Probabilistische Prognosen (2016)
Probabilistische Prognosen verbessern Lokads vorherige, auf Quantilgittern beruhende Prognosetechnologie erheblich. Gegenüber klassischen Prognosemethoden stellen sie einen Durchbruch dar: Die deutlich höhere Genauigkeit führt zu operativen Vorteilen für Supply Chain, Bestandsmanagement und Produktion. Viele Unternehmen sind frustriert, weil Prognosen sie immer wieder im Stich lassen. Lokad brauchte Jahre, um die Ursache vollständig zu verstehen: Von traditionellen Prognoseansätzen wird erwartet, dass sie die richtigen Zahlen liefern. Die Zukunft ist jedoch unsicher. Liefert ein Werkzeug oder eine Lösung nicht die erwarteten richtigen Zahlen, bleiben auch die Vorteile aus. Probabilistische Prognosen berücksichtigen daher mehrere mögliche Entwicklungen und weisen jeder eine Wahrscheinlichkeit zu.
In dieser Folge von LokadTV erklären wir, wie probabilistische Prognosen den Betrieb von Supply Chains verbessern können. Wir besprechen ihre Genauigkeit und Grenzen, die anhaltende Bindung der Branche an traditionelle Methoden und die mögliche Zukunft der Prognose.
Die Unsicherheit annehmen
Unserer Erfahrung nach lässt sich dieses Problem weder durch noch so feine Anpassungen bestehender Modelle noch durch beliebig viel Forschung und Entwicklung an besseren Modellen im traditionellen Sinn beheben. Methoden wie die Sicherheitsbestandsanalyse sollen Unsicherheit berücksichtigen, behandeln sie in der Praxis aber erst nachträglich. Im Supply-Chain-Management bestimmen Extremereignisse die Kosten: Überraschend hohe Nachfrage verursacht Fehlbestände und frustrierte Kunden; überraschend geringe Nachfrage führt zu unverkäuflichen Beständen und kostspieligen Abschreibungen. Führungskräfte wissen, dass Unternehmen auf das Beste hoffen, sich aber auf das Schlimmste vorbereiten sollten. Entspricht die Nachfrage genau den Erwartungen, läuft alles reibungslos. Die Herausforderung besteht jedoch nicht darin, einfache Fälle gut zu bewältigen, bei denen selbst ein grober gleitender Durchschnitt ausreichen würde. Es geht um die schwierigen Fälle, die Ihre Supply Chain stören und alle in den Wahnsinn treiben.
Lokad hat mit probabilistischen Prognosen einen grundlegend neuen Prognoseansatz entwickelt. Vereinfacht gesagt schätzt eine probabilistische Nachfrageprognose nicht nur eine Nachfragemenge, sondern die Wahrscheinlichkeit jeder möglichen Entwicklung. Sie schätzt die Wahrscheinlichkeit einer Nachfrage von 0 (null) Einheiten, von 1 Einheit, von 2 Einheiten und so weiter. Jede Nachfragemenge erhält eine geschätzte Wahrscheinlichkeit, bis diese so klein wird, dass sie bedenkenlos vernachlässigt werden kann.
Probabilistische Prognosen eröffnen einen völlig neuen Blick auf die Zukunft. Statt dem Wunschdenken nachzugeben, die prognostizierten Zahlen müssten eintreffen, erinnern sie daran, dass alles möglich bleibt, aber nicht gleich wahrscheinlich ist. Wer sich auf das Schlimmste vorbereiten will, kann damit Risiken quantitativ gegeneinander abwägen. Traditionelle Prognosen bleiben für diese Risiken blind.
Während traditionelle Prognoseansätze Risiken meist erst nachträglich analysieren, stellt Lokad sie mit probabilistischen Prognosen in den Mittelpunkt.
Aus der Perspektive eines Praktikers
Probabilistische Prognosen mögen einschüchternd und sehr technisch klingen. Wer in der Supply Chain arbeitet, erstellt sie aber wahrscheinlich seit Jahren intuitiv: Denken Sie an Situationen, in denen Sie eine ursprüngliche Prognose nach oben oder unten korrigieren mussten, weil die Risiken zu groß waren. Genau darum geht es: reale Entscheidungen angesichts einer unsicheren Zukunft richtig abzuwägen. Während traditionelle Prognoseansätze Risiken meist erst nachträglich analysieren, stellt Lokad sie mit probabilistischen Prognosen in den Mittelpunkt.
Die Datenausgabe der probabilistischen Prognose-Engine sind Wahrscheinlichkeitsverteilungen. Praktisch betrachtet ist diese Information zwar extrem reichhaltig (es ist schließlich ein Einblick in viele mögliche Zukünfte!), jedoch recht unpraktisch in ihrer rohen Form zu nutzen. Deshalb stellt Lokad eine komplette Plattform, alle notwendigen Werkzeuge und Teamunterstützung bereit, damit Ihr Unternehmen diese Wahrscheinlichkeiten in geschäftliche Entscheidungen umsetzen kann, wie beispielsweise Nachbestellmengen.
Lokads Webanwendung kann große Datenmengen verarbeiten und ermöglicht die Geschäftslogik, die Prognosen in unternehmensspezifische Entscheidungen umsetzt. Diese Entscheidungen lassen sich an Ihre Supply-Chain-Beschränkungen, etwa Mindestbestellmengen (MOQ), Ihre wirtschaftlichen Treiber, etwa Verfallsrisiken, und Ihre Abläufe anpassen, beispielsweise Bestellungen, die täglich vor 8 Uhr morgens aufgegeben werden müssen.
Robotisierung durch Machine Learning
Supply-Chain-Management betrifft häufig viele Produkte, die zwischen zahlreichen Standorten bewegt werden. Traditionelle Prognoselösungen benötigen bei komplexeren statistischen Mustern, etwa neuen Produkten oder Produktlebenszyklen, oft umfangreiche manuelle Anpassungen. Lokads Erfahrung zeigt jedoch: Erfordert eine Prognoselösung Feinabstimmung, nimmt diese kein Ende. Egal, wie viele Arbeitswochen oder -monate in die Lösung fließen, es ist stets weitere Feinabstimmung nötig. Es gibt einfach zu viele Produkte und Standorte, und das Geschäft verändert sich laufend.
Deshalb hat sich Lokad für eine vollständige Robotisierung des Prognoseprozesses entschieden. Das bedeutet:
- Für die Erstellung von Prognosen ist kein statistisches Wissen erforderlich
- Eine manuelle Feinabstimmung der Prognosen ist nicht vorgesehen
- Es ist keine Wartung nötig, damit die Prognosen mit Ihrem Geschäft Schritt halten
Ein kleiner Nachteil ist, dass diese Algorithmen erheblich mehr Rechenleistung benötigen als ihre traditionellen Gegenstücke. Dieses Problem wird jedoch durch Cloud Computing gelöst, das die Prognose-Engine reibungslos laufen lässt, unabhängig von der Menge der verarbeiteten Daten.
Der Ursprung unserer probabilistischen Prognosen
Lokad hat probabilistische Prognosen nicht erfunden. Mathematiker entwickelten sie für ganz andere Aufgaben, etwa die Prognose von Rohstoffpreisen oder des Wetters. Auch Lokad nutzte sie nicht von Anfang an. Zunächst durchliefen wir die Stufen klassischer Prognosen (2008), der Quantilprognosen (2012) und der Quantilgitter (2015).
Probabilistische Prognosen sind somit die 4. Generation unserer Prognosetechnologie. Die Erfahrungen aus den vorherigen Versionen haben uns umfangreiches Wissen darüber vermittelt, wie sich eine Prognose-Engine für verschiedenste Geschäftssituationen entwickeln lässt.
Die grundsätzliche Idee, Wahrscheinlichkeiten statt eines Durchschnitts zu schätzen, entstand in unseren frühen Jahren, als wir noch versuchten, den klassischen Ansatz zum Laufen zu bringen. Es bedurfte einiger Misserfolge, um zu erkennen, dass der klassische Ansatz von Grund auf fehlerhaft war und dass keine Menge an F&E ein defektes statistisches Fundament reparieren konnte. Das statistische Fundament selbst musste zuerst korrigiert werden, um das Prognosemodell funktionsfähig zu machen.
Darüber hinaus war jede Iteration unserer Prognose-Engine eine Generalisierung – aus mathematischer Sicht – der vorherigen Version, wobei jede neue Generation unserer Prognose-Engine in der Lage ist, mehr Situationen zu bewältigen als die vorherige. Tatsächlich ist es besser, annähernd richtig zu liegen, als exakt falsch zu sein. Die schwierigsten Situationen treten auf, wenn die Prognose-Engine nicht in der Lage ist, Vorhersagen zu generieren, die optimal zu einer bestimmten Geschäftssituation passen, weil die Engine nicht ausdrucksstark genug ist. Oder wenn die Prognose-Engine die Eingabedaten, die tatsächlich relevant wären, um statistische Erkenntnisse über eine gegebene Situation zu gewinnen, nicht verarbeiten kann, weil auch hier die Ausdruckskraft fehlt. Bei Lokad ist die Prognose ein fortlaufender Prozess. Wir sind zwar stolz auf das, was wir mit unserer probabilistischen Prognose-Engine aufgebaut haben, aber dies ist nicht das Ende unserer Bemühungen. Anders als bei On-Premise-Lösungen, bei denen ein Upgrade auf ein neues Tool eine eigene Herausforderung darstellt, profitieren Lokads Kunden von unserer nächsten Generation der Prognose-Engine, sobald sie verfügbar wird.
Unsere Prognose-FAQ
Welche Prognosemodelle verwenden Sie?
Wir verwenden viele Prognosemodelle. Die meisten der heutzutage verwendeten Modelle würden als Machine Learning-Algorithmen betrachtet. Diese Modelle wurden von Lokad entwickelt und haben typischerweise keine benannten Pendants in der wissenschaftlichen Literatur. Als wir im Jahr 2008 begannen, hatten wir alle Klassiker (Box-Jenkins, ARIMA, Holt-Winters, exponentielle Glättung usw.) neu implementiert; aber diese Modelle gerieten in Vergessenheit, da sie einfach nicht mit unseren neuesten Modellen konkurrieren können.
Wie wählen Sie das bzw. die zu verwendenden Modelle aus?
Die Auswahl des richtigen Modells oder der richtigen konvexen Kombination von Modellen ist bereits die halbe Miete, wenn es darum geht, eine gute Prognose zu erstellen. Aus statistischer Sicht wäre ein System, das stets das “beste” Modell auswählen könnte, gleichbedeutend mit einem System, das immer die “perfekten” Vorhersagen liefert. In der Praxis stützt sich unsere Prognose-Engine stark auf Backtesting, um die beste Modellauswahl zu treffen.
Berücksichtigt Ihre Prognose-Engine Saisonalitäten, Trends, Wochentage?
Ja, die Prognose-Engine berücksichtigt alle gängigen Zyklen. Unsere Modelle analysieren außerdem umfassend mehrere Zeitreihen gemeinsam. So nutzen sie die bei anderen Produkten beobachteten Zyklen, um die Prognose für ein einzelnes Produkt zu verbessern. Zwei Produkte können dieselbe Saisonalität, aber unterschiedliche Wochentagsmuster aufweisen. Auch dafür haben wir Modelle.
Welche Daten benötigen Sie?
Für Nachfrageprognosen benötigt die Prognose-Engine mindestens die tägliche historische Nachfrage; eine nicht aggregierte Bestellhistorie ist noch besser. Je länger die Historie, desto besser. Mit weniger als 2 Jahren lässt sich keine Saisonalität erkennen; 3 Jahre halten wir für gut, 5 Jahre für ausgezeichnet. Für Lieferzeitprognosen müssen die Einkaufsbestellungen in der Regel sowohl Bestell- als auch Lieferdaten enthalten. Produkt- oder SKU-Attribute verfeinern die Prognosen erheblich. Ihre Bestandsdaten helfen uns außerdem, eine erste aussagekräftige Bestandsanalyse zu erstellen.
Können Sie meine Excel-Tabelle prognostizieren?
Als Faustregel gilt: Wenn alle Ihre Daten in eine einzige Excel-Tabelle passen, können wir in der Regel nicht viel für Sie tun; und ehrlich gesagt, kann das auch niemand. Tabellendaten werden vermutlich wöchentlich oder monatlich aggregiert, wodurch ein Großteil der historischen Informationen verloren geht. Außerdem enthält Ihre Tabelle in diesem Fall auch nicht viele Informationen über die Kategorien und Hierarchien, die auf Ihre Produkte zutreffen. Unsere Prognose-Engine nutzt alle Ihre Daten, und ein Test an einer winzigen Stichprobe liefert in der Regel keine befriedigenden Ergebnisse.
Wie sieht es mit Fehlbeständen und Werbeaktionen aus?
Fehlbestände und Verkaufsaktionen verzerren historische Absatzdaten. Da wir Nachfrage und nicht Absatz prognostizieren wollen, müssen wir diese Verzerrung berücksichtigen. Ein verbreiteter, aber falscher Ansatz schreibt die Historie um, füllt Lücken und kappt Spitzen. Wir lehnen ihn ab, weil dabei Prognosen als Eingaben in die Prognose-Engine gelangen, was erhebliche Überanpassung verursachen kann. Stattdessen verarbeitet unsere Engine unmittelbar Kennzeichnungen dafür, wo Nachfrage zensiert oder erhöht wurde.
Prognostizieren Sie neue Produkte?
Ja, das tun wir. Allerdings benötigt die Engine zur Prognose neuer Produkte die Startdaten der anderen „älteren“ Produkte sowie deren historische Nachfrage zum Zeitpunkt des Launches. Außerdem wird empfohlen, einige Ihrer Produktkategorien und/oder eine Produkt-Hierarchie anzugeben. Die Engine prognostiziert tatsächlich neue Produkte, indem sie die „älteren“ Produkte automatisch erkennt, die als vergleichbar zu den neuen angesehen werden können. Da jedoch für die neuen Artikel bislang keine Nachfrage beobachtet wurde, stützen sich die Vorhersagen vollständig auf die Attribute, die mit ihnen assoziiert sind.
Ist es möglich, die Vorhersagen anzupassen?
Fast ein Jahrzehnt Erfahrung in der statistischen Prognose hat uns unzählige Male gelehrt, dass das Anpassen von Vorhersagen niemals eine gute Idee ist. Wenn Vorhersagen angepasst werden müssen, liegt wahrscheinlich ein Fehler in der Prognose-Engine vor, der behoben werden muss. Wenn kein Fehler zu beheben ist und die Vorhersagen aus statistischer Sicht wie erwartet durchgeführt werden, ist das Anpassen wahrscheinlich die falsche Lösung für das Problem. In der Regel spiegelt der Bedarf, Vorhersagen anzupassen, die Notwendigkeit wider, einen wirtschaftlichen Treiber irgendeiner Art zu berücksichtigen, der die Risikoanalyse „aufbauend“ auf der Vorhersage beeinflusst, jedoch nicht die Vorhersage selbst.
Haben Sie Erfahrung mit meiner Branche?
Wir haben Erfahrung mit vielen Branchen: Mode, frische Lebensmittel, Konsumgüter, Elektronik, Ersatzteile, Luft- und Raumfahrt, Leichtindustrie, Schwerindustrie usw. Wir betreuen auch verschiedene Arten von Akteuren der Industrie: E-Commerce-Unternehmen, Großhändler, Importeure, Hersteller, Distributoren, Einzelhandelsketten usw. Der einfachste Weg, um sicherzustellen, dass wir Erfahrung mit Ihrer Branche haben, besteht darin, dass Sie direkt mit uns Kontakt aufnehmen.
Nutzen Sie externe Daten, um die Vorhersagen zu verfeinern?
Nein. Obwohl Ihre Vorhersagen von all dem Know-how und der umfassenden Systemoptimierung profitieren, die wir durch die Zusammenarbeit mit anderen Kunden erworben haben, enthalten Ihre Vorhersagen keine Daten, die aus externen Quellen stammen – weder von anderen Lokad-Kunden noch aus öffentlichen Datensätzen. Ebenso werden Ihre Daten ausschließlich für Zwecke verwendet, die ausdrücklich mit Ihrem Unternehmenskonto verknüpft sind, und für nichts weiter.