Den Prognose-Engine verstehen

Den Prognose-Engine verstehen












Startseite » Ressourcen » Hier

Mit Prognose-Engine ist die spezifische Komponente Lokads gemeint, die für die eigentliche prädiktive Analyse verantwortlich ist. Bei diesem Engine handelt es sich um eine erweiterte Software, die treffend unter die Kategorie maschinelles Lernen fällt. Außerdem unterscheidet sich dieser Engine deutlich von den Tools für klassische Prognosen, die gewöhnlich auf die Prognose von Zeitreihen abzielen. In diesem Artikel erläutern wir, was der Engine macht und wie es sich von klassischen Tools bei der Lieferung von korrekten Ergebnissen, bezüglich der Lieferkette betrifft, unterscheidet

Integrierte Prognosen vs. periodische Prognosen

Die klassische Perspektive der Zeitreihen stellt tägliche, wöchentliche oder monatliche periodische Prognosen in den Mittelpunkt. In diesen Fällen werden Daten als periodische Zeitreihen dargestellt und somit wird auch erwartet, dass Prognosen auch als Zeitreihen dargestellt werden. Während diese Sicht für manche Bereiche, wie etwa Prognosen von Energieverbrauch oder Straßenverkehr, durchaus sinnvoll sein kann, konnten wir feststellen, dass dieser Ansatz bei der Optimierung von Lieferketten schlecht funktioniert.

Periodische Prognosen stimmen nämlich nicht mit der Realität des Lieferkettenmanagements überein: Beträgt die zu berücksichtigende Durchlaufzeit 10 Tagen, sollten dann die täglichen Prognosen bis 10 Tage davor zusammengerechnet werden? Oder sollte man eine wöchentliche Prognose und 3 tägliche Prognosen addieren? Als Faustregel ist die Summe von Prognosen statistisch betrachtet ein absolutes Tabu: die Prognose der Summe ist nicht gleich der Summe der Prognosen. Daher wäre es bei einer Durchlaufzeit von 10 Tagen die Aufgabe des Prognose-Tools, eine Prognose 10 Tage im Voraus zu liefern und nicht eine Reihe von Zwischenprognosen, die zur gewünschten Prognose verarbeitet werden.

Folglich erstellt Lokads Prognose-Engine keine täglichen, wöchentlichen oder monatlichen Prognosen. Stattdessen, berechnet es die zur Durchlaufzeit passende Bedarfsprognose. Außerdem wird erwartet, dass die Durchlaufzeit eine eigene probabilistische Vorhersage ist. Dieses Verhalten mag auf den ersten Blick etwas verwirrend klingen, doch leider ist der Gedanke, dass beliebige Prognosen durch die Summe von periodischen Prognosen genau zusammengesetzt werden kann, in den meisten Lieferkettenfällen eine Wunschvorstellung.

Probabilistische Vorhersagen vs. Mittelwertprognosen

Klassische Prognose-Tools drehen sich um Durchschnitts- oder manchmal um Mittelwertprognosen. Doch, wenn es um die Optimierung der Lieferkette geht, bewegen sich die Unternehmenskosten in Extremwerten. Zu Fehlbeständen kommt es nämlich, wenn die Nachfrage besonders hoch ist. Ähnlich hierzu, entsteht toter Bestand, wenn der Bedarf zu niedrig ist. Wenn der Bedarf in etwa der Prognose entspricht, schwankt der Bestand leicht, doch im Großen und Ganzen läuft die Lieferkette reibungslos. Durch die Nutzung von „Durchschnittsprognosen“ oder Mittelwertprognosen, leiden klassische Tool unter dem Streetlight-Effect. So kann an erster Stelle, unabhängig von der Qualität der zugrunde liegenden statistischen Analysen, nicht die richtige Frage beantwortet werden.

Im Gegensatz hierzu, liefert Lokads Prognose-Engine probabilistische Vorhersagen, bei denen die entsprechenden Wahrscheinlichkeiten jeder möglichen künftigen Ereignisse (1) geschätzt werden. Im Vergleich zu Vorhersagen eines Einzelwertes, wie Durschnitts- oder Mittelwertprognosen, bieten diese Wahrscheinlichkeiten einen Einblick in die Zukunft mit weitaus mehr Granularität. Durch probabilistische Prognosen erhält man die Möglichkeit, die Risiken und Chancen der Lieferkette genauer einzustellen. Konkret können für jede Entscheidung bezüglich der Lieferkette, wie etwa den Kauf einer zusätzlichen Bestandseinheit für eine bestimmte SKU, die groben finanziellen Ergebnisse (2) für einen bestimmten künftigen Bedarfswert berechnet werden. Dementsprechend kann man alle möglichen künftigen Entscheidungen (3) auf Grundlage „gewichteter“ finanzieller Ergebnisse treffen, indem finanzielle Schätzungen mit Wahrscheinlichkeiten kombiniert werden.

(1) Dennoch werden, um die Berechnungen in der Praxis auch ausführbar zu gestalten, Wahrscheinlichkeiten, die zu niedrig sind, auf null abgerundet. Somit wird nur ein endliches Einstellungs-Set analysiert.

(2) Gehen wir davon aus, dass wir eine Einheit jetzt kaufen und der künftige Bedarf 5 ist (d.h., wir werden 5 Einheiten verkaufen) und wir am Ende des Zeitraums einen Bestands von 2 Einheiten haben. Wenn wir annehmen, dass die Bruttogewinnspanne 10 ist und die Lagerhaltungskosten pro Zeitraum für jede nicht verkaufte Einheit bei 15 liegt, wäre der Nettogewinn 5 x 10 – 2 x 15 = 20.

(3) Die Priorisierung künftiger Entscheidungen mag nach einer furchtbar komplexen Aufgabe klingen, doch Lokads Technologie ist genau auf dieses Problem zugeschnitten. Diese Technologie unterscheidet sich auch vom eigentlichen Prognose-Engine.

Fiktives Dataset und synthetische Datenmuster

Manche Fachkräfte, die in der Vergangenheit vielleicht schon einmal mit einem Prognose-Toolkit gearbeitet haben, könnten gereizt sein, Lokad einem Testvergleich mit Zeitreihen, die einige Dutzende Datenpunkte enthalten, zu unterziehen, um zu sehen, wie es funktioniert. Außerdem könnte man auch testen wollen, wie Lokad auf einfache Muster, wie etwa lineare Trends oder eine perfekt saisonabhängige Zeitreihe reagiert. Obwohl dies erstaunlich klingen mag, ist die Leistung unseres Prognose-Engines in solchen Fällen nicht sehr stark. Leider ist dieses etwas „schwächere“ Verhalten nötig, um in tatsächlichen Fällen gute Ergebnisse zu erzielen.

Eine der wichtigsten Anforderungen an unseren Prognose-Engine ist, dass dieser genaue Prognosen liefert und hierbei keine manuelle statistische Feineinstellung benötigt. Um dies zu erreichen, hat Lokad den Prognose-Engine bereits mit hunderten gut quantifizierten Datasets aus der Praxis abgestimmt. Synthetische Datenmuster, wie etwa perfekt lineare Trends oder perfekt zyklische Zeitreihen sind Muster, die in reellen Datasets selten auftreten. Folglich werden solche synthetischen Datenmuster, trotz ihrer Einfachheit, nicht in Betracht gezogen. Was wäre denn der Sinn davon, „gute“ Ergebnisse auf Grundlage „falscher“ Daten zu liefern, wenn somit „schlechte“ Ergebnisse auf „wahre“ Daten erzielt werden? Unserer Erfahrung nach ist ein guter Prognose-Engine konservativ, was die Auswahl des Prognosemodells betrifft. Die Einführung einer „perfect Fit-Lösung“ für ein lineares Regressionsmodell zum ausschließlichen Erfolg bei fiktiven Datasets ist geradezu schädlich, da dieses Modell in Fällen benutzt werden könnte, für die es nicht geeignet ist.

Außerdem stützt sich unser Prognose-Engine, um all diese manuellen Feinabstimmungen zu vermeiden, stark auf Algorithmen für maschinelles Lernen. Folglich benötigt der Engine einen erheblichen Dataset, um zu funktionieren. In der Tat, nimmt der Prognose-Engine seine eigenen Einstellungen vor, indem es verschiedene statistische Analysen des Datasets durchführt. Doch, wenn der Dataset im Allgemeinen zu klein ist, kann der Prognose-Engine sich nicht einmal initialisieren. Als Faustregel müssen mindestens 1000 historische Datenpunkte über 100 SKUs vorhanden sein, um ein aussagekräftiges Ergebnis zu erhalten. In der Praxis erreiche sogar kleine Online-Betriebe mit einem jährlichen Umsatz unter 1 Million € 10.000 Datenpunkte über mehr als 200 SKUs. Daher ist diese Anforderung an Daten des Prognose-Engines, sehr gering, jedoch nicht so gering, dass man erwarten kann, dass der Prognose-Engine auf einem „fiktiven“ Dataset arbeitet.

Datenanforderungen des Prognose-Engines

Hier bieten wir Ihnen eine kurze Checkliste zu den Mindestanforderungen an Daten des Prognose-Engines:

  • Artikel: mindestens 100, besser 500, am besten 2000+
  • Artikelattribute: mindestens 1, besser 3, am besten 5+
  • vergangene Verkaufsaufträge: mindestens 1000, besser 10000, am besten 50,000+
  • vergangene Kaufbestellungen: mindestens 50, besser 500, am besten 2000+
  • Länge der Historie in Montane: mindestens 3, besser 18, am besten 36+

Mit „Artikel“ sind SKUs, Produkte, Teilanzahl, Strichcodes, oder anderen Elemente, die je nach Fall einer Prognose bedürfen, gemeint.

Bestellungen sind für die Prognose der Durchlaufzeiten nötig. Diese werden anfänglich oft ausgelassen. Doch eine falsche Schätzung der Durchlaufzeit kann verheerende Folgen für Ihre Lieferkette haben, weshalb wir definitiv empfehlen, diese Daten, immer, wenn möglich, anzugeben.

Die Eingabedaten können zusätzlich bereichert werden, indem man die Historie von Fehlbeständen und Aktionen eingibt. Tatsächlich unterstützt der Prognose-Engine viel komplexere Datenszenarien. Dieser Abschnitt konzentriert sich nur auf die „erforderlichen“ Daten.

Makro-Prognosen und Prognosen hoher Frequenz

Lokads Prognose-Engine ist besonders für die Lieferketten im Handel und der Herstellung angepasst. Diese Fälle zeichnen sich durch viele SKUs und unregelmäßigen Bedarf aus. Genau in solchen Situationen, hebt sich unser Prognose-Engine ab. Gleichzeitig gibt es auch andere Prognosearten, die nicht unserer Technologie angepasst sind.

Makroprognosen, die Prognosen von hoch-aggregierte Zeitreihen, die gewöhnlich sehr lang und sehr glatt sind, wenn man sich um die vorhandenen Zyklen kümmert, sind nicht Lokads Stärke. Solche Szenarien treten beispielsweise bei Prognosen zum Energieverbrauch, zum Verkehr auf Autobahnen, zu Cash-Flow, zu eingehenden Anrufen, etc. auf. Unser Prognose-Engine ist auf die Prognose vieler Artikel angepasst, bei denen man deutlich von den Korrelationen der Artikel profitieren kann.

Auch Prognosen mit hoher Frequenz, bei denen es um Zeitreihen mit Tages-Granularität geht, werden von Lokad nicht übernommen. In diesen Fällen werden hauptsächlich finanzielle Prognose, sowie Prognosen zu Börsen oder Warebörsen, behandelt. Hier liegt die Herausforderung darin, dass statistische Muster bereits, von anderen Personen, ausgeschöpft sind und somit selbst einen Einfluss auf die Zukunft haben. Dieser Fall unterscheidet sich sehr von Lieferketten, bei denen Bedarfsprognosen nur einen bescheidenen Einfluss (4) auf den beobachteten künftigen Bedarf haben.

(4) Es wäre nicht richtig zu sagen, dass sich Bedarfsprognosen überhaupt nicht auf den Bedarf auswirken. Beispielsweise erhöht eine große Nachfrage nach einem Produkt in einem bestimmten Geschäft dessen Aufstellung und somit auch den Bedarf. Doch solche Muster sind bei Lieferketten eher geringfügig.