Prognose mit Quantiltabellen - Software zur Bestandsoptimierung

Prognostizierung mit Quantiltabellen

Prognosetechnologie » Hier

Update Mai 2016: Probabilistische Vorhersagen überholen die Quantiltabellen (Prognose-Engine der vierten Generation).

Quantiltabellen stellen eine grundlegende Verbesserung gegenüber klassischen Prognosemethoden dar, wenn es um Bestände geht. Sie sind auch den Quantil-Prognosen überlegen, da sie deutlich mehr Information über die Zukunft liefern.

Image Herkömmliche Prognosemethoden funktionieren, besonders im Betrieb, schlecht. Der Hauptgrund dieses Problems ist einfach: die Zukunft ist ungewiss. Klassische Prognose versuchen den einzigen richtigen Wert für den künftigen Bedarf zu bestimmen und schaffen es nicht. Es ist nämlich eine Wahnidee, mit allen Mitteln zu versuchen, klassische Prognosemethoden so anzupassen, dass sie den "richtigen" künftigen Bedarf prognostizieren. Quantiltabellen, hingegen, nähern sich dem Problem mit einem vollkommen anderen Ansatz an. Über Quantiltabellen prognostiziert Lokad nicht einen Wert für den künftigen Bedarf eines bestimmten Produkts, sondern die gesamte Wahrscheinlichkeitsverteilung des Bedarfs - d.h. die Wahrscheinlichkeit, einen Bedarf von 0 Einheiten zu haben, dann von einer Einheit, von zwei Einheiten, usw. Diese Information ist deutlich breiter und deren Nutzung viel rentabler als die von klassischen Prognosen.

Einführung für Nichtstatistiker

Wenn Sie dies lesen und kein Statistiker sind, werden Sie sich womöglich fragen, ob Ihr Unternehmen überhaupt eine Chance hat, etwas Sinnvolles mit diesen „Quantiltabellen“ anzufangen. Schließlich hört sich das mehr nach dem Titel einer Doktorarbeit in moderner Statistik, als nach praxisnahen Prognosen an. Sollten Sie den Begriff „Quantiltabellen“ als bedrohlich empfinden, ersetzen Sie ihn doch in Ihrem Kopf einfach durch „Prognosen, die auch wirklich funktionieren“. Die große Mehrheit der Unternehmen, die Lokad nutzen, hat tatsächlich keine Statistikkenntnisse. Auch der Spamfilter Ihres Postfachs basiert auf erweiterte Statistik und Sie brauchen kein Doktorat, um ihn zu benutzen. Lokad bietet etwas Ähnliches für Betriebe an. Durch fortgeschrittenes Maschinelles Lernen unterstützen wir Sie dabei, Ihren Gewinn zu erhöhen. Die Technologie, die sich dahinter verbirgt, ist heutzutage schon so weit entwickelt, dass Sie sich nicht mehr so viel damit auseinandersetzen müssen. Weiter unten beschreiben wir, was bei Lokad im Hintergrund abläuft. Aber machen Sie sich keine Gedanken, auch wenn Sie nicht alles, was in unserem Prognose-Engine vorgeht, verstehen, können Sie Lokad benutzen - sowie sie auch einen Spamfilter nutzen können, ohne etwas über Bayessche Statistik zu wissen. Entwicklung von Prognosen für den Betrieb von Grund auf

Viele Unternehmer sind stolz darauf, „erweiterte“ Prognosemethoden wie ARIMA, Box-Jenkins und Holt-Winters zu nutzen, die bald ein halbes Jahrhundert alt sein werden. Sie wurden zu einer Zeit entwickelt, in der die leistungsstärksten Unternehmenscomputer weniger Rechenleistung hatten als die meisten Kühlschränke heutzutage. Die Personen hinter diesen Ideen waren außergewöhnlich klug, aber ihnen standen nur die damaligen Computerressourcen zur Verfügung, daher bevorzugten sie Modelle, die mit sehr wenigen Berechnungen kalkuliert werden konnten. Heutzutage können wir für unsere Prognoseherausforderungen eine unglaubliche Rechenleistung zu geringen Kosten einsetzen. Methoden wie ARIMA, Box-Jenkins und Holt-Winters ... wurden zu einer Zeit entwickelt, in der die leistungsstärksten Unternehmenscomputer weniger Rechenleistung hatten als die meisten Kühlschränke heutzutage. Man bedenke nur, dass 1.000 Stunden Rechenleistung weniger als 50$ kosten, wenn eine Cloud-Computing-Plattform eingesetzt wird. Das führt logischerweise zu ganz neunen Ansätzen in der Prognose und genau mit diesen Ansätzen hat sich Lokad gründlich auseinandergesetzt.

Quantiltabellen stellen die dritte Version von Lokads Prognosetechnologie dar. Aber lassen Sie uns einige Jahre zurückblicken, um die Entwicklung zu verstehen. Begonnen haben wir 2008 mit klassischen Prognosen, als erste Version unserer Prognosetechnologie. Nach drei Jahren vollem F&E-Einsatz im Lokadteam, waren wir mit dem klassischen Ansatz in einer Sackgasse gelandet. Wir konnten unsere Kunden mit dem klassischen Ansatz nie ganz zufrieden stellen. Je mehr wir von der Erfahrung unsere Kunden mit anderen Prognosediensten lernten, erfuhren wir, dass keine einzige Firma nicht einmal annähernd mit der Prognosetechnologie, die sie benutzten, zufrieden war. Also lag das Problem nicht nur an Lokad. Wir bemerkten, dass die gesamte Prognoseindustrie nicht richtig funktioniert und beschlossen, etwas dagegen zu tun.

2012 stellte Lokad die zweite Version ihrer Prognosetechnologie vor, namens Quantil-Prognosen. Vereinfacht könnte man sagen, dass Quantil-Prognosen das hauptsächliche Hindernis der klassischen Prognosen löst: klassische Prognosen beschäftigen sich nämlich nicht mit dem richtigen Problem. Tatsächlich ist die Herausforderung der Unternehmen, zwei Extremsituationen zu vermeiden: unerwartet hoher Bedarf, der zu Fehlbeständen führt, und unerwartet geringer Bedarf, der Lagerüberschüsse verursacht. Was dazwischen passiert, wenn der künftige Bedarf ungefähr „wie erwartet“ ist, ist aus der Sicht der Unternehmen nicht wichtig. Doch klassische Prognosen ignorieren diese „Extremfälle“ vollkommen und konzentrieren sich ausschließlich auf die durchschnittlichen Fälle. Kein Wunder, dass klassische Prognosen Fehlbestände und tote Lagerbestände nicht erfolgreich verhindern können. Quantilprognosen hingegen gehen das Problem direkt und praktisch an und arbeiten dort wo es behoben werden soll, also beispielsweise, um Fehlbestände zu verhindern, und versuchen eine eindeutige Lösung für dieses spezifische Problem zu liefern. So hatten wir 2012, mit immer mehr zufriedenen Kunden, erstmals in Lokads Geschichte, drei Jahre nach Gründung, etwas entwickelt, das auch wirklich funktionierte.

2015 stellte Lokad die dritte Generation seiner Prognosetechnologie vor, die Quantiltabellen. Obwohl Quantil-Prognosen schon eine deutliche Verbesserung gegenüber klassischen Prognosen darstellten, hatten sie noch einige Schwachstellen. Umso mehr wir über die Dutzenden Einsätze mit unserer Technologie mit Quantil-Prognosen lernten, bemerkten wir, dass obwohl die Idee, eine Prognose für nur „ein“ Unternehemnsszenario zu erstellen vernünftig war, diese gleichzeitig auch unvollständig war. Weshalb nur dieses eine Szenario? Warum nicht ein zweites oder gar ein drittes? Doch die manuelle Einstellung mehrere Szenarien stellte sich als mühsam heraus und wir begriffen, dass alle Szenarien gleichzeitig berechnet werden müssten. Aus der Sicht der dafür notwendigen Rechenleistung war dies deutlich teurer, da wir für jedes Produkt die Wahrscheinlichkeit (fast) jedes Bedarfs berechnen. Auch die anfangs erstaunlich wirkende Menge an Rechenleistung ist nun dank der drastisch fallenden Preise für Rechenressourcen in den letzten Jahren überwindbar. Was wir vor fünf Jahren als zu teuer angesehen hätten, ist heute viel erschwinglicher.

2015 stellte Lokad die dritte Generation seiner Prognosetechnologie vor, die Quantiltabellen. Obwohl sie viel Rechenleistung in Anspruch nehmen, sin Quantiltabellen dank des rückartigen Falls der Cloud-Computing-Ressourcen erschwinglich.

Erhalt der gesamten Wahrscheinlichkeitsverteilung des Bedarfs

keine Normalverteilung in Bestandsprognose

Der zukünftige Bedarf ist ungewiss. Jeglicher Versuch, den zukünftige Bedarf mit nur einem Wert darzustellen ist zu stark vereinfacht, denn auch wenn dieser Wert noch so gut ist, wird es nie das ganze Bild zeigen. Natürlich wäre es schön ein „magisches“ System zu habe, das den genauen zukünftigen Bedarf prognostizieren könnte, doch dies ist auch eine Wahnidee. Wenn Leute versuchen, eine falsche Prognose zu benutzen, ist es verlockend, zu versuchen, diese Prognose zu „reparieren“. Leider sind statistische Prognosen nicht sehr intuitiv und in Wirklichkeit ist oft nichts zu reparieren: der prognostizierte Wert ist eines der plausiblen und möglichen Ergebnisse des zukünftigen Bedarfs. Das System kann vielleicht abgestimmt werden, um etwas wahrscheinlichere Werte für den zukünftigen Bedarf zu erstellen, aber viel mehr kann nicht unternommen werden. Ihr Unternehmen erhält lediglich etwas wahrscheinlichere Werte für den zukünftigen Bedarf, was aber auch nicht zu der anfangs erhofften Erhöhung der Geschäftstätigkeit führt.

Quantiltabellen wenden einen komplett anderen Ansatz an: Lokad berechnet für jedes Produkt die Wahrscheinlichkeit für jeden einzelne Stufe des zukünftigen Bedarf. Anstatt weiterhin den Glauben zu verbreiten, dass der zukünftige Bedarf bekannt ist, drücken Quantiltabellen die Wahrscheinlichkeit der möglichen zukünftigen Werte direkt aus. Nimmt man ein selten verkauftes Produkt her, mit einer Durchlaufzeit von 2 Wochen, kann die Verteilung des Bedarfs in den nächsten 2 Wochen (normalerweise stimmt der Prognosehorizont mit der Durchlaufzeit überein) wie folgt dargestellt werden:

BedarfWahrscheinlichkeit
0 Einheiten 55%
1 Einheit 20%
2 Einheiten 14%
3 Einheiten 7%
4 Einheiten 3%
5 Einheiten 0% (gerundet)

Die Zukunft ausschließlich aus der Sicht der Wahrscheinlichkeit zu betrachten kann kompliziert klingen, aber eigentlich unterscheidet es sich nicht von der Arbeit der Geschäftsführer, allerding auf eine etwas weniger formale Weise: es geht darum, die Wahrscheinlichkeit verschiedener Ergebnisse abzuwägen und das Unternehmen abzusichern, um für die wichtigsten Szenarien vorbereitet zu sein.

Aus der Perspektive des Prognose-Engines, da die „wichtigsten“ Szenarien im Voraus unbekannt sind, wäre die logische Lösung, wenn auch vielleicht etwas übertrieben, alle möglichen Szenarien zu berechnen. Quantiltabellen wenden einen komplett anderen Ansatz an: Lokad berechnet für jedes Produkt die Wahrscheinlichkeit für jeden einzelne Stufe des zukünftigen Bedarf. Doch wenn man davon ausgeht, dass ein Unternehmen für Tausend Produkte Prognosen benötigt (manche unserer Kunden müssen sogar mit Millionen SKUs umgehen) und dass Lokad die entsprechende Wahrscheinlichkeit für 100 Szenarien für jedes Produkt ausrechnet, würden die Quantiltabellen ein Ergebnis mit über 100.000 Einträgen liefern. Das ist natürlich nicht allzu praktisch. Aber das erklären wir im nächsten Punkt.

Für jede Kaufentscheidung können wir eine einfache Rechnung schreiben, die „Ergebnisformel“, die von dem künftigen Bedarf vs. den derzeitigen Kaufentscheidungen. So kann jede Entscheidung auf Grundlage der entsprechenden Wahrscheinlichkeit jeder künftigen Stufe des Bedarfs bewertet werden.

Priorisierung von Entscheidungen der Supply Chain

Bedarfsprognosen werden oft bei Entscheidungen bzgl. der Supply Chain herangezogen, wie etwa bei der Tätigung von Bestellungen oder der Auslösung einer Losgröße in der Industrie. Wenn einmal alle Wahrscheinlichkeiten bezüglich aller möglichen zukünftigen Ergebnisse vorliegen, kann eine komplette Prioritätenliste aller Kaufentscheidungen erstellt werden.

Einkaufspriorität in Bestandsoptimierung

Tatsächlich können wir für jede Kaufentscheidung eine einfache Rechnung aufschreiben mit folgender „Ergebnisformel“: geht man davon aus, dass der Bedarf D Einheiten betragen wird und dass wir P Einheiten kaufen, ist das finanzielle Ergebnis X. Natürlich steht Ihnen Lokad bei der Erstellung dieser kleinen Rechnung, die bei den meisten Unternehmen auf Bruttoergebnis minus die Lagerbestandskosten und die Kosten für Fehlbestände hinausläuft, zur Verfügung. Folglich kann man, wenn diese Formel erstellt wurde, jede Entscheidung bzgl. der Supply Chain, wie etwa „1 Einheit von Produkt Z kaufen“ mit der Wahrscheinlichkeit von jeder einzelnen künftigen Möglichkeit vergleichen. Somit berechnet man eine „Bewertung“ für jede mögliche Entscheidung.

Wenn jede Entscheidung bewertet ist, können alle Entscheidungen so klassifiziert werden, dass die rentabelsten Optionen ganz oben auf der Liste erscheinen. Diese Liste nennen wir **Master Purchase Piority Lis** (Masterliste für Prioritätenkäufe). Es handelt sich um eine Liste, in der jedes Produkt in mehreren Zeilen erschein. So kann beispielsweise der Kauf einer Einheit von Produkt Z ganz oben in der Einkaufsprioritätenliste stehen (also, der dringlichste Einkauf), aber der nächste Kauf einer Einheit von Produkt Z erst wieder an 20. Stelle der dringlichsten Kaufentscheidungen stehen, mit vielen Einheiten anderer Produkte dazwischen.

Die Masterliste dient als Antwort für eine einfache Frage: Wenn das Unternehmen einen zusätzlichen Euro in den Lagerbestand investieren könnte, wo sollte es zuerst investiert werden? Also dieser Euro sollte in das Produkt investiert werden, das dem Unternehmen die meisten Rendite bringt. Wenn das bestimmte Produkt erworben wird, wird dieselbe Frage gestellt. Wenn also diese zusätzliche Einheit erworben wird, wird das nächst rentabelste Produkt wahrscheinlich ein anderes sein, da die Rendite eines Produkts zurückgehen, wenn von diesem mehrere Einheiten gelagert werden.

Einkaufspriorität in Bestandsoptimierung

Desto größer Ihr Lagerbestand, umso geringerer ist der Umschlag des Lagerbestands und umso höher die Wahrscheinlichkeit, dass toter Lagerbestand entsteht. Diese Probleme werden natürlich in der „Ergebnisformel“ wiedergespiegelt, sowie auch in der Priorisierung der Liste.





Besser als Optimierung von Service Level

Verbesserung der Bestandsoptimierung

Den „optimalen“ Service Level herauszufinden, d.h. die gewünschte Wahrscheinlichkeit, dass keine Fehlbestände auftreten, ist eine äußerst schwierige Aufgabe. Es handelt sich tatsächlich um ein komplexes Problem, da das Service Level nur indirekt mit den finanziellen Ergebnissen des Unternehmens zusammenhängen. Einen zusätzlichen Prozent Service Level zu erreichen kann bei manchen Produkten äußerst teuer sein. Daher sollten die bereits vorhandenen Ressourcen auf andere Produkte angewandt werden, bei denen der gleiche Anteil an Investition nicht nur 1% mehr, sondern gar 10% zusätzlichen Service Level erreichen kann.

Bei der Nutzung von Quantiltabellen als Masterliste für Prioritätenkäufe, muss man sich nicht mehr um Service Level kümmern, da diese selbst in der Priorisierung wiedergespiegelt werden. Wenn der Service Level eines margenstarken Produkts günstig erhöht werden kann, rutscht dieses Produkt in der Liste automatisch nach oben. Andererseits, wenn der Verkauf eines Produkts starke Schwankungen aufweist, was alle Versuche, den Service Level zu erhöhen, verteuert, wird dieses Produkt nur in der Liste nach oben verschoben, wenn der Lagerbestand äußerst tief ist und das Unternehmen mit ziemlicher Sicherheit trotz des sich verändernden Bedarfsmuster keinen toten Lagerbestand aufweisen wird.

Die Prioritätenliste löst auch das Problem der Liquiditätszwänge. Unabhängig davon, wo Ihr Unternehmen gerade steht, was die Kasse betrifft, verleiht Ihnen die Prioritätenliste eine greifbare Option. Wenn Sie gerade einen niedrigen Kassenstand haben, werden allein die Einkäufe, die ganz oben auf der Prioritätenliste stehen getätigt, so dass der Lagerbestand der notwendigsten Produkte aufrechterhalten wird. Wenn Sie zusätzliche finanzielle Mittel haben, steht Ihnen die Möglichkeit zur Verfügung, den Lagerbestand mit den Produkten zu erhöhen, die zum höchsten Wachstum führen und gleichzeitig die Risiken des Lagerbestands unter Kontrolle halten.





Einführen der Bedingungen der Supply Chain

Unternehmen müssen oft verschiedene Bedingungen in ihrer Supply Chain berücksichtigen, wie etwa Mindestbestellmengen auf SKU-Ebene oder Bestellebene. Manchmal müssen Einheiten in großen Losen gesammelt werden, wie Container. Solche Bedingungen können auf natürliche Weise in die Ablaufprozesse über die Masterliste zu Prioritätskäufe, wie oben beschrieben, eingebaut werden. So werden nicht nur priorisierte Käufe vorgeschlagen, sondern auch Empfehlungen, die mit den Bestellbedingungen kompatibel sind, gemacht.

Der genaue Prozess hängt von den jeweiligen Bedingungen des Unternehmens ab. Betrachten wir beispielsweise Containerverschiffungen genauer an. Lokad kann das kumulative Volumen nach Lieferant berechnen, in dem es davon ausgeht, dass Einkäufe in der Reihenfolge der Liste abgewickelt werden und dass die Lieferanten unabhängig voneinander liefern. Auf Grundlage dieser kumulativen Mengen, ist es einfach, die Liste nach unten zu verfolgen, bis die Kapazität erreicht ist.

Bedingungen der Lieferkette in Bestandsoptimierung und -prognose

Genauso ist es sehr einfach, bei Mindestbestellmengen für SKUs alle Elemente bis zur Erfüllung der Einschränkung von der Liste zu löschen und die Mengen direkt an die erste Linie zu führen, sobald die Bedingung erfüllt ist. Bestimmt man den Kauf erst bei einem Minimum von N Einheiten, sinkt die Konkurrenz zwischen SKUs. Das heißt, dass die SKU anfänglich in einer späteren Position in der Liste auftaucht. Genau dies ist die gewünschte Funktionsweise, da die mit dem Lagerbestand assoziierten Risiken bei Mindestbestellmengen steigen.

Dieser Ansatz nimmt besonders die andauernden Herausforderung in Angriff, die sowohl klassischen sowie auch Quantil-Prognosen zu schaffen machten: Was sollte getan werden, wenn die vorgeschlagenen Nachbestellmengen über oder unter den Bestellbedingungen liegen? Welche Produkte sollte man bevorzugen, wenn man einige Einheiten entfernt werden müssen? Welche Produkte sollte man in größeren Mengen kaufen, wenn Einheiten benötigt werden? Die Antworten der vorangehenden Prognosemethoden auf diese Fragen waren nicht zufriedenstellend. Mit einer Prioritätenliste für Einkäufe muss man einfach nur die Reihenfolge der Liste folgen.