00:00:05 Saisonale Verkaufsprognose.
00:00:35 Erklärung der zentralen Saisonalitätsmuster.
00:02:23 Herausforderungen bei der Saisonalitätsprognose, Produktlebensdauer.
00:04:33 Weitere Probleme mit der Saisonalität untersucht.
00:06:53 Überwindung von Problemen mit fehlenden historischen Daten.
00:07:16 Lösung: Berücksichtigung von Produktkollektionen für Saisonalität.
00:08:49 Dynamisches Time Warping.
00:09:06 Übergang zu Deep Learning für die Prognose.
00:10:02 Dynamisches Time Warping in der Nachfrageprognose.
00:12:09 Umgang mit historischen Datenspitzen und Promotionen.
00:13:01 Notwendigkeit genauer Daten und maschinellen Lernens.
00:16:01 Die Popularität von Deep Learning im maschinellen Lernen.
00:16:30 Einschränkungen vergangener Daten für zukünftige Vorhersagen.
00:17:40 Saisonalität in menschlichen Angelegenheiten für die Modellierung.
00:19:42 Verbesserung der Prognose mittels maschinellen Lernens.
00:21:39 Vorteile des maschinellen Lernens im Laufe der Zeit.
Zusammenfassung
In einem Interview spricht Joannes Vermorel über die Herausforderungen, Saisonalität in die Verkaufsprognose einzubeziehen. Saisonalität, definiert als zyklische Verkaufsmuster, die von der Jahreszeit, der Woche und dem Tag beeinflusst werden, trägt zu Nachfrageschwankungen bei. Sekundäre Zyklen, wie der “paycheck effect” und die “quasi Saisonalität”, sind ebenfalls von Bedeutung. Das Verständnis der Basisnachfrage, von Trends und statistischem Rauschen in den Daten unterstützt präzise Prognosen. Zu den Herausforderungen gehört die kurze Lebensdauer vieler Produkte sowie die jährliche Variabilität von Ereignissen wie Weihnachten. Vermorel schlägt vor, eine kollektive Perspektive auf ähnliche Produkte einzunehmen, um die Leistung von Neuprodukten vorherzusagen, und den Einsatz von maschinellem Lernen-Setups für die automatische Pflege saisonaler Gruppen.
Erweiterte Zusammenfassung
Kieran Chandler interviewt Joannes Vermorel zum Konzept der Saisonalität in der Verkaufsprognose und den damit verbundenen Herausforderungen.
Saisonalität ist eines der zentralen Muster, das zur Verbesserung der Genauigkeit von Verkaufsprognosen eingesetzt wird, wird jedoch häufig missverstanden und unsachgemäß angewendet. Vermorel identifiziert die Saisonalität als einen wichtigen Zyklus in den Verkaufsmustern. Er unterteilt diese Zyklen in drei Haupttypen: die Jahreszeit, der Wochentag und die Tageszeit, die alle zu Schwankungen in der Verbrauchernachfrage beitragen.
Vermorel spricht auch über sekundäre Zyklen wie den “paycheck effect”, also den monatlichen Zyklus, in dem Menschen ihr Gehalt erhalten, und die daraus resultierenden Auswirkungen auf ihr Kaufverhalten. Darüber hinaus führt er “mineral cyclicities” oder “quasi Saisonalität” ein, zu der Ereignisse wie Ostern, Ramadan und das chinesische Neujahr gehören, die regelmäßig auftreten, aber nicht jedes Jahr am selben Datum nach dem gregorianischen Kalender stattfinden.
Das Verständnis der Grundnachfrage, der Trends und des Niveaus statistischen Rauschens in den Daten ist ein weiterer entscheidender Aspekt, den Vermorel hervorhebt. Die Erkennung dieser Muster hilft dabei, zwischen zufälligem Rauschen und echten statistischen Mustern zu unterscheiden, was für eine effektive Prognose unerlässlich ist.
Trotz der scheinbaren Einfachheit der Saisonalität erläutert Vermorel, warum viele Menschen damit zu kämpfen haben. Die erste Herausforderung besteht darin, dass die meisten Produkte nur eine kurze Lebensdauer auf dem Markt haben. Beispielsweise liegt die durchschnittliche Lebensdauer eines Fast-Moving Consumer Goods (FMCG)-Produkts zwischen drei und fünf Jahren. Das bedeutet, dass ein großer Teil des Produktkatalogs möglicherweise nicht einmal ein ganzes Jahr existiert, was die Anwendung der Saisonalität erschwert.
Vermorel führt das Konzept der “Zeitverzerrung” bei der Saisonalität ein, das sich auf Verschiebungen in saisonalen Mustern aufgrund verschiedener Faktoren bezieht. Veränderungen in den Wetterbedingungen können Verbraucher dazu veranlassen, ihre Weihnachtseinkäufe früher oder später als üblich zu beginnen. Das politische Klima und die Verbraucherstimmung können ebenfalls den Zeitpunkt von Käufen, wie beispielsweise beim Weihnachtsshopping, beeinflussen. Diese Verschiebungen können die typischen saisonalen Muster verzerren und die Vorhersage erschweren.
Anschließend spricht er über das Eingreifen zusätzlicher Muster in die Saisonalität. Vermorel betont die Wichtigkeit, zwischen diesen externen Einflüssen und echten saisonalen Trends zu unterscheiden. Er erläutert, wie man die Herausforderungen meistert, die durch den Mangel an historischen Daten für einen beträchtlichen Teil eines Katalogs entstehen. Er schlägt eine kollektive Perspektive vor, indem er gemeinsame saisonale Muster über eine Reihe ähnlicher Produkte identifiziert. Dieses gemeinsame Muster kann auf neue Produkte angewendet werden, wodurch eine Saisonalitätsprognose von Anfang an möglich wird, selbst für Produkte ohne Verkaufsverlauf.
Als Antwort auf eine Frage zur Prognose bei unsicheren Wetterbedingungen stellt Vermorel das Konzept des dynamischen Time Warping vor. Allerdings gibt er zu, dass die Implementierung von dynamischem Time Warping softwareseitig äußerst komplex ist, was dazu führte, dass Lokad – ähnlich wie die Gemeinschaft der Spracherkennung – auf Deep Learning für ihre Prognose-Engine umstieg.
Um zwischen saisonaler Nachfrage und promotiven Ausschlägen zu unterscheiden, schlägt Vermorel einen parametrischen Zerlegungsansatz vor. Allerdings erkennt er die Beschränkungen dieser Methode an, da historische Daten üblicherweise verflochten sind, was es schwierig macht, Muster unabhängig voneinander zu erlernen.
Um dies anzugehen, schlägt Vermorel zwei Strategien vor. Erstens, zeichnen Sie alle Ereignisse auf, die die Beobachtung der Nachfrage verzerren, einschließlich Promotionen, Fehlbeständen und anderer Faktoren, die den Verkauf beeinflussen. Zweitens, verwenden Sie ein Setup des maschinellen Lernens, um all diese Muster gemeinsam zu erlernen, anstatt zu versuchen, sie separat zu lernen. Er vermutet, dass dies der Grund dafür ist, warum Deep Learning in der Community des maschinellen Lernens so populär geworden ist.
Vermorel räumt ein, dass es aufgrund von Datenverzerrungen schwierig ist, volles Vertrauen in die Ergebnisse zu haben. Er ist jedoch der Ansicht, dass die meisten Märkte eine große Trägheit aufweisen und die jüngste Vergangenheit eine angemessene Annäherung an die nahe Zukunft darstellt.
Er unterstreicht auch die Bedeutung der Saisonalität in der Nachfrageprognose, wobei er ihre Stabilität anerkennt, gleichzeitig aber betont, dass sie nicht festgelegt ist. Das bedeutet, dass sich die Saisonalität von einem Jahr zum nächsten entwickeln kann, und ein gutes statistisches Modell sollte
in der Lage sein, diese durchschnittliche Entwicklungsrate vorherzusagen.
Zum Abschluss des Gesprächs empfiehlt Vermorel Unternehmen, die ihre Prognoseansätze verbessern möchten, auf Setups des maschinellen Lernens umzusteigen, um die Saisonalität besser zu berücksichtigen, und sich von altmodischen Methoden zu verabschieden, die ein manuelles Erstellen von Saisonalitätsprofilen erfordern. Maschinelles Lernen ermöglicht die automatische Pflege saisonaler Gruppen, was zu einer verbesserten Genauigkeit im Laufe der Zeit führt.
Volles Transkript
Kieran Chandler: Joannes, wir sprechen oft über Saisonalität als eines der Kernmuster, die eingesetzt werden, um die Genauigkeit von Prognosen zu verbessern. Aber was meinen wir damit tatsächlich? Was sind die Kernmuster?
Joannes Vermorel: Saisonalität ist eines der wichtigsten zyklischen Muster. Es gibt drei Hauptzyklen, nämlich die Jahreszeit, der Wochentag und die Tageszeit. Das sind die drei Hauptzyklen. Dann gibt es ein paar sekundäre Zyklen wie den paycheck effect, der im Grunde ein monatliches zyklisches Muster ist, bei dem Menschen bezahlt werden oder Dinge zu Beginn oder Ende des Monats passieren. Dann gibt es das, was ich als quasi-Saisonalität bezeichnen würde, Dinge wie Ostern, Ramadan, chinesisches Neujahr. Diese Ereignisse finden jedes Jahr statt, aber nicht genau zur gleichen Jahreszeit, zumindest nicht nach dem gregorianischen Kalender. Wir haben all diese zyklischen Muster, und die Saisonalität ist eines der sehr wichtigen unter ihnen. Neben den Zyklen haben wir die Basisnachfrage, den Trend, wie sehr Dinge im Laufe der Zeit wachsen oder schrumpfen, und schließlich das Maß an statistischem Rauschen, das ebenfalls ein sehr großes Muster darstellt. Man muss die Variabilität wirklich verstehen und feststellen, ob das, was man sieht, Rauschen oder ein echtes statistisches Muster ist.
Kieran Chandler: Sprechen wir also über die Saisonalität an sich. Warum ist sie etwas, mit dem Menschen zu kämpfen haben? Es scheint ziemlich offensichtlich zu sein, dass die Verkäufe zu Weihnachten in die Höhe schießen und dass man rund um die Feiertage unterschiedliche Verkaufszahlen für verschiedene Dinge beobachtet. Warum ist es also etwas, womit Menschen zu kämpfen haben?
Joannes Vermorel: Saisonalität richtig zu erfassen, ist schwierig. Lassen Sie uns die Herausforderungen durchgehen. Die erste Herausforderung besteht darin, dass die meisten Produkte nur eine kurze Lebensdauer auf dem Markt haben. Die durchschnittliche Lebensdauer eines FMCG-Produkts liegt zwischen drei und fünf Jahren. Das bedeutet, wenn Sie Produkte verkaufen, die im Durchschnitt drei Jahre auf dem Markt bestehen, haben die Hälfte Ihrer Produkte nur anderthalb Jahre Existenz. Sogar ein Drittel Ihrer Produkte existiert weniger als ein Jahr. Wenn Sie also ein naives saisonales Modell haben wollen, ein statistisches Modell, bei dem Sie sagen: “Der Verkauf, den ich für das nächste Weihnachten mache, wird dem ähneln, was ich im letzten Weihnachten gemacht habe”, dann stellt sich heraus, dass für ein Drittel Ihrer Produkte das letzte Weihnachten nicht existierte. Sie haben keinen Referenzwert. Die erste Herausforderung besteht also darin, dass Sie aufgrund der Produkteinführungen auf dem Markt mit einem erheblichen Teil Ihres Katalogs konfrontiert sind, der kein volles Jahr existiert. Nehmen wir als Beispiel Autoteile, die in der Regel eine längere Lebensdauer von etwa sechs Jahren haben; selbst dann haben ein Sechstel Ihrer Produkte nicht einmal ein Jahr an Verkaufsdaten. So werden Sie diese schöne Saisonalität nicht auf einen beträchtlichen Teil Ihres Katalogs anwenden können. Das ist eines der Probleme, die wir mit der Saisonalität haben.
Kieran Chandler: Was sind einige der anderen Probleme, mit denen wir bei der Saisonalität konfrontiert sind?
Joannes Vermorel: Ein weiteres Problem ist, dass die Saisonalität nicht von Jahr zu Jahr exakt gleich ist. Ja, Weihnachten ist jedes Jahr am 25. Dezember, aber wenn man von einem Jahr aufs andere blickt, ist die Weihnachtssaison aus der Sicht eines Händlers…
Kieran Chandler: Ein Jahr begann es schon im Oktober sehr kalt zu werden, was dazu führte, dass die Menschen ihren Wintereinkauf früher in der Saison starteten. Umgekehrt blieben die Temperaturen manchmal länger mild, sodass die Menschen später zu kaufen begannen. Manchmal beeinflusst sogar das politische Klima das Einkaufsverhalten. Zum Beispiel, wenn die Menschen sehr besorgt über die Zukunft sind, könnten sie sich entscheiden, ihre Weihnachtseinkäufe bis zur letzten Minute aufzuschieben. Dies sind nur einige der Faktoren, die das, was wir typischerweise als Zeitverzerrung bezeichnen, verursachen können. Es gibt beispielsweise immer noch den Weihnachtsspitzenwert, aber der Beginn der Weihnachtssaison kann von Jahr zu Jahr um einige Wochen variieren. Solche Verzerrungen können bei allen saisonalen Mustern auftreten. Stimmen Sie dem zu?
Joannes Vermorel: Absolut, und das ist wahrscheinlich die zweite Problematik. Die dritte Problematik besteht darin, dass Ihre Saisonalität leider von anderen Mustern beeinflusst wird. Was, wenn Sie zum Beispiel im letzten September eine massive Promotion hatten, die Sie in diesem Jahr nicht wiederholen? Sie sollten den Effekt dieser Promotion nicht mit der Saisonalität verwechseln. Es ist notwendig, die Saisonalität von anderen Mustern zu entflechten. All diese Veränderungen zusammen machen die Saisonalität viel schwerer greifbar, als wenn Sie es nur mit einer naiven Situation zu tun hätten, bei der Sie reine Saisonalität für ein Produkt haben, das langlebig, stabil ist und bei dem alles reibungslos funktioniert.
Kieran Chandler: Sprechen wir also darüber, wie man einige dieser Probleme überwinden kann. Wenn Sie beispielsweise für ein Drittel Ihres Katalogs keine historischen Daten haben, können Sie dann die Saisonalität bei der Prognose dieser Produkte tatsächlich nutzen?
Joannes Vermorel: Ja, aber Sie müssen anfangen, Ihre Produkte als eine Kollektion zu betrachten, anstatt sie einzeln zu analysieren. Was ich meine ist: Nehmen wir an, Sie haben Winterstiefel. Es wird wahrscheinlich ein gemeinsames saisonales Muster für all diese Produkte geben. Sie können vernünftigerweise davon ausgehen, dass diese geteilte Saisonalität existiert. Wenn Sie also diese gemeinsame Saisonalität identifizieren können, spielt es keine Rolle, ob Sie dieses Jahr andere Winterstiefel verkaufen als im letzten Jahr. Sie könnten sagen: “Ich weiß, dass ich für Winterstiefel insgesamt dieses Muster habe.” Somit kann ich, wenn ich ein neues Produkt auf den Markt einführe, für das ich keine Verkaufshistorie habe, von Anfang an ein saisonales Muster anwenden. Ich kann etwas wiederverwenden, das auf einer Aggregation aller Winterstiefel basiert. Der entscheidende Einblick ist, die Breite der Produkte statt die Tiefe der Historie zu betrachten.
Kieran Chandler: Wenn Sie Monate im Voraus prognostizieren, wie würden Sie wissen, ob der Sommer um einen zusätzlichen Monat verlängert wird? Wie können Sie dafür prognostizieren?
Joannes Vermorel: Hier kommen wir in die nächste Phase, nämlich wie wir mit all den Verzerrungen umgehen. Dies kann analytisch erfolgen, unter Einsatz einer Technik, die als dynamisches Time Warping bekannt ist. Wenn sich Interessierte dafür interessieren, können sie es auf Wikipedia nachlesen. Die Implementierung von dynamic time warping ist softwareseitig äußerst komplex. Vor etwa 10 Jahren musste sich die Spracherkennungsgemeinschaft, die maschinelles Lernen für die Spracherkennung betrieb, mit dynamic time warping auseinandersetzen. Sie fanden es zu kompliziert, gaben auf und wechselten zu Deep Learning. Interessanterweise hat Lokad genau dasselbe bei der Saisonalität gemacht. Wir haben dynamic time warping in unserer Prognose-Engine implementiert, aber letztlich durch Deep Learning in der neuesten Generation unserer Prognose-Engines ersetzt.
Kieran Chandler: Es klingt sehr sci-fi, dieses Time Warping. Könntest du uns einen kurzen Überblick geben?
Joannes Vermorel: Der Überblick ist folgender: Sie wissen, dass Ihre Saison bald wahrscheinlich endet, aber Sie wissen nicht genau wann. Allerdings können Sie die Variabilität berücksichtigen.
Kieran Chandler: Wir haben das Ende der Saison erreicht, also weiß ich, dass die Nachfrage fortbestehen wird, aber deutlich geringer. Wie sieht es jedoch aus – eine Saisonalitätsanalyse ohne diese Art von dynamic time warping? Was passiert, wenn die Saison vorzeitig endet?
Joannes Vermorel: Wenn die Saison früh endet, hast du deine neue Basislinie oder dein neues Niveau, und gemäß deinem Saisonalitätsprofil sollte die Nachfrage in der ersten Dezemberwoche etwa halb so hoch sein wie in der letzten Augustwoche. Das ist dein statisches, starres Profil. Aber das Problem ist: Wenn der Sommer früh endet und du in der letzten Augustwoche bereits außerhalb der Sommersaison bist, möchtest du deine Nachfrage in der ersten Septemberwoche nicht erneut um den Faktor 2 teilen. Das liegt daran, dass die Nachfrage von der letzten Augustwoche bis zur ersten Septemberwoche sank, und du befindest dich in einer Situation, in der die Nachfrage bereits gesunken ist.
Dynamic Time Warping ist eine Methode, die hilft, sich aufsummierende Fehler zu vermeiden, wenn die Saison zu spät oder zu früh beginnt und du dein Saisonalitätsprofil doppelt anwendest. Dadurch kommt es zunächst zu einem Nachfragerückgang, und dann wendest du dein saisonales Muster erneut an, was darauf hindeutet, dass es zu einem weiteren Rückgang kommen könnte, oder umgekehrt – die Nachfrage ist bereits auf ein neues Plateau angestiegen, weil die Saison früh begonnen hat, und dann wendest du diesen Faktor erneut an. Dynamic Time Warping prognostiziert keinen besseren Übergang zwischen den Saisons, aber es verhindert diese sich aufsummierenden Fehler.
Kieran Chandler: Also, die Idee ist, dass du das gleiche Nachfragemuster haben wirst, aber es ist entweder komprimiert oder gestreckt, je nach Saison?
Joannes Vermorel: Genau.
Kieran Chandler: Und dann, das Letzte, worüber wir gesprochen haben, waren historische Ausschläge in den Daten und das Nicht-Übertragen dieser Ausschläge in die Saisonalität für dieses Jahr. Wie funktioniert das eigentlich? Wie berücksichtigt man diese nicht? Wie unterscheidet man, was saisonale Nachfrage ist und was nur ein Ausschlag aufgrund einer Promotion oder Ähnlichem?
Joannes Vermorel: Der klassische Ansatz für die Prognose von Zeitreihen ist eine parametrische Zerlegung. Du hast deine Nachfragehistorie und würdest sagen, dass aus dieser Nachfrage dieser Betrag im Grunde die Basis darstellt, dieser Betrag der Saisonalitätsfaktor ist, dieser Betrag durch den Trend erklärt werden kann usw. Dieser Ansatz ist schwach, da du alle deine Muster unabhängig voneinander erlernen möchtest, aber die Realität ist, dass in deinen historischen Daten alles völlig vermischt ist.
Es gibt mindestens zwei Blickwinkel auf dieses Problem. Zunächst musst du in deinen historischen Daten deine Promotionen, deine Lagerengpässe und alle anderen Ereignisse, die nicht die Nachfrage, sondern deine Beobachtung der Nachfrage – also den Verkauf – beeinflusst haben, ordnungsgemäß aufzeichnen. Der Verkauf entspricht nicht der Nachfrage. Zum Beispiel, wenn du prognostizieren möchtest, willst du typischerweise sagen: “Ich möchte die Nachfrage zum Normalpreis vorhersagen, nicht die Nachfrage zu einem extrem niedrigen Promotionpreis”. Aber was du in deiner Historie hast, sind die Verkäufe, und die Verkäufe sind aufgrund der Promotionen, möglicherweise aufgrund von Lagerengpässen und anderen Dingen verzerrt.
Also, das erste ist, dass du alle Faktoren aufzeichnen musst, die deine Wahrnehmung der Nachfrage verzerrt haben, was komplizierter ist, als es klingt. Sehr wenige Unternehmen verfügen über eine sehr präzise Aufzeichnung aller Ereignisse, die ihre Verkäufe beeinflusst haben. Das können Dinge sein wie, wenn du ein E-Commerce-Unternehmen bist, sich zu merken, ob ein Produkt Teil der Startseite oder in einem bestimmten Bereich prominent platziert war, ob ein Produkt Teil eines Newsletters war, ob es Preisbewegungen für die Produkte gab und, wenn du über Wettbewerbsinformationen verfügst, sich den Preis der Produkte deiner Wettbewerber zu merken.
Kieran Chandler: Du hast erwähnt, dass Wettbewerber einen Nachfragerückgang verursacht haben könnten, nicht weil du einen Lagerengpass hattest, sondern weil sie eine massive Promotion durchgeführt haben und du deinen Preis nicht an ihren angepasst hast. Das würde einen Nachfragerückgang erklären.
Joannes Vermorel: Ja, das ist ein Teil des Rezepts. Der zweite Teil ist der Bedarf an einem Machine-Learning-Setup, in dem du all diese Muster gemeinsam erlernen kannst. Modernes Machine Learning versucht nicht, statistische Muster isoliert zu erlernen. Du lernst nicht zuerst die Saisonalität, dann den Trend und dann den Promotionseffekt. Stattdessen hast du ein Modell, das versucht, all diese Muster auf einmal zu erfassen. Das bedeutet, dass das Modell die Kapazität haben muss, eine Vielzahl von Mustern zu erlernen. Es erfordert ein sehr ausdrucksstarkes Modell. Deshalb haben viele Leute in der Machine-Learning-Community Deep Learning angenommen. Es ist ein Ansatz, der ein Modell erzeugen kann, das in der Lage ist, eine Vielzahl von Mustern zu erfassen.
Kieran Chandler: Du erwähnst ständig Verzerrungen. Es scheint, als gäbe es so viele mögliche Arten, wie Daten verzerrt werden können, was die Implementierung von Saisonalität sehr erschwert. Können wir angesichts des Potenzials für Verzerrungen in den Daten wirklich volles Vertrauen in die Ergebnisse haben?
Joannes Vermorel: Absolut, und die Frage ist, inwieweit die Vergangenheit es dir erlaubt, die Zukunft vorherzusagen. Das ist die grundlegende Annahme hinter der statistischen Nachfrageprognose. Leider kann die Zukunft nicht immer anhand der Vergangenheit vorhergesagt werden. Allerdings stimmt das nicht vollständig, wenn wir von Prognosen sprechen, die einige Monate in die Zukunft reichen. Die meisten Märkte weisen viel Trägheit auf. Die jüngste Vergangenheit ist immer noch eine vernünftige Annäherung an die nahe Zukunft. Genau das nutzen wir.
Saisonale Muster sind relativ stark. Sie zeigen sich in allen Angelegenheiten des Menschen. Alles folgt diesem jährlichen Zyklus, und das ist wahrscheinlich seit Tausenden von Jahren so. Menschen sind Gewohnheitstiere, und diese starken Gewohnheiten spiegeln sich in nahezu jeder Zeitreihe wider, die menschliche Angelegenheiten darstellt.
Zum Beispiel folgt die Anzahl der Flugpassagiere einer jährlichen Kurve. Die Menge an Milch, die an einem beliebigen Tag des Jahres gekauft wird, wird eine Saisonalitätskurve aufweisen. Dasselbe gilt für den Kauf von Videospielen, den Stromverbrauch und so weiter.
Diese Muster waren sehr stabil und können genutzt werden. Aber es gibt immer eine gewisse irreduzible Unsicherheit bezüglich der Zukunft.
Kieran Chandler: Wir haben den probabilistischen Ansatz in supply chain optimization besprochen. Soweit ich das verstehe, kann dieser Ansatz auch mit Saisonalität umgehen. Kannst du näher erläutern, wie er mit Veränderungen in den saisonalen Mustern von einem Jahr zum anderen umgeht?
Joannes Vermorel: Natürlich. Unser statistisches Modell ist darauf ausgelegt, sich an die sich entwickelnde Saisonalität anzupassen. Obwohl wir keine genauen Veränderungen vorhersagen können, können wir die durchschnittliche Rate der Entwicklung prognostizieren. Dies ermöglicht es uns, die richtige Menge an Unsicherheit in unsere Prognosen einzubringen. Es ist wichtig zu bedenken, dass diese Prognosen Wahrscheinlichkeitsverteilungen sind, die das Saisonalitätsmuster beinhalten. Allerdings ist dies keine perfekte Darstellung. Es gibt ein gewisses Maß an Unschärfe in Bezug auf die Amplitude. Wir berücksichtigen, wie viel Anstieg es während der Hochsaisonen geben wird, sowie den Zeitpunkt dieser Spitzen. Es ist wirklich eine Kombination dieser beiden Faktoren.
Kieran Chandler: Das ergibt Sinn. Zum Abschluss, könntest du uns sagen, welche Schritte Unternehmen unternehmen können, um ihren Prognoseansatz zu verbessern, insbesondere in Bezug auf die Saisonalität?
Joannes Vermorel: Nun, das erste, was einem einfällt, ist, dass sie sich mit uns bei Lokad in Verbindung setzen! Spaß beiseite, ich denke, der bedeutendste Schritt wäre der Übergang zu Machine-Learning-Setups. Der traditionelle Ansatz zur Verwaltung von Saisonalität beinhaltet das manuelle Erstellen von Saisonalitätsprofilen. Im Wesentlichen gruppierst du Produkte in Kategorien basierend auf geteilter Saisonalität. Diese Methode ist jedoch stark auf menschliche Eingaben angewiesen und im Laufe der Zeit schwer aufrechtzuerhalten.
Kieran Chandler: Könntest du die Probleme dieses traditionellen Ansatzes näher erläutern?
Joannes Vermorel: Natürlich. Das Hauptproblem ist nicht unbedingt, dass die Annahmen des Experten falsch sind. Ein supply chain expert könnte tatsächlich korrekt beurteilen, dass eine Gruppe von Produkten dieselbe Saisonalität aufweist. Das Problem ist, dass es im Laufe der Zeit zur Hölle wird, dieses System aufrechtzuerhalten. Jedes Mal, wenn du ein neues Produkt einführst, musst du sicherstellen, dass es in die richtige Kategorie fällt. Obwohl die anfängliche Gruppierung gut sein mag, neigt sie dazu, sich im Laufe der Zeit zu zersetzen und ineffizient zu werden.
Kieran Chandler: Wie hilft also der Übergang zu Machine Learning dabei?
Joannes Vermorel: Mit einem Machine-Learning-Setup kannst du deine saisonalen Kategorien automatisch pflegen. Dies wird deine Genauigkeit erheblich verbessern, da deine Kategorien, auch wenn sie nicht perfekt sind, sich im Laufe der Zeit nicht zersetzen. Sie werden jedes Mal neu generiert, wenn du sie benötigst.
Kieran Chandler: Das ist sehr aufschlussreich. Leider müssen wir heute Schluss machen. Vielen Dank für deine Zeit, Joannes.
Joannes Vermorel: Gern geschehen, es war mir ein Vergnügen.
Kieran Chandler: Das war’s für diese Woche. Wir sind nächste Woche mit einer weiteren Episode wieder da. Bis dahin, vielen Dank fürs Zuschauen.