nachfrage beeinflussen – selbst wenn die Preis „Elastizität“ sich als zu grob erweist, um diesen Einfluss genau abzubilden. Daher ist es sehr sinnvoll, sowohl die Bestands- als auch die Preisstrategien zu koordinieren, um die Rentabilität der supply chain zu maximieren.
6.13 Verfeinern Sie Ihre Prognosen unter Einbeziehung von Wettbewerbsaktivitäten (d.h. Competitive Intelligence-Daten)?
Executive Summary: Ja, Lokads prädiktive Technologie ist in der Lage, Competitive-Intelligence-Daten zu nutzen, um die Nachfrageprognosen (und Preise, falls gewünscht) für Kunden zu verfeinern. Dies geschieht nur, wenn uns die Competitive-Intelligence-Daten zur Verfügung gestellt werden, da Lokad diese Daten nicht selbst sammelt. Unserer Meinung nach sollte diese Aufgabe besser Web-Daten-Scraping-Spezialisten überlassen werden.
Die Nutzung von Competitive-Intelligence-Daten ist in der Regel ein zweistufiger Prozess. Zuerst müssen wir (irgendwie) die konkurrenzbezogenen Datenpunkte mit dem Angebot des Kundenunternehmens in Verbindung bringen. Wenn das Kundenunternehmen und seine Wettbewerber zufällig exakt dieselben Produkte verkaufen, die durch ihre GTIN-Barcodes identifiziert werden, ist dieser Prozess unkompliziert. Allerdings gibt es häufig zahlreiche Komplikationen.
Beispielsweise haben die Unternehmen möglicherweise nicht dieselben Versandbedingungen (z. B. Gebühren und Verzögerungen), oder es gibt temporäre Aktionen, die nur für Inhaber einer Kundenkarte gelten. Außerdem verkaufen Wettbewerber in der Regel nicht exakt dieselben Produkte (zumindest nicht im GTIN-Sinne), jedoch konkurrieren ihre Angebote insgesamt miteinander. In diesen Fällen sind einfache Eins-zu-eins-Zuordnungen zwischen den Produkten der jeweiligen Unternehmen nicht mehr relevant. Dennoch kann Lokads prädiktive Technologie (und Supply Chain Scientists) all diese Komplikationen adressieren.
Zweitens: Sobald die Zuordnungen hergestellt sind, muss das prädiktive Modell angepasst werden, um die Auswirkungen des Wettbewerbs auf die Nachfrage abzubilden. Die größte Herausforderung besteht hier oft darin, dass der Effekt mit einer erheblichen Verzögerung einsetzt. In den meisten Märkten überwachen die Kunden die Preise der Wettbewerber nicht ständig. Daher kann ein starker Preisrückgang seitens eines Wettbewerbers von vielen Kunden lange Zeit unbemerkt bleiben. Tatsächlich ist die dominierende Auswirkung der preislichen Unterbietung die langsame Erosion des Marktanteils des Kundenunternehmens. Es ist daher ein Fehler, den Einfluss des Wettbewerbs „ein Produkt nach dem anderen“ zu beurteilen. Es müssen auch unternehmensweite Effekte bewertet werden.
Erneut stellen Lokads Supply Chain Scientists sicher, dass die Modellierungsstrategie ein strategisches Verständnis des Kundenunternehmens (und seiner Position im Markt) widerspiegelt. Dieses strategische Verständnis umfasst langfristige Aspekte, wie den Gewinn oder Verlust von Marktanteilen.
Siehe Diskussionen zu ‘Solving the alignment’ in Pricing Optimization for the Automotive Aftermarket für weitere Informationen zu diesem Punkt.
Siehe auch Events and Explanatory Variables 6.12 in diesem FAQ.
6.14 Verfeinern Sie Ihre Prognosen mit Wettervorhersagedaten?
Executive Summary: Ja, Lokad ist in der Lage, seine prädiktiven Modelle mit Wettervorhersagedaten zu verfeinern. Wir erzielten unseren ersten Erfolg in diesem Bereich bereits 2010 in Zusammenarbeit mit einem großen europäischen Stromproduzenten. Unsere aktuelle prädiktive Technologie (differenzierbares Programmieren) macht den Prozess der Integration von Wettervorhersagen einfacher als bei früheren Technologien.
In der Praxis ist es zwar technisch möglich, Prognosen mit Wetterdaten zu verfeinern, aber nur sehr wenige unserer Kunden setzen derartige Verfeinerungen in der Produktion effektiv ein. Unserer Meinung nach lohnt sich der Aufwand meist nicht. Es gibt fast immer einfachere Optionen, die für einen vergleichbaren Einsatz an technischen Ressourcen einen überlegenen ROI (Return on Investment) bieten.
Insgesamt gibt es zwei Hauptprobleme bei dem Versuch, Wettervorhersagedaten in diesem Kontext zu nutzen. Das erste Problem besteht darin, dass diese Vorhersagen kurzfristig sind. Über zwei oder drei Wochen hinaus kehren Wettervorhersagen zu saisonalen Durchschnittswerten zurück. Sobald man also über einen kurzen Zeithorizont hinausgeht, liefern Wettervorhersagen keine zusätzlichen Erkenntnisse jenseits der üblichen Saisonalität. Dies bedeutet, dass alle supply chain-Entscheidungen, die nicht streng kurzfristig sind, nicht von Wettervorhersagedaten profitieren. Das schränkt den anwendbaren Umfang dieser Technik erheblich ein.
Das zweite Problem sind die enormen technologischen Komplikationen, die diese Technik mit sich bringt. Wetter ist ein sehr lokales Phänomen, doch bei großen supply chains betrachten wir effektiv Hunderte oder Tausende (wenn nicht Zehntausende) relevanter Standorte, die über riesige geografische Räume verteilt sind (möglicherweise mehrere Kontinente). Dementsprechend könnte jeder Standort sein eigenes „Wetter“ haben (meteorologisch gesehen).
Darüber hinaus ist „Wetter“ nicht eine einzige Zahl, sondern eine ganze Sammlung von Werten, einschließlich Temperatur, Niederschlag, Wind usw. Je nach Art der bedienten Waren kann die Temperatur der dominierende Faktor sein, der erforderlich ist, um eine Nachfrageprognose zu verfeinern – oder auch nicht.
Grundsätzlich bedeutet der Versuch, eine Nachfrageprognose mit Wettervorhersagedaten zu verfeinern, dass Ressourcen (Zeit, Geld, Aufwand usw.) gebunden werden, die anderweitig (oder zumindest für bessere Verfeinerungsbemühungen) eingesetzt werden könnten. Wir stellen fest, dass Wettervorhersagen in diesem Zusammenhang nahezu nie eine ‚wettbewerbsfähige‘ Option darstellen. Daher empfehlen wir, alle anderen potenziell einfacheren Verfeinerungswege auszuschöpfen, bevor man auf Wettervorhersagedaten zurückgreift, obwohl Lokad dazu in der Lage ist.
6.15 Verfeinern Sie Ihre Prognosen, um eine Neueröffnung oder Schließung eines alten Geschäfts zu berücksichtigen?
Ja.
Lokads prädiktive Technologie ist in der Lage, den Einfluss einer Neueröffnung und/oder der Schließung eines alten Geschäfts präzise zu modellieren. Unsere Technologie kann auch vorübergehende Schließungen, wie etwa temporäre Schließungen für Renovierungsarbeiten, abbilden. Darüber hinaus kann (und tut) Lokad auch Schwankungen in den Öffnungszeiten berücksichtigen, sofern uns die Daten zur Verfügung gestellt werden. Lokads prädiktive Technologie (differenzierbares Programmieren) ist dabei besonders effektiv im Umgang mit all diesen Verzerrungen im Nachfragesignal.
Zudem können wir, wenn sich Geschäfte in der Nähe befinden (z. B. in derselben Stadt), den Substitutionseffekt berücksichtigen, bei dem Kunden, die früher ein Geschäft (das nun geschlossen ist) besucht haben, zu einem anderen wechseln. Wenn einige Transaktionen über eine Kundenkennziffer verfügen (Hinweis: lediglich die Rohkennung, da Lokad keine personenbezogenen Daten benötigt), können wir diese Informationen nutzen, um den genauen Anteil der Kundschaft, der einer bestimmten Marke treu bleibt, trotz geschlossener oder verlegter Geschäfte genauer zu bestimmen.
Am anderen Ende des technologischen Spektrums können Zeitreihenmodelle (für Prognosen) die relevanten Eingabedaten nicht einmal adäquat abbilden. In diesem Fall beziehen wir uns auf die oben beschriebenen, rohen Transaktionsdaten, wie sie etwa vorliegen, wenn der Kunde Kundenkartenprogramme betreibt.
Hinweise
-
No1 auf SKU-Ebene in der M5-Prognosewettbewerb, ein Vortrag von Joannes Vermorel, Januar 2022 ↩︎
-
Obwohl Excel-Tabellen oft beeindruckend programmatisch sind, sind sie einfach nicht für die großangelegten Anforderungen einer echten supply chain geeignet. Zum Beispiel ist Excel nicht darauf ausgelegt, stabil Hunderttausende, wenn nicht Millionen von Datenzeilen zu verarbeiten, wie sie etwa für ein weitreichendes Filialnetz mit jeweils eigenem Angebot anfallen. Ebenso wenig eignet es sich für Berechnungen mit Zufallsvariablen – ein Schlüsselinstrument in der Wahrscheinlichkeitsprognose. Siehe Programmierparadigmen als supply chain Theorie für weitere Details zu Lokads Perspektive auf Wahrscheinlichkeitsprognosen und differentiable programming. ↩︎