Periodische Bedarfsprognose

Periodische Bedarfsprognose












Startseite » Ressourcen » Hier

Was Lieferketten betrifft, ist unter einer periodischen Prognose eine traditionelle Bedarfsprognose gemeint, bei der Werte nach einem bestimmten Zeitraum, gewöhnlich täglich, wöchentlich oder monatlich, berechnet werden. Obwohl wir im Allgemeinen nicht empfehlen, probabilistische Bedarfsprognosen zu benutzen, sind sie in gewissen Fällen akzeptabel. Lokads periodischer Prognosemodus ist zur Erstellung täglicher Prognosen in Form von Zeitreihen konzipiert.

Allgemeine Syntax

Der Prognose-Engine hat eine eigene Funktion für tägliche periodische Prognosen. Die Syntax lautet wie folgt:

// 'T' is of type [Id, *]
table T = forecast.periodic(
  hierarchy: H1, H2, H3, H4
  category: C1, C2, C3, C4
  horizon: 56 // Zahlenvektor in Tagen
  present: (max(Orders.Date) by 1) + 1
  demandDate: Orders.Date
  demandValue: Orders.Quantity
  censoredDemandDate: OOS.Date)

show table "Periodic" with Id, T.ForecastDate, T.Mean, T.Sigma

Die Tabelle T, die vom Prognose-Engine zurückgegeben wird, besitzt nicht den Typ [Id, Date, *] sondern [Id, *]. Dies ist eine Bedingung von Envision, und Datumsangaben, wie sie in der `Day` oder `Week` Tabelle vorkommen, können nicht dynamisch während der Ausführung eingeführt werden.

Das horizon-Argument ist ein Zahlenvektor - oder einfach eine skalare Zahl - die für jeden Artikel definiert werden kann. Der Zeitraum wird in Tagen ausgedrückt. Der Prognose-Engine hängt nicht vom Zeitraum ab: die Benutzung eines längeren Zeitraums hat keinen Einfluss auf frühere Prognosen. Der Zeitraum wird nur zur Kürzung der Prognosen benutzt, um die Ausführlichkeit der Ergebnisse in Grenzen zu halten.

Die anderen Argumente sind den zuvor bei den probabilistischen Bedarfsprognosen eingeführten Gegenstücken identisch.

Die täglichen Werte T.Mean, die der Prognose-Engine zurückgibt, sind gebrochen und möglicherweise kleiner als 1. Im Hintergrund benutzt der Prognose-Engine probabilistische Prognosemodelle, die als tägliche Durchschnitte projiziert werden.

Jeder tägliche Wert ist außerdem T.Sigma zugeordnet, das eine Schätzung der Wurzel der Varianz der Prognose darstellt. Die Varianz wird als zweiter zentraler Moment erreicht, ähnlich zum probabilistischen Prognosemodell abgeleitet, das vom Prognose-Engine berechnet wird.

Mittlere quadratische Abweichung

Die von Lokad berechneten täglichen periodischen Prognosen werden über die mittlere quadratische Abweichung (MSE) optimiert, die als Verlustfunktion vom Prognose-Engine benutzt wird. Intuitiv wird erwartet, dass die Prognosen durch diese Verlustfunktion ausgeglichen werden: die Masse der Überprognostizierung sollte gleich der Masse der Unterprognostizierung sein.

Hervorzuheben ist, dass die Benutzung der MSE gebrochene Werte für die Bedarfsprognose ergeben kann. So kann beispielsweise der erwartete tägliche Bedarf für einen Ladenhüter bei Werten zwischen 0 und 1 liegen.

Der Prognose-Engine erzeugt tägliche Durchschnittsprognosen, die nicht mit täglichen Mittelwertprognosen zu verwechseln sind. Letztere werden auch ausgeglichen, doch auf eine etwas andere Art: die ausgeglichene Mittelwertprognose liegt mit 50%iger Wahrscheinlichkeit über oder unter dem künftigen Bedarf, während bei Durchschnittsprognosen 50 % der Masse über oder unter dem künftigen Bedarf liegt.

Wann sind tägliche Prognosen ratsam

Tägliche periodische Prognosen funktionieren bei unregelmäßigem oder schwankendem Bedarf nicht gut. Diese Einschränkung ist eine direkte Folge der eigentlichen Natur der täglichen periodischen Prognosen, vielmehr als eine Einschränkung des Prognose-Engines. Tatsächlich bergen tägliche Durchschnitte vom Konzept her nicht viel Information über die Ungewissheit des Bedarfs. Die geschätzte Varianz, die auch vom Prognose-Engine zurückgegeben wird, löst dieses Problem in gewisser Hinsicht, doch nur sehr leicht.

Daher empfehlen wir grundsätzlich nicht, den periodischen Prognosemodus zu benutzen, wenn die eingegebenen Zeitreihen durchschnittlich nicht über 10 Einheiten pro Tag liegen. Unter 10 Einheiten liefern native probabilistische Prognoseansätze stets höhere operationale Ergebnisse.