Prognose mit Quantile Grids (2015)

Quantile Grids stellen eine radikale Verbesserung gegenüber klassischen Prognosemethoden dar, wenn es um Bestandsmanagement geht. Sie sind auch überlegen gegenüber Quantil-Prognosen, weil sie viel mehr Informationen über die Zukunft liefern. Traditionelle Prognosemethoden funktionieren schlecht, insbesondere im Handel. Die Ursache dieses Problems ist einfach: die Zukunft ist unsicher. Klassische Prognosen versuchen, den einen korrekten Wert der zukünftigen Nachfrage vorherzusagen, und nun ja, sie scheitern daran. Verzweifelt zu versuchen, klassische Prognosen zu reparieren, in der Hoffnung, dass die “korrekte” zukünftige Nachfrage vorhergesagt wird, ist illusorisch. Quantile Grids nehmen zu diesem Problem eine völlig andere Haltung ein.

Mit Quantile Grids sagt Lokad nicht einen zukünftigen Nachfragewert für ein bestimmtes Produkt voraus, sondern die gesamte Wahrscheinlichkeitsverteilung für die Nachfrage; das heißt, die Wahrscheinlichkeit, eine Nachfrage von null Einheiten, dann einer Einheit, dann zwei Einheiten usw. zu haben. Diese Information ist wesentlich reicher und kann auf Weisen genutzt werden, die bei weitem profitabler sind als klassische Prognosen.

Einführung für Nicht-Statistiker

Während Sie diese Zeilen lesen, fragen Sie sich vielleicht, wenn Sie kein Statistiker sind, ob Ihr Unternehmen überhaupt eine Chance hat, mit diesen sogenannten “Quantile Grids” etwas Vernünftiges zu tun. Das klingt eher wie ein guter Titel für eine Doktorarbeit in moderner Statistik als ein praktisches Mittel zur Prognose. Nun, wenn Sie denken, dass dieser Begriff einschüchternd ist, ersetzen Sie ihn einfach mental durch Prognosen, die tatsächlich funktionieren, und das wird es tun. Die überwiegende Mehrheit der Unternehmen, die Lokad nutzen, haben keinerlei Fähigkeiten in Statistik. Der Spam-Filter, der mit Ihrem Posteingang verbunden ist, verwendet auch fortschrittliche Statistiken, und es bedarf keines Doktorgrades, um einen Posteingang zu verwenden.

Lokad tut in etwa dasselbe für den Handel. Wir nutzen fortschrittliches maschinelles Lernen, um Ihr Unternehmen profitabler zu machen, und die Technologie dahinter ist mittlerweile so fortgeschritten, dass Sie sich eigentlich nicht mehr sehr darum kümmern müssen.

Im Folgenden beschreiben wir, was bei Lokad hinter den Kulissen passiert, aber seien Sie versichert, dass Sie Lokad auch dann nutzen können, wenn Sie kein vollständiges Verständnis dafür haben, was in unsere Prognose-Engine einfließt - ähnlich wie Sie einen Spam-Filter verwenden können, ohne mit der bayesschen probabilistischen Inferenz vertraut zu sein.

Prognose für den Handel neu denken

Viele Anbieter rühmen sich damit, “fortgeschrittene” Prognosemethoden wie ARIMA, Box-Jenkins und Holt-Winters zu verwenden, die tatsächlich fast ein halbes Jahrhundert alt sind; sie wurden alle zu einer Zeit konzipiert, als die leistungsstärksten Unternehmenscomputer weniger Rechenleistung hatten als die meisten Kühlschränke heutzutage. Die Menschen, die diese Methoden erfunden haben, waren außergewöhnlich klug, aber sie mussten mit den Rechenressourcen ihrer Zeit auskommen und bevorzugten daher Modelle, die mit sehr wenigen Berechnungen berechnet werden konnten. Heutzutage können wir für unsere Prognose-Herausforderungen massive Mengen an Rechenleistung zu sehr geringen Kosten nutzen.

Denken Sie daran, dass 1000 Stunden Rechenleistung weniger als 50 US-Dollar kosten, wenn Sie eine Cloud-Computing-Plattform verwenden. Offensichtlich eröffnet dies radikal neue Perspektiven für die Prognose, und genau diese Perspektiven hat Lokad umfassend erforscht. Quantile Grids stellen die dritte Version der Prognosetechnologie von Lokad dar, aber um das gesamte Bild zu erhalten, gehen wir einige Jahre zurück. Wir begannen 2008 mit klassischen Prognosen als erster Version unserer Prognosetechnologie, und trotz drei Jahren enormer F&E-Anstrengungen seitens des Teams von Lokad erwies sich der klassische Ansatz als Sackgasse. Wir haben es nie wirklich geschafft, dass ein Kunde mit klassischen Prognosen zufrieden war. Als wir mehr über die Erfahrungen unserer Kunden mit anderen Prognoseanbietern erfuhren, stellte sich heraus, dass es kein einziges Unternehmen gab, das mit der erworbenen Prognosetechnologie auch nur annähernd zufrieden war. Dieses Problem war nicht spezifisch für Lokad, und wir erkannten, dass die gesamte Prognosebranche dysfunktional war; und wir beschlossen, etwas dagegen zu tun.

Im Jahr 2012 veröffentlichte Lokad die zweite Version seiner Prognosetechnologie mit dem Codenamen Quantile Prognosen. Einfach ausgedrückt, adressieren Quantilprognosen das Nr. 1 Problem, das klassische Prognosen plagt: Klassische Prognosen betrachten einfach nicht das richtige Problem.

Tatsächlich besteht die Herausforderung für Unternehmen darin, zwei Extreme zu vermeiden: unerwartet hohe Nachfrage, die zu Lagerausfällen führt, und unerwartet niedrige Nachfrage, die zu totem Inventar führt. Was in der Mitte passiert, wenn die zukünftige Nachfrage ungefähr “wie erwartet” ist, spielt aus geschäftlicher Sicht kaum eine Rolle.

Klassische Prognosen, Mittelwert- oder Medianprognosen, ignorieren diese “extremen” Situationen vollständig und konzentrieren sich ausschließlich auf den Durchschnittsfall. Es ist nicht überraschend, dass klassische Prognosen sowohl bei der Vermeidung von Lagerausfällen als auch bei totem Inventar versagen. Quantilprognosen gehen die Herausforderung direkt an und betrachten direkt das interessierende Szenario, sagen wir, die Vermeidung von Lagerausfällen, und streben danach, eine präzise Antwort auf dieses Problem zu geben. Plötzlich hatten wir 2012 immer mehr zufriedene Kunden. Zum ersten Mal in der Geschichte von Lokad hatten wir, mehr als 3 Jahre nach dem Start des Unternehmens, etwas, das funktionierte.

Im Jahr 2015 veröffentlichte Lokad die dritte Version seiner Prognosetechnologie, die Quantil-Grids. Während Quantilprognosen bereits eine radikale Verbesserung gegenüber klassischen Prognosen darstellten, hatten sie immer noch ihre Schwächen. Als wir mehr und mehr Erfahrung mit Dutzenden von Bereitstellungen unserer Quantilprognosetechnologie sammelten, erkannten wir, dass die Idee, eine Prognose für nur “ein” Geschäftsszenario zu erstellen, zwar sinnvoll war, aber nicht vollständig war. Warum nur dieses eine Szenario? Warum nicht ein zweites Szenario oder ein drittes? Das manuelle Verwalten mehrerer Szenarien war mühsam, und wir erkannten, dass alle Szenarien gleichzeitig prognostiziert werden sollten. Aus einer Rechenperspektive war dies erheblich teurer: Für jedes Produkt würden wir die jeweiligen Wahrscheinlichkeiten (fast) jeder einzelnen Nachfrageebene berechnen. Die Menge der beteiligten Berechnungen erscheint jedoch enorm, und die Preise für Rechenressourcen sind in den letzten Jahren ebenfalls stark gefallen. Und was wir vor 5 Jahren als zu teuer angesehen hätten, war jetzt sehr erschwinglich. Im Jahr 2015 veröffentlichte Lokad die dritte Version seiner Prognosetechnologie, die Quantil-Grids. Obwohl sie extrem rechenintensiv sind, sind Quantil-Grids dank des freien Falls der Cloud-Computing-Ressourcen jetzt erschwinglich.

Die gesamte Wahrscheinlichkeitsverteilung der Nachfrage berücksichtigen

Die zukünftige Nachfrage ist unsicher. Der Versuch, die zukünftige Nachfrage mit nur einem Wert darzustellen, ist etwas naiv, da dieser Wert unabhängig davon, wie gut er sein kann, niemals die ganze Geschichte erzählen kann. Es wäre zwar schön, ein “magisches” System zu haben, das in der Lage ist, das genaue Niveau der zukünftigen Nachfrage vorherzusagen, aber das ist auch ziemlich illusorisch. Wenn Menschen versuchen, mit einer falschen Prognose umzugehen, ist es sehr verlockend, diese Prognose zu “reparieren”. Leider ist die statistische Prognose größtenteils gegenintuitiv, und die Realität ist, dass es oft nichts zu reparieren gibt: Der prognostizierte Wert ist eine der vollkommen gültigen und möglichen Ergebnisse für die zukünftige Nachfrage.

Das System kann möglicherweise ein wenig feinabgestimmt werden, um etwas wahrscheinlichere Werte für die zukünftige Nachfrage zu produzieren, aber das war’s auch schon. Ihr Unternehmen erhält nur etwas wahrscheinlichere Werte für die zukünftige Nachfrage, was nicht zu einem Geschäftsaufschwung führt, der im ersten Moment erwartet worden wäre.

Quantile Grids gehen einen sehr anderen Ansatz: Für jedes Produkt berechnet Lokad die jeweiligen Wahrscheinlichkeiten für jedes einzelne Niveau der zukünftigen Nachfrage. Anstatt zu versuchen, die Illusion aufrechtzuerhalten, dass die zukünftige Nachfrage bekannt ist, drücken Quantile Grids direkt die Wahrscheinlichkeiten aus, die mit vielen möglichen Zukunftsszenarien verbunden sind.

Wenn wir zum Beispiel ein selten verkauftes Produkt mit einer Vorlaufzeit von 2 Wochen betrachten, kann die Verteilung der Nachfrage über die nächsten 2 Wochen (normalerweise muss der Prognosehorizont der Vorlaufzeit entsprechen) für dieses Produkt wie folgt dargestellt werden:

Über die Zukunft aus einer vollständig probabilistischen Perspektive nachzudenken, mag kompliziert erscheinen, aber es repräsentiert tatsächlich das, was jeder Geschäftsführer bereits tut, wenn auch auf weniger formale Weise: die Chancen bestimmter Ergebnisse abwägen und die Wetten im Hinblick auf ihr Geschäft absichern, um gut vorbereitet zu sein, wenn es um die relevantesten Szenarien geht. Aus der Perspektive der Prognose-Engine besteht die logische Lösung, wenn wir im Voraus nicht wissen, welche die “relevantesten” Szenarien wären, wenn auch etwas brutal, darin, alle möglichen Szenarien zu verarbeiten. Wenn wir jedoch davon ausgehen, dass ein Unternehmen tausend Produkte prognostizieren muss (und einige unserer Kunden haben Millionen von SKUs zu bewältigen) und dass Lokad die Wahrscheinlichkeiten für 100 Szenarien für jedes Produkt berechnet, würden die Quantile Grids eine riesige Liste mit 100.000 Einträgen produzieren, die nicht praktikabel zu verarbeiten klingt. Wir kommen in diesem Abschnitt darauf zurück.

Priorisierung von Supply-Chain-Entscheidungen

Für jede Kaufentscheidung können wir eine einfache Back-of-the-Envelope-Berechnung, die “Outcome”-Formel, aufschreiben, die von der zukünftigen Nachfrage im Vergleich zur aktuellen Kaufentscheidung abhängt. Dann kann jede einzelne Entscheidung bewertet werden, weil sie auf der jeweiligen Wahrscheinlichkeit jedes Niveaus der zukünftigen Nachfrage basiert.

Nachfrageprognosen werden am häufigsten verwendet, um Supply-Chain-Entscheidungen wie die Erstellung von Bestellungen für den Handel oder die Auslösung einer Produktionscharge in einer industriellen Umgebung zu steuern. Sobald wir alle Wahrscheinlichkeiten mit allen zukünftigen Ergebnissen verbunden haben, ist es möglich, eine vollständige Prioritätenliste aller Kaufentscheidungen zu erstellen. Tatsächlich können wir für jede Kaufentscheidung eine einfache Back-of-the-Envelope-Berechnung aufschreiben, die “Outcome”-Formel: Unter der Annahme, dass die Nachfrage D Einheiten beträgt und unter der Annahme, dass wir P Einheiten kaufen, wird das finanzielle Ergebnis X sein. Lokad ist natürlich hier, um Ihnen bei der Erstellung dieser kurzen Formel zu helfen, die für die meisten Unternehmen auf die Bruttomarge minus die Lagerkosten und minus die Kosten für Lagerbestände reduziert wird. Folglich können wir, sobald wir diese Formel haben, für jede Supply-Chain-Entscheidung wie “Kauf von 1 Einheit Produkt Z” die Ergebnisse gegen die Wahrscheinlichkeiten jeder einzelnen möglichen Zukunft abwägen. Dadurch berechnen wir die “Punktzahl” jeder möglichen Entscheidung.

Sobald jede Entscheidung bewertet wurde, ist es möglich, all diese Entscheidungen zu rangieren und die profitabelsten Optionen an die Spitze der Liste zu setzen. Wir bezeichnen diese Liste als Master-Kaufprioritätsliste. Es ist eine Liste, auf der jedes Produkt auf zahlreichen Zeilen erscheint. Während der Kauf von 1 Einheit Produkt Z die am höchsten bewertete Kaufentscheidung sein kann (auch bekannt als die dringendste Kaufentscheidung), kann der Kauf der nächsten 1 Einheit Produkt Z nur die 20. dringendste Kaufentscheidung sein, wobei viele andere Einheiten anderer Produkte dazwischen gekauft werden müssen.

Die Masterliste beantwortet eine sehr einfache Frage: Wenn das Unternehmen einen zusätzlichen Dollar für seinen Lagerbestand ausgeben kann, wo sollte dieser Dollar zuerst hingehen? Nun, dieser Dollar sollte dem Artikel zugute kommen, der Ihrem Unternehmen den maximalen Ertrag bringt. Dann, sobald dieser bestimmte Artikel erworben wurde, kann man dieselbe Frage wiederholen. Dieses Mal ist jedoch, sobald diese eine zusätzliche Einheit erworben wurde, das nächste rentabelste zu kaufende Produkt wahrscheinlich ein anderes, da es starke abnehmende Erträge gibt, wenn man denselben Artikel in Ihrem Lager stapelt. Tatsächlich gilt: Je mehr Lagerbestand Sie haben, desto weniger dreht sich Ihr Lagerbestand und desto höher sind Ihre Wahrscheinlichkeiten, mit totem Lagerbestand stecken zu bleiben. Diese Probleme spiegeln sich natürlich in der “Outcome”-Formel und in der resultierenden Priorisierung der Liste wider.

Besser als das Feintuning von Service-Leveln

Die “optimale” Service-Level herauszufinden, das sind die gewünschten Wahrscheinlichkeiten, keinen Lagerbestand zu bekommen, ist eine sehr schwierige Übung. Dies ist ein komplexes Problem, weil Service-Level nur indirekt mit der finanziellen Leistung eines Unternehmens zusammenhängen. Tatsächlich kann es für einige Produkte äußerst teuer sein, ein zusätzliches Prozent Service-Level zu erhalten, und daher sollten, wenn Ressourcen verfügbar sind, diese lieber auf andere Produkte verteilt werden, bei denen dieselbe Investition nicht 1%, sondern ein zusätzliches 10% Service-Level bringen würde.

Mit Quantile Grids als Master-Kaufprioritätsliste muss man sich nicht einmal um Service-Level kümmern, da diese in der Priorisierung selbst nativ reflektiert werden.

Wenn der Service-Level eines hochmargigen Produkts billig erhöht werden kann, klettert dieses Produkt natürlich an die Spitze der Liste. Umgekehrt, wenn ein Produkt unter wild schwankenden Verkäufen leidet, die alle Versuche, den Service-Level zu erhöhen, extrem teuer machen, dann steigt dieses Produkt nur an die Spitze der Liste, wenn die Bestände gefährlich niedrig sind und wenn ein Unternehmen trotz sehr unregelmäßiger Nachfrage nicht mit totem Inventar endet. Die Prioritätsliste löst auch das Problem der Bargeldbeschränkungen. Unabhängig davon, wo Ihr Unternehmen in Bezug auf Bargeld steht, gibt Ihnen die Prioritätsliste eine handhabbare Option. Wenn Sie nur sehr wenig Bargeld zur Verfügung haben, kauft Ihr Unternehmen nur das, was ganz oben auf der Liste steht, und erhält nur die Bestände aufrecht, die dringend aufgefüllt werden müssen. Wenn Sie zusätzliches Bargeld zur Verfügung haben, hat Ihr Unternehmen die Möglichkeit, seinen Bestand zu erhöhen, indem es sich auf Artikel konzentriert, die das meiste Wachstum vorantreiben, während es die Bestandsrisiken unter Kontrolle hält.

Einbringen von Supply-Chain-Einschränkungen

Unternehmen müssen häufig mit Versorgungseinschränkungen wie Mindestbestellmengen entweder auf SKU-Ebene oder auf Bestellebene umgehen. Manchmal müssen Einheiten in großen Chargen wie Containern gesammelt werden. Solche Einschränkungen können über eine Master-Kaufprioritätsliste natürlicherweise in die Arbeitsabläufe eines Unternehmens integriert werden, wie oben beschrieben. Dies bietet nicht nur priorisierte Kaufvorschläge, sondern auch Empfehlungen, die mit den Bestellbeschränkungen kompatibel sind.

Der genaue Prozess, dem man folgen muss, hängt von den tatsächlichen Arten von Einschränkungen ab, mit denen ein Unternehmen konfrontiert sein kann. Betrachten wir zum Beispiel Containerlieferungen. Lokad kann die kumulierten Volumina pro Lieferant berechnen, unter der Annahme, dass Kaufzeilen in der Reihenfolge der Liste verarbeitet werden und dass jeder Lieferant unabhängig voneinander versendet. Basierend auf diesen kumulierten Volumina ist der Prozess, die Liste abzuarbeiten, bis die Zielcontainerkapazität erreicht ist, sehr einfach. Ebenso ist es bei einer Mindestbestellmengenbeschränkung für eine bestimmte SKU einfach, alle Zeilen aus der Liste zu entfernen, die vor Erfüllung der Beschränkung kommen, und die Mengen direkt an die erste Zeile zu melden, sobald die Beschränkung erfüllt ist.

Durch die Festlegung des Kaufs auf eine Mindestanzahl von N Einheiten wird die Wettbewerbsfähigkeit des SKU verringert, d.h. das SKU erscheint zuerst in der Liste an einer niedrigeren Stelle, was genau das beabsichtigte Verhalten ist, da die Bestandsrisiken mit Mindestbestellmengen zunehmen. Insbesondere löst dieser Ansatz die langjährigen Herausforderungen, die sowohl klassische als auch Quantilprognosen negativ beeinflusst haben: Was soll getan werden, wenn die vorgeschlagenen Nachbestellmengen über oder unter den Bestellbeschränkungen liegen? Wenn einige Einheiten entfernt werden müssen, welche Produkte sollten als Erstes entfernt werden? Wenn Einheiten hinzugefügt werden müssen, welche Produkte sollten in größeren Mengen gekauft werden? Ältere Prognosemethoden lieferten keine zufriedenstellenden Antworten auf diese Fragen. Mit einer Prioritäts-Kaufliste muss man nur der Reihenfolge der Liste folgen.