Wie man Saisonalität prognostiziert

00:00:05 Saisonale Absatzprognose.
00:00:35 Erklärung der grundlegenden saisonalen Muster.
00:02:23 Herausforderungen bei der saisonalen Prognose, Produktlebensdauer.
00:04:33 Weitere Probleme mit der Saisonalität werden untersucht.
00:06:53 Überwindung von Problemen mit fehlenden historischen Daten.
00:07:16 Lösung: Berücksichtigung von Produktkollektionen für die Saisonalität.
00:08:49 Dynamische Zeitverschiebung.
00:09:06 Übergang zum Deep Learning für die Prognose.
00:10:02 Dynamische Zeitverschiebung bei der Nachfrageprognose.
00:12:09 Umgang mit Spitzen und Sonderaktionen in historischen Daten.
00:13:01 Notwendigkeit genauer Daten und maschinelles Lernen.
00:16:01 Die Beliebtheit des Deep Learning im maschinellen Lernen.
00:16:30 Grenzen vergangener Daten für zukünftige Vorhersagen.
00:17:40 Saisonalität in menschlichen Angelegenheiten für die Modellierung.
00:19:42 Verbesserung der Prognose mit maschinellem Lernen.
00:21:39 Vorteile des maschinellen Lernens im Laufe der Zeit.

Zusammenfassung

In einem Interview diskutiert Joannes Vermorel die Herausforderungen bei der Integration von Saisonalität in die Absatzprognose. Saisonalität, definiert als zyklische Absatzmuster, die durch Jahreszeit, Woche und Tag beeinflusst werden, trägt zu Nachfrageschwankungen bei. Auch sekundäre Zyklen wie der “Gehaltseffekt” und “quasi Saisonalität” sind von Bedeutung. Das Verständnis der Grundnachfrage, Trends und statistischen Störungen in den Daten trägt zur genauen Prognose bei. Herausforderungen bestehen in der kurzen Lebensdauer vieler Produkte und der jährlichen Variabilität von Ereignissen wie Weihnachten. Vermorel schlägt die Annahme einer kollektiven Perspektive auf ähnliche Produkte zur Vorhersage der Leistung von neuen Produkten und den Einsatz von maschinellem Lernen für die automatische Pflege saisonaler Buckets vor.

Erweiterte Zusammenfassung

Kieran Chandler interviewt Joannes Vermorel zum Konzept der Saisonalität in der Absatzprognose und den damit verbundenen Herausforderungen.

Saisonalität ist eines der zentralen Muster, die zur Verbesserung der Genauigkeit von Absatzprognosen verwendet werden, wird jedoch häufig missverstanden und falsch angewendet. Vermorel identifiziert Saisonalität als einen wichtigen Zyklus in den Absatzmustern. Er unterteilt diese Zyklen in drei Haupttypen: die Jahreszeit, den Wochentag und die Tageszeit, die alle zu Variationen in der Nachfrage der Verbraucher beitragen.

Vermorel diskutiert auch sekundäre Zyklen wie den “Gehaltseffekt”, der den monatlichen Zyklus der Gehaltszahlungen von Menschen und dessen Auswirkungen auf ihr Kaufverhalten darstellt. Darüber hinaus führt er “Mineralzyklen” oder “quasi Saisonalität” ein, zu denen Ereignisse wie Ostern, Ramadan und das chinesische Neujahr gehören, die zwar wiederkehrend sind, aber nicht immer auf das gleiche Datum im gregorianischen Kalender fallen.

Ein weiterer wichtiger Aspekt, den Vermorel hervorhebt, ist das Verständnis der Grundnachfrage, der Trends und des statistischen Rauschens in den Daten. Die Erkennung dieser Muster hilft dabei, zwischen zufälligem Rauschen und authentischen statistischen Mustern zu unterscheiden, was für eine effektive Prognose unerlässlich ist.

Trotz der scheinbaren Einfachheit der Saisonalität spricht Vermorel darüber, warum die Menschen oft damit zu kämpfen haben. Die erste Herausforderung besteht in der kurzen Lebensdauer der meisten Produkte auf dem Markt. Zum Beispiel beträgt die durchschnittliche Lebensdauer eines Fast-Moving Consumer Goods (FMCG)-Produkts zwischen drei und fünf Jahren. Dies bedeutet, dass ein großer Teil eines Produktkatalogs möglicherweise nicht einmal ein ganzes Jahr existiert, was die Anwendung der Saisonalität erschwert.

Vermorel führt das Konzept der “Zeitverzerrung” in der Saisonalität ein, was auf Verschiebungen in den saisonalen Mustern aufgrund verschiedener Faktoren hinweist. Änderungen in den Wetterbedingungen können Verbraucher dazu veranlassen, ihren Wintereinkauf früher oder später als üblich zu beginnen. Das politische Klima und die Verbraucherstimmung können auch den Zeitpunkt von Einkäufen beeinflussen, wie zum Beispiel das Weihnachtsgeschäft. Diese Verschiebungen können die typischen saisonalen Muster verzerren und die Vorhersage erschweren.

Anschließend spricht er über die Beeinflussung von zusätzlichen Mustern durch die Saisonalität. Vermorel betont die Bedeutung der Unterscheidung zwischen diesen externen Einflüssen und echten saisonalen Trends. Er geht darauf ein, wie man mit den Herausforderungen umgeht, die durch das Fehlen historischer Daten für einen erheblichen Teil eines Katalogs verursacht werden. Er schlägt eine kollektive Perspektive vor, bei der gemeinsame saisonale Muster über eine Reihe ähnlicher Produkte identifiziert werden. Dieses gemeinsame Muster kann auf neue Produkte angewendet werden und ermöglicht eine Saisonalitätsprognose von Anfang an, selbst für Produkte ohne Verkaufshistorie.

In Beantwortung einer Frage zur Prognose bei unsicheren Wetterbedingungen stellt Vermorel das Konzept des dynamischen Zeitverzerrung vor. Er gibt jedoch zu, dass die Implementierung des dynamischen Zeitverzerrung sehr komplex ist, was dazu geführt hat, dass Lokad, wie die Spracherkennungsgemeinschaft, zur Verwendung von Deep Learning für ihre Prognose-Engine übergegangen ist.

Um zwischen saisonaler Nachfrage und Werbespitzen zu unterscheiden, schlägt Vermorel einen parametrischen Zerlegungsansatz vor. Er erkennt jedoch die Grenzen dieser Methode an, da historische Daten in der Regel miteinander verflochten sind, was es schwierig macht, Muster unabhängig voneinander zu lernen.

Um dies zu lösen, schlägt Vermorel zwei Strategien vor. Erstens, alle Ereignisse aufzeichnen, die die Beobachtung der Nachfrage verzerren, einschließlich Werbeaktionen, Lagerbestandsausfälle und andere Faktoren, die den Verkauf beeinflussen. Zweitens, ein maschinelles Lernsetup verwenden, um all diese Muster gemeinsam zu lernen, anstatt sie separat zu lernen. Er schlägt vor, dass dies der Grund ist, warum Deep Learning in der maschinellen Lerngemeinschaft beliebt geworden ist.

Vermorel erkennt die Herausforderung an, volles Vertrauen in die Ergebnisse zu haben, aufgrund von Datenverzerrungen. Er betont jedoch, dass die meisten Märkte eine hohe Trägheit aufweisen und die jüngste Vergangenheit eine vernünftige Annäherung an die nahe Zukunft ist.

Er betont auch die Bedeutung der Saisonalität bei der Nachfrageprognose und erkennt ihre Stabilität an, betont jedoch ihre Nicht-Fixierung. Dies bedeutet, dass sich die Saisonalität von einem Jahr zum nächsten entwickeln kann und ein gutes statistisches Modell in der Lage sein sollte, diese durchschnittliche Evolutionsrate vorherzusagen.

Zum Abschluss der Unterhaltung empfiehlt Vermorel Unternehmen, die ihre Prognoseansätze verbessern möchten, um die Saisonalität besser zu berücksichtigen und auf maschinelles Lernen umzusteigen, anstatt auf alte Methoden zurückzugreifen, die manuelle Erstellung von Saisonalitätsprofilen erfordern. Maschinelles Lernen ermöglicht eine automatische Pflege von saisonalen Buckets und führt im Laufe der Zeit zu einer verbesserten Genauigkeit.

Vollständiges Transkript

Kieran Chandler: Joannes, wir sprechen oft darüber, dass Saisonalität eines der Kernmuster ist, die zur Verbesserung der Genauigkeit von Prognosen angewendet werden. Aber was meinen wir eigentlich damit? Was sind die Kernmuster?

Joannes Vermorel: Saisonalität ist eines der Hauptzyklusmuster. Es gibt drei Hauptzyklen, nämlich die Jahreszeit, den Wochentag und die Tageszeit. Das sind die drei Hauptzyklen. Dann gibt es ein paar sekundäre Zyklen wie den Gehaltseffekt, der im Grunde ein monatliches zyklisches Muster ist, bei dem es Auswirkungen gibt, wenn Menschen bezahlt werden oder Dinge am Anfang oder Ende des Monats passieren. Dann haben wir das, was ich als eine Art Saisonalität bezeichnen würde, wie Ostern, Ramadan, chinesisches Neujahr. Diese Ereignisse passieren jedes Jahr, aber nicht genau zur gleichen Zeit des Jahres, zumindest nach dem gregorianischen Kalender. Wir haben all diese zyklischen Muster, und Saisonalität ist eines der wichtigsten davon. Neben den Zyklen haben wir die Grundnachfrage, den Trend, wie stark sich die Dinge im Laufe der Zeit vergrößern oder verkleinern, und schließlich die Menge an statistischem Rauschen, was ebenfalls ein sehr großes Muster ist. Sie müssen die Variabilität wirklich verstehen und bestimmen, ob das, was Sie sehen, Rauschen oder ein tatsächliches statistisches Muster ist.

Kieran Chandler: Sprechen wir also über die Saisonalität selbst. Warum haben die Leute damit Schwierigkeiten? Es scheint ziemlich offensichtlich zu sein, dass zu Weihnachten die Verkäufe steigen und zu Ferienzeiten unterschiedliche Verkäufe für verschiedene Dinge zu sehen sind. Warum haben die Leute damit Schwierigkeiten?

Joannes Vermorel: Saisonalität richtig hinzubekommen, ist schwierig. Lassen Sie uns die Herausforderungen überprüfen. Die erste Herausforderung besteht darin, dass die meisten Produkte auf dem Markt eine kurze Lebensdauer 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 bleiben, bedeutet das, dass die Hälfte Ihrer Produkte nur anderthalb Jahre existiert. Sie haben sogar ein Drittel Ihrer Produkte, die weniger als ein Jahr haben. Wenn Sie also ein naives saisonales Modell haben möchten, ein statistisches Modell, bei dem Sie sagen, dass die Verkäufe, die ich für nächstes Weihnachten machen werde, ähnlich sein werden wie das, was ich für das vorherige Weihnachten gemacht habe, nun, es stellt sich heraus, dass für ein Drittel Ihrer Produkte kein letztes Weihnachten stattgefunden hat. Sie haben keine Referenz. Die erste Herausforderung besteht also darin, dass Sie aufgrund der Produktneuheit auf dem Markt einen erheblichen Teil Ihres Katalogs haben, der keine Jahresexistenz hat. Nehmen wir zum Beispiel Autoteile, die tendenziell eine längere Lebensdauer von etwa sechs Jahren haben, selbst dann haben ein Sechstel Ihrer Produkte nicht einmal ein Jahr Verkauf. Sie werden also nicht in der Lage sein, diese schöne Saisonalität auf einen beträchtlichen Teil Ihres Katalogs anzuwenden. Das ist eines der Probleme, mit denen wir bei der Saisonalität konfrontiert sind.

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 unbedingt von einem Jahr zum anderen genau gleich ist. Ja, Weihnachten ist jedes Jahr am 25. Dezember, aber wenn Sie von einem Jahr zum anderen gehen, die Weihnachtszeit aus Sicht eines Händlers.

Kieran Chandler: Ein Jahr begann es bereits im Oktober sehr kalt zu werden, was dazu führte, dass die Menschen früher in der Saison mit ihrem Winter-Shopping begannen. Umgekehrt blieben manchmal die Temperaturen länger mild, so dass die Menschen später mit dem Einkaufen begannen. Manchmal beeinflusst sogar das politische Klima die Einkaufsgewohnheiten. Wenn die Menschen zum Beispiel sehr besorgt über die Zukunft sind, könnten sie sich entscheiden, Weihnachtseinkäufe bis zur letzten Minute zu verschieben. Dies sind nur einige der Faktoren, die zu dem führen können, was wir typischerweise als Zeitverzerrung bezeichnen. Sie haben immer noch den Weihnachts-Höhepunkt, aber der Beginn der Weihnachtszeit kann von einem Jahr zum nächsten um einige Wochen variieren. Diese Art von Verzerrung kann bei allen saisonalen Mustern auftreten. Würden Sie zustimmen?

Joannes Vermorel: Absolut, und das ist wahrscheinlich die zweite Klasse von Problemen. Die dritte Klasse ist, dass Ihre Saisonalität leider von anderen Mustern beeinflusst wird. Was ist, wenn Sie zum Beispiel letztes Jahr im September eine massive Promotion hatten, die Sie dieses Jahr nicht wiederholen? Sie sollten den Einfluss dieser Promotion nicht mit der Saisonalität verwechseln. Sie müssen die Saisonalität von anderen Mustern trennen. Und all diese Veränderungen zusammen machen die Saisonalität viel schwerer fassbar, als wenn Sie es nur mit einer naiven Situation zu tun hätten, in der Sie reine Saisonalität für ein langlebiges, stabiles Produkt haben und alles reibungslos funktioniert.

Kieran Chandler: Sprechen wir dann über die Überwindung einiger dieser Probleme. Wenn Sie zum Beispiel für ein Drittel Ihres Katalogs keine historischen Daten haben, können Sie tatsächlich die Saisonalität für diese Produkte in der Prognose verwenden?

Joannes Vermorel: Ja, aber Sie müssen anfangen, Ihre Produkte als eine Sammlung zu betrachten, anstatt Produkte einzeln zu untersuchen. 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 eine gemeinsame Saisonalität existiert. Wenn Sie also diese gemeinsame Saisonalität identifizieren können, spielt es keine Rolle, ob Sie dieses Jahr andere Winterstiefel verkaufen als letztes Jahr. Sie könnten sagen: “Ich weiß, dass ich für Winterstiefel insgesamt dieses Muster habe.” Daher kann ich, wenn ich ein neues Produkt auf den Markt bringe, für das ich keine Verkaufshistorie habe, von Anfang an ein saisonales Muster anwenden. Ich kann etwas recyceln, das auf einer Gesamtzahl für alle Winterstiefel basiert. Der Schlüssel ist, den Umfang der Produkte zu betrachten, anstatt die Tiefe der Geschichte.

Kieran Chandler: Wenn Sie Monate im Voraus prognostizieren, wie würden Sie wissen, ob der Sommer um einen Monat verlängert wird? Wie können Sie dafür prognostizieren?

Joannes Vermorel: Hier kommen wir zur nächsten Stufe, nämlich wie wir mit all den Verzerrungen umgehen. Es kann analytisch gemacht werden, mit einer Technik, die als dynamische Zeitverzerrung bekannt ist. Wenn sich Leute dafür interessieren, können sie es auf Wikipedia nachschlagen. Die Implementierung der dynamischen Zeitverzerrung ist softwaretechnisch äußerst kompliziert. Vor etwa 10 Jahren musste sich die Spracherkennungsgemeinschaft, die maschinelles Lernen für die Spracherkennung betrieb, mit dynamischer Zeitverzerrung auseinandersetzen. Sie fanden es zu kompliziert, gaben auf und wechselten zu Deep Learning. Interessanterweise hat Lokad dasselbe für die Saisonalität getan. Wir haben die dynamische Zeitverzerrung in unserem Prognosemodell implementiert, aber letztendlich das gesamte Modell in der neuesten Generation unserer Prognosemodelle durch Deep Learning ersetzt.

Kieran Chandler: Es klingt sehr Science-Fiction, Zeitverzerrung. Können Sie uns einen kurzen Überblick geben?

Joannes Vermorel: Der Überblick ist, dass Sie wissen, dass Ihre Saison wahrscheinlich bald enden wird, aber Sie wissen nicht genau wann. Sie können jedoch die Variabilität berücksichtigen.

Kieran Chandler: Wir haben das Ende der Saison erreicht, also weiß ich, dass die Nachfrage weiterhin besteht, aber viel geringer ist. Wie sieht jedoch eine Saisonalitätsanalyse ohne diese Art von dynamischer Zeitverzerrung aus? Was passiert, wenn die Saison früh endet?

Joannes Vermorel: Wenn die Saison früh endet, haben Sie Ihre neue Basislinie oder Ihr Niveau, und gemäß Ihrem Saisonalitätsprofil soll die Nachfrage für die erste Woche im Dezember etwa die Hälfte der letzten Woche im August betragen. Das ist Ihr statisches, starres Profil. Das Problem ist jedoch, wenn der Sommer früh endet und Sie bereits in der letzten Woche im August aus der Sommersaison heraus sind, möchten Sie Ihre Nachfrage in der ersten Woche im September nicht erneut um den Faktor 2 teilen. Dies liegt daran, dass die Nachfrage von der letzten Woche im August bis zur ersten Woche im September abnimmt und Sie sich in einer Situation befinden, in der die Nachfrage bereits gesunken ist.

Die dynamische Zeitverzerrung ist eine Technik, die dazu beiträgt, Fehler zu vermeiden, wenn die Saison spät oder früh beginnt und Sie Ihr Saisonalitätsprofil zweimal anwenden. Sie haben zunächst einen Nachfrageeinbruch und wenden dann Ihr saisonales Muster erneut an, das darauf hinweist, dass es zu einem weiteren Einbruch kommen würde, oder das Gegenteil - die Nachfrage hat bereits einen neuen Höhepunkt erreicht, weil die Saison früh begonnen hat, und dann wenden Sie diesen Faktor erneut an. Die dynamische Zeitverzerrung sagt keine bessere Übergänge zwischen den Saisons voraus, ermöglicht es Ihnen jedoch, diese kumulativen Fehler zu vermeiden.

Kieran Chandler: Also, die Idee ist, dass Sie das gleiche Nachfrageprofil haben werden, aber es entweder komprimiert oder verlängert wird, abhängig von der Saison?

Joannes Vermorel: Genau.

Kieran Chandler: Und dann haben wir zuletzt über historische Spitzen in den Daten gesprochen und wie man diese Spitzen nicht für die Saisonalität dieses Jahres überträgt. Wie funktioniert das eigentlich? Wie berücksichtigt man diese nicht? Wie weiß man, was saisonale Nachfrage ist und was nur eine Spitze aufgrund einer Promotion oder ähnlichem ist?

Joannes Vermorel: Der klassische Ansatz für die Zeitreihenprognose ist eine parametrische Zerlegung. Sie haben Ihre Nachfragehistorie und sagen, dass aus dieser Nachfrage dieser Betrag im Wesentlichen die Basislinie ist, dieser Betrag der Saisonalitätsfaktor ist, dieser Betrag mit dem Trend erklärt werden kann, usw. Dieser Ansatz ist schwach, weil Sie alle Ihre Muster unabhängig voneinander lernen möchten, aber die Realität ist, dass in Ihren historischen Daten alles vollständig vermischt ist.

Es gibt mindestens zwei Aspekte dieses Problems. Erstens müssen Sie in Ihren historischen Daten ordnungsgemäß alle Faktoren erfassen, die Ihre Wahrnehmung der Nachfrage verzerren, also nicht die Nachfrage selbst, sondern Ihre Beobachtung der Nachfrage, die Verkäufe. Die Verkäufe entsprechen nicht der Nachfrage. Wenn Sie beispielsweise eine Prognose erstellen möchten, möchten Sie in der Regel sagen: “Ich möchte die Nachfrage zum regulären Preis prognostizieren, nicht die Nachfrage zum supergünstigen Aktionspreis”. Aber was Sie in Ihrer Geschichte haben, sind Ihre Verkäufe und die Verkäufe sind aufgrund von Promotionen und möglicherweise Lagerbestandsengpässen und anderen Dingen verzerrt.

Die erste Sache ist also, dass Sie alle Faktoren aufzeichnen müssen, die Ihre Wahrnehmung der Nachfrage verzerren, was schwieriger ist, als es klingt. Nur sehr wenige Unternehmen haben eine sehr genaue Aufzeichnung aller Ereignisse, die ihre Verkäufe beeinflusst haben. Dazu können Dinge gehören wie die Erinnerung daran, ob ein Produkt Teil der Homepage war oder prominent in einem Abschnitt präsentiert wurde, ob ein Produkt Teil eines Newsletters war, ob es Preisbewegungen für die Produkte gab und selbst wenn Sie Wettbewerbsinformationen haben, sich an den Preis der Produkte Ihrer Konkurrenten erinnern.

Kieran Chandler: Sie haben erwähnt, dass Wettbewerber eine Nachfragesenkung verursacht haben könnten, nicht weil Sie einen Lagerbestandsengpass hatten, sondern weil sie eine massive Promotion durchgeführt haben und Sie Ihren Preis nicht mit ihrem abgestimmt haben. Das würde einen Rückgang der Nachfrage erklären.

Joannes Vermorel: Ja, das ist ein Teil des Rezepts. Der zweite Teil ist die Notwendigkeit eines Machine-Learning-Setups, in dem Sie all diese Muster gemeinsam lernen können. Moderne Machine-Learning-Verfahren versuchen nicht, statistische Muster isoliert voneinander zu lernen. Sie lernen nicht zuerst die Saisonalität, dann den Trend und dann den Werbeeffekt. Stattdessen haben Sie ein Modell, das versucht, all diese Muster auf einmal zu erfassen. Das bedeutet, dass das Modell die Fähigkeit haben muss, eine Vielzahl von Mustern zu lernen. Es erfordert ein sehr ausdrucksstarkes Modell. Deshalb haben viele Menschen in der Machine-Learning-Community Deep Learning angenommen. Es ist ein Ansatz, der ein Modell generieren kann, das in der Lage ist, eine Vielzahl von Mustern zu erfassen.

Kieran Chandler: Sie erwähnen immer wieder Verzerrungen. Es scheint, als gäbe es so viele mögliche Arten, wie Daten verzerrt werden können, was die Implementierung von Saisonalität sehr schwierig macht. Können wir den Ergebnissen wirklich voll vertrauen, angesichts des Potenzials für Verzerrungen in den Daten?

Joannes Vermorel: Absolut, und die Frage ist, wie sehr lässt uns die Vergangenheit die Zukunft vorhersagen? Das ist die grundlegende Annahme hinter der statistischen Nachfrageprognose. Leider kann die Zukunft nicht immer durch die Vergangenheit vorhergesagt werden. Dies ist jedoch nicht vollständig zutreffend, wenn wir über Prognosen sprechen, die ein paar Monate voraus liegen. Die meisten Märkte haben eine hohe Trägheit. Die jüngste Vergangenheit ist immer noch eine vernünftige Annäherung an die nahe Zukunft. Das ist es, was wir nutzen.

Saisonale Muster sind relativ stark. Sie sind in allen menschlichen Angelegenheiten zu sehen. 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 einem jährlichen Verlauf. Die Menge an Milch, die an einem bestimmten Tag im Jahr gekauft wird, hat eine saisonale Kurve. Das gilt auch 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 unvermeidliche Unsicherheit über die Zukunft.

Kieran Chandler: Wir haben die probabilistische Herangehensweise in der Supply Chain-Optimierung diskutiert. Soweit ich verstehe, kann dieser Ansatz auch mit Saisonalität umgehen. Können Sie erläutern, wie er mit Veränderungen in den saisonalen Mustern von einem Jahr zum anderen umgeht?

Joannes Vermorel: Sicherlich. Unser statistisches Modell ist darauf ausgelegt, sich an sich ändernde Saisonalität anzupassen. Obwohl wir möglicherweise nicht in der Lage sind, genaue Veränderungen vorherzusagen, können wir die durchschnittliche Evolutionsrate prognostizieren. Dadurch können wir die richtige Menge an Unsicherheit in unsere Prognosen einbringen. Es ist wichtig zu bedenken, dass diese Prognosen Wahrscheinlichkeitsverteilungen sind, die das saisonale Muster berücksichtigen. Dies ist jedoch keine perfekte Darstellung. Es gibt eine gewisse Unschärfe in Bezug auf die Amplitude. Wir berücksichtigen, wie viel Uplift es während der Spitzenzeiten geben wird, sowie den Zeitpunkt dieser Spitzen. Es ist wirklich eine Kombination dieser beiden Faktoren.

Kieran Chandler: Das ergibt viel Sinn. Zum Abschluss könnten Sie uns sagen, welche Schritte Unternehmen unternehmen können, um ihren Ansatz zur Prognose zu verbessern, insbesondere in Bezug auf die Saisonalität?

Joannes Vermorel: Nun, das Erste, was mir in den Sinn kommt, ist, dass sie sich mit uns bei Lokad in Verbindung setzen! Spaß beiseite, ich denke, der wichtigste Schritt wäre der Übergang zu Machine-Learning-Setups. Der traditionelle Ansatz zur Verwaltung von Saisonalität besteht darin, Saisonalitätsprofile manuell zu erstellen. Im Wesentlichen gruppieren Sie Produkte basierend auf gemeinsamer Saisonalität. Diese Methode beruht jedoch stark auf menschlicher Eingabe und ist schwer über die Zeit aufrechtzuerhalten.

Kieran Chandler: Könnten Sie auf die Probleme mit diesem traditionellen Ansatz eingehen?

Joannes Vermorel: Natürlich. Das Hauptproblem besteht nicht unbedingt darin, dass die Annahmen des Experten falsch sind. Ein Supply-Chain-Experte kann durchaus korrekt einschätzen, dass eine Gruppe von Produkten die gleiche Saisonalität aufweist. Das Problem besteht darin, dass die Aufrechterhaltung dieses Systems im Laufe der Zeit zu einem Albtraum wird. Jedes Mal, wenn Sie ein neues Produkt einführen, müssen Sie sicherstellen, dass es in den richtigen Eimer fällt. Obwohl die anfängliche Clusterbildung gut sein kann, neigt sie dazu, im Laufe der Zeit zu degenerieren und ineffizient zu werden.

Kieran Chandler: Wie hilft der Übergang zum maschinellen Lernen also dabei?

Joannes Vermorel: Mit einem maschinellen Lern-Setup können Sie Ihre saisonalen Eimer automatisch pflegen. Dadurch verbessert sich Ihre Genauigkeit erheblich, da Ihre Eimer, auch wenn sie nicht perfekt sind, im Laufe der Zeit nicht degenerieren. Sie werden jedes Mal neu generiert, wenn Sie sie benötigen.

Kieran Chandler: Das ist sehr aufschlussreich. Leider müssen wir für heute Schluss machen. Vielen Dank für Ihre Zeit, Joannes.

Joannes Vermorel: Gern geschehen, es war mir ein Vergnügen.

Kieran Chandler: Das ist alles für diese Woche. Wir sind nächste Woche wieder mit einer neuen Folge zurück. Bis dahin vielen Dank an alle, die zugeschaut haben.