Prognose-Optimierung für die Supply Chain

"Es gibt einen Weg, es besser zu machen - finde ihn."

Thomas A. Edison

Prognose-Optimierung für die Supply Chain
Seit 2008 tun wir unser Bestes, um die genauesten Prognosen zu liefern, die die Technologie produzieren kann. Unsere Technologie befindet sich in ständiger Entwicklung, um die neuesten Entdeckungen in Mathematik und Informatik widerzuspiegeln.
Prognose-Optimierung für die Supply Chain

6 GENERATIONEN DER PROGNOSETECHNOLOGIE

Im letzten Jahrzehnt haben sich datenbezogene Technologien in einem verrückten Tempo entwickelt. Unternehmen gingen von Technologien aus, die im Wesentlichen auf Mathematik basierten und sich seit dem 18. Jahrhundert nicht so sehr verändert hatten, zu Big-Data-orientierten Technologien, die von Machine Learning und Deep Learning angetrieben wurden. Lokad hat sich darauf konzentriert, immer einen Schritt voraus zu sein und das Beste zu liefern, was die Wissenschaft zur Optimierung der Supply Chain bieten kann.

Machen Sie eine Reise in die Vergangenheit und entdecken Sie die verschiedenen Generationen unserer Prognosetechnologie.

  • Differenzierbares Programmieren (2019): die Konvergenz von zwei algorithmischen Feldern: Machine Learning und numerische Optimierung
  • Deep Learning (2018): Probabilistische Prognosen, die durch Robotisierung durch künstliche Intelligenz (KI) und Grids von GPUs angetrieben werden Probabilistische Prognose (2016): Umgang mit Unsicherheit durch Machine Learning und hochdimensionale Statistik
  • Quantile Grids (2015): Betrachtung der gesamten Wahrscheinlichkeitsverteilung der Nachfrage und Einbringung von Supply-Chain-Einschränkungen
  • Quantile Prognosen (2012): Wechsel von Mittelwertprognosen zu Verzerrungsprognosen, die geschäftsspezifische Asymmetrien widerspiegeln
  • Klassische Prognosen (2008): Wechsel von einem mathematischen Modell, das manuell optimiert wurde, zu einem vollautomatischen Benchmark einer ganzen Bibliothek von Modellen

DIE RICHTIGE MISCHUNG AN ZUTATEN

Ein Rezept für den Erfolg

Lokads Technologie geht nicht darum, ein (oder mehrere) magische statistische Modelle zu nutzen. Es ist eine Kombination von Zutaten, die zusammenarbeiten, um die richtige Alchemie zu schaffen. In unseren frühen Jahren haben wir ziemlich schnell erkannt, wie groß die Lücke zwischen der reinen mathematischen Modellierung und der Realität der Supply Chains war.

Was in der Theorie Wunder bewirkte, war in der Praxis völlig ineffizient: Die Daten waren unsauber, nicht tief genug, zu spärlich, die schiere Menge an Referenzen oder Einträgen in der Verkaufshistorie für einige Unternehmen machte ganze Klassen von Modellen extrem schwer zu verwenden, und dann machten die Einschränkungen der Supply Chain selbst es so, dass die Verbesserung der klassischen Genauigkeitsmetriken der Prognosen tatsächlich die Leistung des Unternehmens verschlechterte.

Lokad musste die richtigen technologischen Antworten auf all diese Probleme finden und seine Sichtweise auf Prognosen und Supply-Chain-Optimierung drastisch ändern.

Korrelationen

mit Deep Learning
correlations-grey

Wenn man sich ein einzelnes Produkt ansieht, gibt es einfach nicht genug Daten, um eine genaue statistische Prognose zu erstellen. Tatsächlich ist die Lebensdauer eines Produkts auf den meisten Verbrauchermärkten weniger als 4 Jahre, was bedeutet, dass die meisten Produkte im Durchschnitt nicht einmal 2 Jahre Geschichte zur Verfügung haben - das ist die minimale Tiefe, um eine zuverlässige Saisonalitätsanalyse durchzuführen, wenn man sich eine einzelne Zeitreihe ansieht. Wir lösen das Problem durch statistische Korrelationen: Die auf einem Produkt erhaltenen Informationen helfen, die Prognose eines anderen Produkts zu verfeinern. Lokad erkennt beispielsweise automatisch die anwendbare Saisonalität für ein Produkt, auch wenn das Produkt nur 3 Monate lang verkauft wurde. Während bei nur 3 Monaten Daten keine Saisonalität beobachtet werden kann, kann sie bei älteren, längerlebigen Produkten in der Geschichte extrahiert und auf neuere Produkte angewendet werden.

Rechenleistung

durch Cloud Computing und GPUs
power-clouds

Die Nutzung von Korrelationen innerhalb der historischen Daten verbessert die Genauigkeit erheblich, erhöht jedoch auch die Anzahl der durchzuführenden Berechnungen. Um beispielsweise 1.000 Produkte zu korrelieren, die alle möglichen Paare betrachten, gibt es etwas weniger als 1.000.000 Kombinationen. Schlimmer noch, viele Unternehmen haben viel mehr als 1.000 Produkte. Durch die Nutzung von Cloud Computing und Graphics Processing Units (GPUs) allozieren wir die Maschinen, wenn die Kunden ihre Daten an uns senden; dann, weniger als 60 Minuten später, geben wir die Ergebnisse zurück, während wir die Maschinen entsprechend deallozieren. Da uns die von uns genutzte Cloud (Microsoft Azure) pro Minute berechnet, verbrauchen wir nur die Kapazität, die wir wirklich benötigen. Da kein Unternehmen mehr als einmal pro Tag prognostizieren muss, reduziert diese Strategie die Hardwarekosten im Vergleich zu traditionellen Ansätzen um mehr als das 24-fache.

Wahrscheinlichkeiten

um Geschäftsbeschränkungen zu berücksichtigen

barchart-grey

Die traditionelle Prognose ist eine Medianprognose, das heißt, ein Wert, der eine 50%ige Chance hat, über oder unter der zukünftigen Nachfrage zu liegen. Leider geht diese klassische Vision nicht auf die Kernanliegen der Lieferkette ein: Vermeidung von Lagerbeständen und Reduzierung von Inventar. Im Jahr 2016 führte Lokad die Idee der probabilistischen Prognosen für die Lieferkette ein, bei der die jeweiligen Wahrscheinlichkeiten jeder Ebene der zukünftigen Nachfrage geschätzt werden. Anstatt einen Wert pro Produkt vorherzusagen, prognostiziert Lokad die gesamte Wahrscheinlichkeitsverteilung. Probabilistische Prognosen übertreffen klassische Prognosen bei langsamen Bewegern, unregelmäßigen Verkäufen und sprunghafter Nachfrage bei weitem. Wir glauben, dass in 10 Jahren alle Unternehmen, die sich ernsthaft mit der Optimierung von Beständen befassen, probabilistisch geworden sein werden und wahrscheinlich eine Nachfolgetechnologie dieser Technologie nutzen werden.

VON EINER MATHEMATISCHEN BIBLIOTHEK ZU EINER END-TO-END-LÖSUNG

Wir verfügen über eine große Bibliothek von statistischen Modellen. Sie umfasst bekannte Klassiker wie Box-Jenkins, exponentielle Glättung, autoregressiv und all ihre Varianten. Zusätzlich haben wir bessere Modelle entwickelt, die alle verfügbaren Daten besser nutzen, da klassische Modelle Korrelationen schlecht nutzen. Seit Beginn überwachen wir kontinuierlich die Qualität der von uns gelieferten Prognosen und führen Simulationen durch, um die verbleibenden Schwächen unserer Technologie sorgfältig zu bewerten. Wir verbessern unsere Modelle ständig und füttern unsere Bibliothek mit neuen Modellen und Paradigmen. Daher profitieren unsere Kunden von einer immer besser werdenden Technologie.

Wir haben jedoch vor langer Zeit erkannt, dass dies nicht ausreicht und dass wir tiefer in die Realität der Lieferkette und die Einschränkungen und Spezifika jedes Unternehmens eintauchen müssen. Daher benötigen wir von unseren Kunden keine statistischen Fähigkeiten und verwalten den gesamten Prozess, um eine vollständig nutzbare Lösung bereitzustellen, einschließlich präziser Bestellvorschläge, Versand- oder Preisvorschläge und Dashboards mit wichtigen Leistungsindikatoren zur Beurteilung ihrer Genauigkeit.

Unsere Supply Chain Scientists sind da, um Ihnen zu helfen, alle Ihre Geschäftseinblicke in eine maßgeschneiderte Implementierung einzubeziehen. Dies wird durch die Verwendung unserer auf die Lieferkette ausgerichteten Programmiersprache Envision ermöglicht. Ihre Flexibilität ermöglicht es uns, Skripte fein abzustimmen, die in der Lage sind, die Besonderheiten Ihres Unternehmens vollständig widerzuspiegeln, um eine perfekte Ergänzung zu unserer Prognosetechnologie zu bieten.