Eigenarten in klassischen Prognosen – Software zur Bestandsoptimierung

Eigenarten der klassischen Prognosen


Startseite » Ressourcen » Hier

Update Mai 2016:Diese Seite konzentriert sich auf die klassischen Prognosen, die im Regelfall verwendet werden, wenn Lokad als Tool für Bedarfsprognosen und nicht zur Bestandsoptimierung verwendet wird. Probabilistische Hervorsagen funktionieren deutlich anders, sind dabei leistungsfähiger und sollten immer dann eingesetzt werden, wenn man den Lagerbestand optimiert möchte.

Statistik ist eine kontraintuitive Wissenschaft. Somit tendiert Lokads Prognose-Engine als eine statistische Webapp dazu, verblüffende Ergebnisse hervorzubringen. Mit diesem Artikel möchten wir Ihnen einen Überblick über die „klassischen“ Prognosen, d. h. die täglichen, wöchentlichen oder monatlichen Prognosen, verschaffen.

Erste Schritte

Wir gehen davon aus, das Sie an diesem Punkt bereits die ersten Schritte durchgeführt und Ihren ersten Microsoft Excel-Bericht mit Lokad erstellt haben. Bei Fragen zur Auslegung bestimmter Spalten, finden Sie weitere Informationen auf der Seite zum Beispielbericht. Wir empfehlen Ihnen die Korrektheit der Eingabedaten doppelt zu prüfen und somit die historischen, in Lokad erfassten Werte mit den Werten aus unseren bestehenden Unternehmenssystemen zu vergleichen.

Backtesting (Rückvergleich) und Modellauswahl

Bevor wir uns mit den tatsächlichen Prognosen befassen, möchten wir kurz noch einmal wiederholen, wie Prognosen von Lokad erstellt werden. Unsere Prognose-Engine umfasst eine große Auswahl an Prognosemodellen - von naiven bis hin zu äußerst komplexen Prognosemodellen. Für jede Zeitreihe führt Lokad ein Backtesting (bzw. einen Rückvergleich) aus. D. h. wir gehen in die Vergangenheit zurück, kürzen die Daten und erstellen die Prognosen ausschließlich mit diesen gekürzten Daten und bewerten die Genauigkeit des Ergebnisses. Dieser Prozess wird für jeden Tag, jede Woche oder jeden Monat wiederholt - je nach Zeitraum der vorgegebenen Daten.

Am Ende hat die Prognose-Engine für jede Zeitreihe und jedes Modell eine Reihe von Genauigkeitsbewertungen gasammelt, aus denen das präziseste Prognosemodell ausgewählt werden kann.

Diese Auswahlmethode ist rein leistungsbezogen. Es gibt keine Logik, die vorgibt, dass z. B. ein saisonales Modell für Produkt X verwendet werden muss. Saisonale Modelle sind in der Prognose-Engine enthalten und wenn diese Modelle besser abschneiden als der Rest, werden sie ausgewählt.

Flache Prognosen und schwankende Historiedaten

Meistens tendieren historische Daten dazu zu schwanken, insbesondere wenn man sich die stark zerstreuten Ebenen wie SKUs oder Proudkte ansieht. Die blaue Linie im Diagramm veranschaulicht eine Beispiel-Zeitreihe. Die rote Linie repräsentiert eine vorläufige Prognose dieser Zeitreihen.

Image


Diese Prognose sieht rein optisch betrachtet gut aus, da sie die Art der Schwankungen reproduziert, die in der Vergangenheit beobachtet wurden. Aus statistischer Sicht ist diese Prognose jedoch weitgehend ungenau. Tatsächlich bestehen Zeitreihen aus Zufallswerten zwischen 0 und 1. Es gibt kein zu lernendes Muster.

Image


In der obigen Abbildung wurde die Prognose überarbeitet und ergibt eine flache Linie bei 0,5. Optisch betrachtet steht diese Prognose im Widerspruch mit der Datenhistorie: sie präsentiert eine Regelmäßigkeit, die nicht in den erfassten Daten vorhanden ist. Aus statistischer Sicht ist diese Prognose jedoch wesentlicher genauer als die vorherige.

Dieses Konzept gehört tatsächlich zu den allgemeinen (aber nicht intuitiven) Aspekten der Statistik: je unregelmäßiger der Bedarfsverlauf ist, desto regelmäßiger sind die Prognosen. Jedes Prognosesystem, das sich anders verhält, ist sogar noch ungenauer.

Einfach, jedoch effiziente Prognosemodelle

Obwohl die Prognose-Engine äußerst komplexe Modelle beinhaltet, werden auf bestimmte Datensätze immer noch sehr einfache Modelle angewendet (d. h. wenn diese die komplexen Modelle im Auswahlverfahren übertreffen).

Zu den Modellen gehören u. a. folgende:
  • Flacher, letzter Zeitraum (wöchentliche oder monatliche Prognosen): Die Prognosen wiederholen die in der vergangenen Woche oder im vergangenen Monat erfassten Werte einheitlich.
  • Jährlich-saisonal (wöchentliche oder monatliche Prognosen): Die Prognosen wiederholen die genau vor einem Jahr erfassten Werte (d. h. 12 Monate bzw. 52 Wochen).
  • Wöchentlich-zyklisch (tägliche Prognosen): Die Prognosen wiederholen die genau vor einer Woche erfassten Werte, gemäß des jeweiligen Wochentags.
  • Flacher Jahresdurchschnitt (wöchentliche oder monatliche Prognosen): Die Prognosen wiederholen den durchschnittlichen Verbrauch anhand von Erfahrungswerten des vergangenen Jahres.

An sich können alle diese Modelle zur Prognoseerstellung verwendet werden. Die Herausforderung liegt jedoch darin, genau zu wissen, wann ein komplexeres Modell bevorzugt werden sollte. Genau aus diesem Grund ist Lokad-Backcasting so wichtig.

Nichtsdestotrotz werden flache Prognosen - insbesondere Prognosen über 12 Monate im Voraus - häufig vom Kunden als enttäuschend wahrgenommen, z. B. dann, wenn das von Experten erwartete saisonale Muster nicht in den von Lokad übermittelten Werten gefunden werden kann. Unsere Prognose-Engine verfügt jedoch über zahlreiche saisonale Modelle und diese Modelle werden jedes Mal verglichen. Wird demnach ein nicht-saisonales Modell ausgewählt, bedeutet das lediglich, dass dieses Modell alle saisonalen Modelle quantitative übertroffen hat. Wird in diesem Fall die Verwendung eines saisonalen Musters erzwungen, führt dies zu einem Abbau der Genauigkeit - auch hier müssen wir eingestehen, dass dies nicht wirklich intuitiv ist.

Die Genauigkeitsspalte

Die Genauigkeitsspalte ist optional und standardmäßig deaktiviert. Sie repräsentiert die erwartete Prognosenfehlerrate der klassichen Prognosen. Sie können diese Funktion als eine Art Selbstdiagnostik des Systems betrachten. Ohne dabei auf die technischen Details der eigentlichen Definition dieses Genauigkeitsindikators eingehen zu wollen, sagen wir einfach, es ist ein Prozentsatz: 100 % bedeutet eine absolut genaue Prognose und 0 % bedeutet eine absolut ungenaue Prognose.

100 % Genauigkeit ist keine realistische Erwartung für einen Prognoseprozess (statistisch oder anderweitig). Insbesondere, wenn kann bei einem niedrigen Absatzvolumen ein kleiner Fehler von +1 oder -1 bereits die als Prozentsatz ausgedrückte Genauigkeit auf einen Wert unter 50 % reduzieren. Im Gegensatz zur allgemeinen Annahme ist der Grad der Genauigkeit kein Ergebnis der Prognosemethode, sondern des Aggregationsniveaus der Daten an sich.

Erstellen wir beispielsweise tägliche Prognosen für den landesweiten Stromverbrauch von einem Tag zum nächsten, kann eine Prognose mit einer Genauigkeit von 99,5 % als eher mangelhaft angesehen werden, während eine Prognose der Verkäufe von Frischkostprodukten aus Werbeaktionen mit einer Genauigkeit von 30 % als hervorragendes Ergebnis betrachtet werden kann. Das bedeutet jedoch nicht, dass diese Situation nicht durch eine bessere Prognoselösung optimiert werden kann.

Im Bereich der Prognoseerstellung gibt es keine absolut guten oder schlechten Prognosen. Die einzige Frage, die zählt ist: Wie gut sind diese Prognosen im Vergleich mit dem Status Quo oder anderen Alternativen?