Prognose mit Quantile Grids (2015)

Quantile Grids sind eine signifikante Verbesserung gegenüber klassischen oder quantilen Vorhersagen, wann immer Inventar betroffen ist. Allerdings übertreffen probabilistische Vorhersagen Quantile Grids bei weitem.
grids/graph-quantile-grids

Quantile Grids stellen eine radikale Verbesserung gegenüber klassischen Prognosemethoden dar, wann immer Inventar im Spiel ist. Sie sind auch klassischen quantilen Vorhersagen überlegen, da sie viel mehr Informationen über die Zukunft liefern. Traditionelle Prognosemethoden funktionieren, insbesondere im Handel, schlecht. Die Grundursache dieses Problems ist einfach: Die Zukunft ist ungewiss. Klassische Vorhersagen versuchen, den einen korrekten Wert der zukünftigen Nachfrage vorherzusagen, und – nun ja, sie scheitern daran. Der verzweifelte Versuch, klassische Vorhersagen zu korrigieren, in der Hoffnung, dass die „korrekte“ zukünftige Nachfrage vorhergesagt wird, ist wahnhaft. Quantile Grids nehmen zu diesem Thema eine völlig andere Haltung ein.

Mit Quantile Grids prognostiziert Lokad für ein gegebenes Produkt nicht einen einzigen zukünftigen Nachfragedatenpunkt, sondern die gesamte Wahrscheinlichkeitsverteilung der Nachfrage; das heißt, die Wahrscheinlichkeit, dass die Nachfrage null Einheiten beträgt, dann eine Einheit, dann zwei Einheiten usw. Diese Informationen sind weitaus umfangreicher und können auf eine Weise genutzt werden, die um ein Vielfaches profitabler ist als klassische Vorhersagen.

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 Sinnvolles zu bewirken. 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 wirkt, ersetzen Sie gedanklich quantile grids durch Vorhersagen, die tatsächlich funktionieren, und das genügt. Die überwiegende Mehrheit der Unternehmen, die Lokad nutzen, besitzt keinerlei statistische Kenntnisse. Auch Ihr Spamfilter, der Ihrem Posteingang zugeordnet ist, verwendet fortschrittliche Statistik, und es bedarf keiner Promotion, um einen Posteingang zu nutzen.

Lokad tut in etwa dasselbe für den Handel. Wir nutzen fortschrittliches Machine Learning, um Ihr Unternehmen profitabler zu machen, und die dahinterstehende Technologie ist mittlerweile so ausgereift, dass Sie sich eigentlich gar nicht mehr darum kümmern müssen.

Im Folgenden beschreiben wir, was hinter den Kulissen bei Lokad passiert, aber seien Sie versichert, dass Sie Lokad auch nutzen können, wenn Sie nicht vollständig verstehen, was in unsere Prognose-Engine einfließt – ähnlich wie Sie einen Spamfilter verwenden können, ohne mit der bayesschen probabilistischen Inferenz vertraut zu sein.

Die Prognose im Handel neu denken

computer-history
Viele Anbieter rühmen sich damit, „fortschrittliche“ Prognosemethoden wie ARIMA, Box-Jenkins und Holt-Winters zu verwenden, die tatsächlich fast ein halbes Jahrhundert alt sind; alle wurden in einer Zeit entwickelt, in der die leistungsstärksten Firmencenter weniger Rechenleistung hatten als die meisten Kühlschränke heutzutage. Die Erfinder dieser Methoden waren außergewöhnlich klug, mussten sich jedoch mit den damaligen Rechenressourcen begnügen und bevorzugten daher Modelle, die mit sehr wenigen Berechnungen ausgeführt werden konnten. Heutzutage können wir für unsere Prognoseherausforderungen massive Mengen an Rechenleistung zu sehr geringen Kosten nutzen.

Bedenken Sie, dass 1000 Stunden Rechenleistung weniger als $50 kosten, wenn man eine Cloud-Computing-Plattform nutzt. Offensichtlich eröffnet dies radikal neue Perspektiven für die Prognose, und es sind genau diese Perspektiven, die Lokad intensiv erforscht hat. Quantile Grids stellen die dritte Version der Prognosetechnologie von Lokad dar, aber lassen Sie uns ein paar Jahre zurückgehen, um das Gesamtbild zu erhalten. Wir begannen 2008 mit klassischen Vorhersagen als erste Version unserer Prognosetechnologie, und trotz drei Jahren enormer F&E-Bemühungen des Lokad-Teams erwies sich der klassische Ansatz als Sackgasse. Es gelang uns nie wirklich, einen Kunden mit klassischen Vorhersagen tiefgehend zufriedenzustellen. Als wir mehr über die Erfahrungen unserer Kunden mit anderen Prognoseanbietern erfuhren, stellte sich heraus, dass es kein einziges Unternehmen gab, das auch nur annähernd mit der erworbenen Prognosetechnologie zufrieden war. Dieses Problem war nicht spezifisch für Lokad, und wir erkannten, dass die gesamte Prognosebranche dysfunktional war; und wir beschlossen, etwas dagegen zu unternehmen.

Im Jahr 2012 veröffentlichte Lokad die zweite Version seiner Prognosetechnologie mit dem Codenamen Quantile Forecasts. Einfach ausgedrückt, adressieren quantile Vorhersagen das Nummer-eins-Problem, das klassische Vorhersagen plagt: Klassische Vorhersagen betrachten schlichtweg nicht das eigentliche Problem.

In der Tat besteht die Herausforderung für Unternehmen darin, zwei Extreme zu vermeiden: unerwartet hohe Nachfrage, die zu Lagerengpässen führt, und unerwartet niedrige Nachfrage, die zu toten Beständen führt. Was in der Mitte passiert, wenn die zukünftige Nachfrage in etwa „wie erwartet“ ausfällt, spielt aus geschäftlicher Sicht nur eine untergeordnete Rolle.

Doch klassische Vorhersagen, sei es der Mittelwert oder der Median, ignorieren diese „extremen“ Situationen vollständig und konzentrieren sich ausschließlich auf den Durchschnittsfall. Nicht überraschend versagen klassische Vorhersagen darin, sowohl Lagerengpässe als auch tote Bestände zu verhindern. Quantile Vorhersagen gehen die Herausforderung direkt an und betrachten gezielt das relevante Szenario, etwa das Vermeiden von Lagerengpässen, und bemühen sich, eine präzise Antwort auf dieses Problem zu liefern. Plötzlich im Jahr 2012 begannen wir, immer mehr zufriedene Kunden zu verzeichnen. Zum ersten Mal in der Geschichte von Lokad hatten wir, mehr als drei Jahre nach dem Unternehmensstart, etwas, das funktionierte.

Im Jahr 2015 veröffentlichte Lokad die dritte Version seiner Prognosetechnologie, die Quantile Grids. Während quantile Vorhersagen bereits eine radikale Verbesserung gegenüber klassischen Vorhersagen darstellten, hatten sie dennoch ihre Schwächen. Mit zunehmender Erfahrung aus Dutzenden von Einsätzen unserer quantilen Prognosetechnologie erkannten wir, dass, obwohl die Idee, für nur ein einzelnes Geschäftsszenario eine Prognose zu erstellen, solide war, diese nicht vollständig war. Warum nur dieses eine Szenario? Warum nicht ein zweites oder ein drittes? Das manuelle Verwalten mehrerer Szenarien erwies sich als mühsam, und wir erkannten, dass alle Szenarien gleichzeitig prognostiziert werden sollten. Aus rechnerischer Sicht war dies erheblich aufwändiger: Für jedes Produkt berechneten wir die jeweiligen Wahrscheinlichkeiten für (fast) jeden einzelnen Nachfragewert. Während die Menge der erforderlichen Berechnungen überwältigend erscheint, sind die Preise für Rechenressourcen über die Jahre hinweg in einem freien Fall gewesen. Und was wir vor 5 Jahren als zu kostspielig erachtet hätten, war nun sehr erschwinglich. Im Jahr 2015 veröffentlichte Lokad die dritte Version seiner Prognosetechnologie, die Quantile Grids. Obwohl sie extrem rechenintensiv sind, sind Quantile Grids nun dank des drastischen Preisverfalls bei Cloud-Computing-Ressourcen erschwinglich.

Die gesamte Wahrscheinlichkeitsverteilung der Nachfrage berücksichtigen

indecision
Die zukünftige Nachfrage ist ungewiss. Jeder Versuch, die zukünftige Nachfrage mit nur einem Wert darzustellen, ist etwas naiv, denn egal, wie gut dieser Wert auch sein mag, er kann niemals die ganze Geschichte erzählen. Zwar wäre es schön, ein „magisches“ System zu haben, das in der Lage ist, das exakte Niveau der zukünftigen Nachfrage vorherzusagen, aber auch das ist ziemlich illusorisch. Wenn Menschen versuchen, mit einer falschen Prognose umzugehen, ist es sehr verlockend, diese Prognose „korrigieren“ zu wollen. Leider ist die statistische Prognose völlig kontraintuitiv, und die Realität ist, dass oft gar nichts zu korrigieren ist: Der prognostizierte Wert ist eines der durchaus gültigen und möglichen Ergebnisse der zukünftigen Nachfrage.

Das System kann möglicherweise ein wenig feinjustiert werden, um etwas wahrscheinlicher erscheinende Werte für die zukünftige Nachfrage zu erzeugen, aber damit ist es auch schon getan. Ihr Unternehmen erhält letztlich nur geringfügig wahrscheinliche zukünftige Nachfragedaten, was nicht zu einem Anstieg der Geschäftstätigkeit führt, der von vornherein erwartet worden wäre.

Quantile Grids verfolgen einen ganz anderen Ansatz: Für jedes Produkt berechnet Lokad die jeweiligen Wahrscheinlichkeiten für jeden einzelnen Wert der zukünftigen Nachfrage. Anstatt zu versuchen, die Illusion aufrechtzuerhalten, dass die zukünftige Nachfrage bekannt sei, drücken Quantile Grids direkt die Wahrscheinlichkeiten aus, die mit vielen möglichen Zukünften verbunden sind.

Beispielsweise kann bei Betrachtung eines selten verkauften Produkts mit einer Vorlaufzeit von 2 Wochen die Verteilung der Nachfrage über die nächsten 2 Wochen (gewöhnlich muss der Prognosehorizont der Vorlaufzeit entsprechen) wie folgt dargestellt werden:

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

Die Zukunft aus einer rein probabilistischen Perspektive zu betrachten, mag kompliziert erscheinen, spiegelt jedoch genau das wider, was jeder Geschäftsführer bereits tut, wenn auch auf weniger formelle Weise: Er wägt die Wahrscheinlichkeiten bestimmter Ergebnisse ab und sichert sein Geschäft ab, um für die relevantesten Szenarien gut vorbereitet zu sein. Aus der Sicht der Prognose-Engine, da wir im Voraus nicht wissen, welche Szenarien die „relevantesten“ sein werden, besteht die logische Lösung – wenn auch eine etwas brutale – darin, alle möglichen Szenarien zu verarbeiten. Angenommen, ein Unternehmen muss für tausend Produkte Prognosen erstellen (und einige unserer Kunden haben Millionen von SKUs zu bewältigen), und Lokad berechnet die Wahrscheinlichkeiten für 100 Szenarien pro Produkt, so würde die Quantile Grid-Technologie eine riesige Liste mit 100.000 Einträgen erzeugen, die praktisch nicht zu verarbeiten wäre. Auf diesen Punkt gehen wir im folgenden Abschnitt ein.

Priorisierung von supply chain Entscheidungen

Für jede Kaufentscheidung können wir eine einfache Faustformel notieren, die „Outcome“-Formel, die von der zukünftigen Nachfrage im Vergleich zur aktuellen Kaufentscheidung abhängt. Danach kann jede einzelne Entscheidung bewertet werden, basierend auf der jeweiligen Wahrscheinlichkeit jedes möglichen Nachfrageniveaus.

purchase_priority_screenshot
Nachfrageprognosen werden am häufigsten dazu verwendet, supply chain Entscheidungen zu steuern, wie zum Beispiel Bestellungen im Handel zu tätigen oder eine Produktionscharge in einem industriellen Umfeld anzustoßen. Sobald wir alle Wahrscheinlichkeiten der zukünftigen Ergebnisse haben, ist es möglich, eine vollständige Prioritätenliste aller Kaufentscheidungen zu erstellen. Tatsächlich können wir für jede Kaufentscheidung eine einfache Faustformel, die „Outcome“-Formel, aufstellen: Angenommen, die Nachfrage beträgt D Einheiten und wir kaufen P Einheiten, dann ergibt sich als finanzielles Ergebnis X. Es versteht sich von selbst, dass Lokad Ihnen dabei hilft, diese kurze Formel zu erstellen, die für die meisten Unternehmen im Wesentlichen der Bruttomarge abzüglich der Lagerkosten und der Kosten für Lagerengpässe entspricht. Folglich können, sobald wir diese Formel haben, für jede supply chain Entscheidung, wie „kaufe 1 Einheit des Produkts Z“, die Ergebnisse gegen die Wahrscheinlichkeiten jedes möglichen zukünftigen Szenarios abgewogen werden. Auf diese Weise berechnen wir den „Score“ jeder möglichen Entscheidung.

Sobald jede Entscheidung bewertet wurde, ist es möglich, alle diese Entscheidungen zu ranken und die profitabelsten Optionen an die Spitze der Liste zu setzen. Wir bezeichnen diese Liste als die Hauptkaufprioritätenliste. Es ist eine Liste, in der jedes Produkt mehrfach aufgeführt wird. Tatsächlich mag der Kauf von 1 Einheit des Produkts Z die am höchsten priorisierte Kaufentscheidung darstellen (alias die dringendste Anschaffung), doch der nächste Kauf von 1 Einheit des Produkts Z könnte nur die 20. dringendste Kaufentscheidung sein, während zwischendurch viele andere Einheiten anderer Produkte gekauft werden müssen.

image-pricing
Die Hauptliste beantwortet eine sehr einfache Frage: Falls das Unternehmen einen zusätzlichen Dollar für seinen Lagerbestand ausgeben kann, wohin sollte dieser Dollar zuerst fließen? Nun, dieser Dollar sollte in den Artikel investiert werden, der Ihrem Unternehmen den maximalen Ertrag bringt. Sobald dieser bestimmte Artikel jedoch erworben ist, kann dieselbe Frage erneut gestellt werden. Allerdings ist in diesem Fall, nachdem diese zusätzliche Einheit erworben wurde, das nächst profitablere zu kaufende Produkt wahrscheinlich ein anderes, da bei einer Anhäufung desselben Artikels im Lager starke abnehmende Erträge zu verzeichnen sind. In der Tat, je mehr Inventar vorhanden ist, desto geringer dreht sich Ihr Lager und desto höher sind die Wahrscheinlichkeiten, mit toten Beständen dazustehen. Diese Probleme spiegeln sich natürlich in der „Outcome“-Formel und in der resultierenden Priorisierung der Liste wider.

Besser als das Anpassen von Service Levels

Das Ermitteln der „optimalen“ Service Levels, also der gewünschten Wahrscheinlichkeiten, nicht in einen Lagerengpass zu geraten, ist eine sehr schwierige Aufgabe. Dies ist ein komplexes Thema, da Service Levels nur indirekt mit der finanziellen Leistung eines Unternehmens zusammenhängen. Tatsächlich kann es bei einigen Produkten enorm kostspielig sein, ein zusätzliches Prozent an Service Level zu erreichen, weshalb verfügbare Ressourcen besser auf andere Produkte verteilt werden sollten, bei denen der gleiche Investitionsbetrag nicht 1%, sondern ein zusätzliches 10% an Service Level erbracht.

Mit Quantile Grids, die als Hauptkaufprioritätenliste verwendet werden, muss man sich nicht einmal um Service Levels kümmern, da diese in der Priorisierung selbst nativ berücksichtigt werden.

Wenn das Service-Niveau eines margenstarken Produkts kostengünstig erhöht werden kann, rückt dieses Produkt naturgemäß ganz nach oben auf der Liste. Umgekehrt, wenn ein Produkt unter stark schwankenden Umsätzen leidet, was sämtliche Versuche, das Service-Niveau zu erhöhen, extrem kostspielig macht, dann wird dieses Produkt erst dann an die Spitze der Liste rücken, wenn die Bestände gefährlich niedrig sind und wenn ein Unternehmen nahezu garantiert ist, trotz sehr schwankender Nachfrage keine toten Lagerbestände anzuhäufen. Die Prioritätenliste löst auch das Problem der Liquiditätsengpässe. Unabhängig davon, wie gut es um die Liquidität Ihres Unternehmens steht, bietet die Prioritätenliste eine praktikable Option. Wenn Ihnen sehr wenig Kapital zur Verfügung steht, kauft Ihr Unternehmen nur das, was ganz oben auf der Liste steht, und hält dabei nur die Bestände jener Produkte, die dringend aufgefüllt werden müssen. Wenn Sie zusätzliches Kapital zur Verfügung haben, hat Ihr Unternehmen dann die Möglichkeit, seinen Bestand zu erhöhen, indem es sich auf Artikel konzentriert, die das größte Wachstum vorantreiben, während die Bestandsrisiken unter Kontrolle bleiben.

Einbringen der supply chain constraints

Unternehmen müssen häufig mit Versorgungsengpässen wie Mindestbestellmengen umgehen, sei es auf SKU-Ebene oder auf Bestellmengenebene. Manchmal müssen Einheiten in großen Losen, wie beispielsweise Containern, zusammengefasst werden. Solche Einschränkungen können auf natürliche Weise in die eigenen Arbeitsprozesse integriert werden – über eine übergeordnete Einkaufsprioritätenliste, wie oben beschrieben; dies liefert nicht nur priorisierte Einkaufsvorschläge, sondern auch Empfehlungen, die mit den eigenen Bestellvorgaben kompatibel sind.

Der genaue Ablauf hängt von der Art der Einschränkungen ab, denen ein Unternehmen gegenübersteht. Nehmen wir zum Beispiel Containerlieferungen. Lokad kann das kumulative Volumen pro Lieferant berechnen, vorausgesetzt, dass die Einkaufsposten in der Reihenfolge der Liste bearbeitet werden und dass jeder Lieferant unabhängig vom anderen liefert. Basierend auf diesen kumulativen Volumina ist der Prozess, die Liste herunterzugehen, bis die angestrebte Containerkapazität erreicht ist, sehr einfach. Ebenso, wenn für eine gegebene SKU eine Mindestbestellmengen-Einschränkung existiert, ist es in diesem Fall ebenfalls leicht, aus der Liste alle Posten zu entfernen, die vor Erfüllung der Einschränkung stehen, und die Mengen direkt an den ersten Posten zu melden, sobald die Einschränkung erfüllt ist.

choix
Indem der Einkauf auf ein Minimum von N Einheiten festgelegt wird, wird die Wettbewerbsfähigkeit der SKU herabgesetzt, d.h. die SKU erscheint zunächst an einer niedrigeren Position in der Liste, was genau das angestrebte Verhalten ist, da die Bestandsrisiken mit steigenden Mindestbestellmengen zunehmen. Insbesondere adressiert dieser Ansatz vollständig die langjährigen Herausforderungen, die sowohl klassische als auch Quantilprognosen negativ beeinflusst haben: Was soll getan werden, wenn die vorgeschlagenen Nachbestellmengen über oder unter den Bestellvorgaben liegen? Wenn einige Einheiten entfernt werden müssen, welche Produkte sollten als erste gestrichen 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 Prioritäten-Einkaufsliste muss man einfach der Reihenfolge der Liste folgen.