Wahrscheinlichkeitsvorhersagen (2016)
Wahrscheinlichkeitsvorhersagen stellen eine signifikante Verbesserung gegenüber der bisherigen Generation von Lokads Vorhersagetechnologie auf Basis von Quantilgittern dar. Im Vergleich zu klassischen Prognosemethoden bedeuten Wahrscheinlichkeitsvorhersagen einen Durchbruch, der eine deutlich höhere Genauigkeit bietet und sich in betriebliche Vorteile in Bezug auf supply chain, Lagerbestand oder Produktion umsetzt. Viele Unternehmen sind von Vorhersagen frustriert, die sie immer wieder im Stich lassen. Es dauerte Jahre, bis Lokad die Ursache des Problems vollständig erkannt hatte: Traditionelle Prognoseansätze sollen korrekte Zahlen liefern. Natürlich ist die Zukunft unsicher, und wenn ein bestimmtes Werkzeug oder eine Lösung nicht wie erwartet korrekte Zahlen liefert, bleiben auch die Vorteile aus. Anstatt nur eine mögliche Zukunft zu berücksichtigen, weist eine Wahrscheinlichkeitsvorhersage jedem von mehreren möglichen Ergebnissen eine Wahrscheinlichkeit zu.
In dieser Episode von LokadTV verstehen wir, wie Wahrscheinlichkeitsvorhersagen genutzt werden können, um den Betrieb von supply chain zu verbessern. Wir diskutieren Genauigkeit und Einschränkungen und erörtern, warum die Branche immer noch so stark an traditionellen Techniken festhält und wie die Zukunft der Prognose voraussichtlich aussehen könnte.
Die Unsicherheit annehmen
In unserer Erfahrung kann keine noch so feine Abstimmung der bestehenden Prognosemodelle und keine noch so umfangreiche F&E, um bessere Modelle im traditionellen Sinne zu entwickeln, dieses Problem beheben. Methoden wie die Sicherheitsbestandsanalyse sollen Unsicherheiten managen, sind in der Praxis aber nur ein nachträglicher Gedanke. Im supply chain-Management werden Kosten durch Extremereignisse getrieben: Es ist die überraschend hohe Nachfrage, die zu Fehlbeständen und Kundenfrustration führt, und die überraschend niedrige Nachfrage, die zu toten Beständen und folglich zu teuren Abschreibungen auf den Lagerbestand führt. Wie alle Führungskräfte wissen, sollte man auf das Beste hoffen, sich aber auf das Schlimmste vorbereiten. Wenn die Nachfrage genau dem entspricht, was erwartet wurde, läuft alles reibungslos. Die eigentliche Herausforderung in der Prognose besteht jedoch nicht darin, bei den einfachen Fällen, in denen alles reibungslos läuft, gute Ergebnisse zu erzielen, sondern darin, die schwierigen Fälle zu bewältigen, die Ihre supply chain stören und alle in den Wahnsinn treiben.
Lokad hat einen radikal neuen Ansatz zur Bewältigung von Vorhersagen entwickelt, nämlich Wahrscheinlichkeitsvorhersagen. Einfach ausgedrückt gibt eine Wahrscheinlichkeitsvorhersage der Nachfrage nicht nur eine Schätzung der Nachfrage, sondern bewertet die Wahrscheinlichkeiten jeder einzelnen Zukunft. Die Wahrscheinlichkeit von 0 Einheiten Nachfrage wird geschätzt, die Wahrscheinlichkeit von 1 Einheit Nachfrage, von 2 Einheiten Nachfrage und so weiter – jede Nachfragemenge erhält ihre geschätzte Wahrscheinlichkeit, bis diese so gering wird, dass sie vernachlässigt werden kann.
Diese Wahrscheinlichkeitsvorhersagen bieten einen völlig neuen Blick auf die Zukunft. Anstatt in einer Wunschdenkweise zu verharren, in der prognostizierte Werte als selbstverständlich erachtet werden, erinnern sie daran, dass alles immer möglich ist, nur eben nicht gleich wahrscheinlich. Somit bieten Wahrscheinlichkeitsvorhersagen eine leistungsstarke Methode, Risiken quantitativ auszugleichen, wenn es darum geht, sich auf das Schlimmste vorzubereiten (während traditionelle Vorhersagen diesen Risiken gegenüber blind bleiben).
Während Risikoanalysen in traditionellen Prognoseansätzen meist nur nachträglich bedacht werden, rückt Lokad mit Wahrscheinlichkeitsvorhersagen das Thema in den Vordergrund.
Aus der Perspektive eines Praktikers
Wahrscheinlichkeitsvorhersagen mögen sehr einschüchternd und technisch klingen. Doch wenn Sie im Bereich supply chain tätig sind, haben Sie wahrscheinlich bereits seit Jahren intuitiv probabilistische Vorhersagen erstellt: Denken Sie an all die Situationen, in denen Ihre Grundprognosen nach oben oder unten korrigiert werden mussten, weil die Risiken einfach zu groß waren… Genau darum geht es bei Wahrscheinlichkeitsvorhersagen: darum, fundierte Entscheidungen in der realen Welt angesichts einer unsicheren Zukunft auszubalancieren. Während Risikoanalysen in traditionellen Prognoseansätzen meist nur nachträglich bedacht werden, rückt Lokad mit Wahrscheinlichkeitsvorhersagen das Thema in den Vordergrund.
Die Datenausgabe der probabilistischen Prognose-Engine sind Wahrscheinlichkeitsverteilungen. Praktisch betrachtet ist diese Information zwar extrem reichhaltig (es ist schließlich ein Einblick in viele mögliche Zukünfte!), jedoch recht unpraktisch in ihrer rohen Form zu nutzen. Deshalb stellt Lokad eine komplette Plattform, alle notwendigen Werkzeuge und Teamunterstützung bereit, damit Ihr Unternehmen diese Wahrscheinlichkeiten in geschäftliche Entscheidungen umsetzen kann, wie beispielsweise Nachbestellmengen.
Die Webapp von Lokad verfügt über Big-Data-Verarbeitungsfunktionen und ermöglicht es Ihnen, die notwendige Geschäftslogik zu erstellen, die diese Vorhersagen in Entscheidungen umsetzt, welche speziell auf Ihr Unternehmen zugeschnitten sind. Diese Entscheidungen können an Ihre spezifischen supply chain-Beschränkungen angepasst werden, beispielsweise an Mindestbestellmengen (MOQ), an wirtschaftliche Treiber wie Risiken im Zusammenhang mit Ablaufdaten, sowie an Ihre Prozesse, etwa tägliche Bestellungen, die vor 8 Uhr morgens aufgegeben werden müssen.
Robotisierung durch Machine Learning
Das Management von supply chain umfasst häufig viele Produkte, die an zahlreiche Standorte transportiert werden. Traditionelle Prognoselösungen beruhen oft auf recht manuellen Anpassungen, wann immer fortgeschrittene statistische Muster – wie beispielsweise neue Produkte oder Produktlebenszyklus-Effekte – ins Spiel kommen. Bei Lokad zeigt die Erfahrung jedoch, dass wenn eine Prognoselösung Fine-Tuning erfordert, dies niemals endet: Unabhängig davon, wie viele Wochen oder Monate an Arbeitskraft darauf verwendet werden, die Lösung zum Laufen zu bringen, besteht ständig der Bedarf an weiterem Fine-Tuning, weil es zu viele Produkte, zu viele Standorte gibt und sich das Geschäft ständig ändert.
Deshalb hat sich Lokad entschieden, den Prognoseprozess vollständig zu robotisieren. Das bedeutet, dass
- Es ist kein statistisches Wissen erforderlich, um Vorhersagen zu erhalten
- Es wird kein Fine-Tuning erwartet, um Vorhersagen anzupassen
- Es ist keine Wartung erforderlich, um die Vorhersagen an Ihr Geschäft anzupassen
Ein kleiner Nachteil ist, dass diese Algorithmen erheblich mehr Rechenleistung benötigen als ihre traditionellen Gegenstücke. Dieses Problem wird jedoch durch Cloud Computing gelöst, das die Prognose-Engine reibungslos laufen lässt, unabhängig von der Menge der verarbeiteten Daten.
Der Ursprung unserer Wahrscheinlichkeitsvorhersagen
Lokad hat die probabilistische Vorhersage nicht erfunden, andere Mathematiker taten das, meist indem sie das Konzept zur Bewältigung völlig anderer Fragestellungen einsetzten, wie zum Beispiel bei der Prognose von Rohstoffaktienkursen oder beim Wettervorhersagen. Außerdem hat Lokad nicht von Anfang an probabilistische Vorhersagen verwendet; wir haben klassische Prognosen (2008), Quantilprognosen (2012) und Quantilgitter (2015) durchlaufen
davor. Infolgedessen stellen probabilistische Vorhersagen tatsächlich die 4. Generation unserer Prognosetechnologie dar. Aus den Erfahrungen, die wir mit den vorherigen Iterationen dieser Technologie gesammelt haben, haben wir ein beträchtliches Know-how hinsichtlich der Gestaltung einer Prognose-Engine erworben, die in der Lage ist, eine Vielzahl von Geschäftssituationen abzudecken.
Die grundsätzliche Idee, Wahrscheinlichkeiten statt eines Durchschnitts zu schätzen, entstand in unseren frühen Jahren, als wir noch versuchten, den klassischen Ansatz zum Laufen zu bringen. Es bedurfte einiger Misserfolge, um zu erkennen, dass der klassische Ansatz von Grund auf fehlerhaft war und dass keine Menge an F&E ein defektes statistisches Fundament reparieren konnte. Das statistische Fundament selbst musste zuerst korrigiert werden, um das Prognosemodell funktionsfähig zu machen.
Darüber hinaus war jede Iteration unserer Prognose-Engine eine Generalisierung – aus mathematischer Sicht – der vorherigen Version, wobei jede neue Generation unserer Prognose-Engine in der Lage ist, mehr Situationen zu bewältigen als die vorherige. Tatsächlich ist es besser, annähernd richtig zu liegen, als exakt falsch zu sein. Die schwierigsten Situationen treten auf, wenn die Prognose-Engine nicht in der Lage ist, Vorhersagen zu generieren, die optimal zu einer bestimmten Geschäftssituation passen, weil die Engine nicht ausdrucksstark genug ist. Oder wenn die Prognose-Engine die Eingabedaten, die tatsächlich relevant wären, um statistische Erkenntnisse über eine gegebene Situation zu gewinnen, nicht verarbeiten kann, weil auch hier die Ausdruckskraft fehlt. Bei Lokad ist die Prognose ein fortlaufender Prozess. Wir sind zwar stolz auf das, was wir mit unserer probabilistischen Prognose-Engine aufgebaut haben, aber dies ist nicht das Ende unserer Bemühungen. Anders als bei On-Premise-Lösungen, bei denen ein Upgrade auf ein neues Tool eine eigene Herausforderung darstellt, profitieren Lokads Kunden von unserer nächsten Generation der Prognose-Engine, sobald sie verfügbar wird.
Unsere Prognose-FAQ
Welche Prognosemodelle verwenden Sie?
Wir verwenden viele Prognosemodelle. Die meisten der heutzutage verwendeten Modelle würden als Machine Learning-Algorithmen betrachtet. Diese Modelle wurden von Lokad entwickelt und haben typischerweise keine benannten Pendants in der wissenschaftlichen Literatur. Als wir im Jahr 2008 begannen, hatten wir alle Klassiker (Box-Jenkins, ARIMA, Holt-Winters, exponentielle Glättung usw.) neu implementiert; aber diese Modelle gerieten in Vergessenheit, da sie einfach nicht mit unseren neuesten Modellen konkurrieren können.
Wie wählen Sie das bzw. die zu verwendenden Modelle aus?
Die Auswahl des richtigen Modells oder der richtigen konvexen Kombination von Modellen ist bereits die halbe Miete, wenn es darum geht, eine gute Prognose zu erstellen. Aus statistischer Sicht wäre ein System, das stets das “beste” Modell auswählen könnte, gleichbedeutend mit einem System, das immer die “perfekten” Vorhersagen liefert. In der Praxis stützt sich unsere Prognose-Engine stark auf Backtesting, um die beste Modellauswahl zu treffen.
Berücksichtigt Ihre Prognose-Engine Saisonalitäten, Trends, Wochentage?
Ja, die Prognose-Engine berücksichtigt alle gängigen Zyklen. Unsere Modelle verwenden außerdem intensiv einen mehrzeitlichen Ansatz, um die in anderen Produkten beobachteten Zyklen auszunutzen und so die Prognosegenauigkeit eines einzelnen Produkts zu verbessern. Natürlich können zwei Produkte dieselbe Saisonalität aufweisen, aber nicht dasselbe Wochentagsmuster. Auch hierfür haben wir entsprechende Modelle.
Welche Daten benötigen Sie?
Um die Nachfrage zu prognostizieren, muss der Prognose-Engine zumindest die tägliche historische Nachfrage zur Verfügung gestellt werden, wobei eine aufgeschlüsselte Bestellhistorie sogar noch besser ist. Je länger die Historie, desto besser. Während bei weniger als zwei Jahren Historie keine Saisonalität erkannt werden kann, halten wir drei Jahre für gut und fünf Jahre für ausgezeichnet. Zur Prognose der Lieferzeiten benötigt die Engine in der Regel, dass die Bestellungen sowohl das Bestelldatum als auch das Lieferdatum enthalten. Auch die Angabe Ihrer Produkt- oder SKU-Attribute hilft, die Prognosen erheblich zu verfeinern. Darüber hinaus ist die Bereitstellung Ihrer Lagerbestände für eine erste aussagekräftige Lageranalyse sehr hilfreich.
Können Sie meine Excel-Tabelle prognostizieren?
Als Faustregel gilt: Wenn alle Ihre Daten in eine einzige Excel-Tabelle passen, können wir in der Regel nicht viel für Sie tun; und ehrlich gesagt, kann das auch niemand. Tabellendaten werden vermutlich wöchentlich oder monatlich aggregiert, wodurch ein Großteil der historischen Informationen verloren geht. Außerdem enthält Ihre Tabelle in diesem Fall auch nicht viele Informationen über die Kategorien und Hierarchien, die auf Ihre Produkte zutreffen. Unsere Prognose-Engine nutzt alle Ihre Daten, und ein Test an einer winzigen Stichprobe liefert in der Regel keine befriedigenden Ergebnisse.
Wie sieht es mit Fehlbeständen und Werbeaktionen aus?
Sowohl Lagerengpässe als auch Promotionen stellen Verzerrungen in den historischen Verkaufszahlen dar. Da das Ziel darin besteht, die Nachfrage und nicht den Umsatz zu prognostizieren, muss diese Verzerrung berücksichtigt werden. Eine häufige – jedoch falsche – Methode, mit diesen Ereignissen umzugehen, besteht darin, die Historie umzuschreiben, um die Lücken zu schließen und die Spitzen abzuschatten. Wir mögen diesen Ansatz jedoch nicht, da er darin besteht, Vorhersagen in die Prognose-Engine einzuspeisen, was zu erheblichen Überanpassungsproblemen führen kann. Stattdessen unterstützt unsere Engine nativ „Flags“, die anzeigen, wo die Nachfrage zensiert oder aufgebläht wurde.
Prognostizieren Sie neue Produkte?
Ja, das tun wir. Allerdings benötigt die Engine zur Prognose neuer Produkte die Startdaten der anderen „älteren“ Produkte sowie deren historische Nachfrage zum Zeitpunkt des Launches. Außerdem wird empfohlen, einige Ihrer Produktkategorien und/oder eine Produkt-Hierarchie anzugeben. Die Engine prognostiziert tatsächlich neue Produkte, indem sie die „älteren“ Produkte automatisch erkennt, die als vergleichbar zu den neuen angesehen werden können. Da jedoch für die neuen Artikel bislang keine Nachfrage beobachtet wurde, stützen sich die Vorhersagen vollständig auf die Attribute, die mit ihnen assoziiert sind.
Ist es möglich, die Vorhersagen anzupassen?
Fast ein Jahrzehnt Erfahrung in der statistischen Prognose hat uns unzählige Male gelehrt, dass das Anpassen von Vorhersagen niemals eine gute Idee ist. Wenn Vorhersagen angepasst werden müssen, liegt wahrscheinlich ein Fehler in der Prognose-Engine vor, der behoben werden muss. Wenn kein Fehler zu beheben ist und die Vorhersagen aus statistischer Sicht wie erwartet durchgeführt werden, ist das Anpassen wahrscheinlich die falsche Lösung für das Problem. In der Regel spiegelt der Bedarf, Vorhersagen anzupassen, die Notwendigkeit wider, einen wirtschaftlichen Treiber irgendeiner Art zu berücksichtigen, der die Risikoanalyse „aufbauend“ auf der Vorhersage beeinflusst, jedoch nicht die Vorhersage selbst.
Haben Sie Erfahrung mit meiner Branche?
Wir haben Erfahrung mit vielen Branchen: Mode, frische Lebensmittel, Konsumgüter, Elektronik, Ersatzteile, Luft- und Raumfahrt, Leichtindustrie, Schwerindustrie usw. Wir betreuen auch verschiedene Arten von Akteuren der Industrie: E-Commerce-Unternehmen, Großhändler, Importeure, Hersteller, Distributoren, Einzelhandelsketten usw. Der einfachste Weg, um sicherzustellen, dass wir Erfahrung mit Ihrer Branche haben, besteht darin, dass Sie direkt mit uns Kontakt aufnehmen.
Nutzen Sie externe Daten, um die Vorhersagen zu verfeinern?
Nein. Obwohl Ihre Vorhersagen von all dem Know-how und der umfassenden Systemoptimierung profitieren, die wir durch die Zusammenarbeit mit anderen Kunden erworben haben, enthalten Ihre Vorhersagen keine Daten, die aus externen Quellen stammen – weder von anderen Lokad-Kunden noch aus öffentlichen Datensätzen. Ebenso werden Ihre Daten ausschließlich für Zwecke verwendet, die ausdrücklich mit Ihrem Unternehmenskonto verknüpft sind, und für nichts weiter.