Klassische Prognosen mit Zeitreihen (2008)

Praktische Grundlagen

Welche Prognosemodelle verwenden Sie?

Die Beantwortung dieser Frage ist aus zwei Gründen knifflig: Zum einen ist unsere Prognosetechnologie eine unternehmenseigene Entwicklung (IP), über die wir keine Einzelheiten bekannt geben möchten und zum anderen ist unsere Technologie komplex und arbeitet mit verschiedenen Modellen. Lokad nutzt eine bekannte Theorie namens statistische Lerntheorie. Diese Theorie umfasst die meisten modernen Prognosemethoden, wie SVR-Methode (Support Vector Regression), das Bayes'sches Netz, einen Methodenmix oder Boosting-Methoden und Metaheuristiken, einschließlich neuronale Netze oder genetische Algorithmen... Dennoch nutzen wir gerne alte Klassiker: lineare Autoregression, gleitender Durchschnitt, exponentielle Glättung (doppelt, dreifach), Box-Jenkins, Holt-Winters, ARMA und ARIMA. Diese Klassiker schneiden jedoch in der Nutzung von Korrelationen zwischen Zeitreihen äußerst schlecht ab.

Wie genau sind Ihre Prognosen?

Prognosen hängen stark von den spezifischen Datenreihen ab die in Betracht gezogen werden. Es gibt Situationen in denen ein Fehler von 0,5 % als hoch angesehen werden kann (z. B. bei einer 24-Stunden Prognose des stündlichen, nationalen Energieverbrauchs). Oder ein Fehler von 80 % als äußerst niedrig betrachtet wird (z. B. bei der Prognose einer einmaligen Werbeaktion zur Produkteinführung). Genauigkeit hängt stark vom Horizont ab: Je weitreichender die Prognose, desto weniger genau ist sie. Genauigkeit hängt jedoch auch stark vom Aggregationsniveau ab: Je aggregierter, desto genauer werden die Prognosen ausfallen.

Prognosewettbewerb: Ist die Technologie akademisch validiert?

Jährlich findet eine Vielzahl an Wettbewerben zum Data Mining statt. Lokad beobachtet diese Veranstaltungen aufmerksam und vergleicht, bei Relevanz für Lokad (wir bearbeiten beispielsweise nur Zeitreihen, keine Bilder oder Kundenprofile), seine Prognosen regelmäßig mit denen der konkurrierenden Datensätze. Auch wenn wir bis heute noch keine öffentlichen Data Mining Wettbewerber beobachten konnten, sind wir davon überzeugt, dass wir den alltäglichen Herausforderungen gewachsen sind. Zum einen sind akademische Datensätze üblicherweise „klein“ (weniger als einige Hundert Zeitreihen) und werden als „Langzeitreihen“ (Hunderte an Datenpunkten pro Zeitreihe) präsentiert. Im Einzelhandel jedoch stellt sich die Datensituation meist umgekehrt dar: Tausende, wenn nicht Millionen, von Zeitreihen mit sehr kurzen Reihen, da Produkte oftmals kurzlebig sind. Auf diesem Hintergrund erzielt Lokad üblicherweise sehr gute Ergebnisse in diesen Wettbewerben und ein „sehr gut", wenn man in Betracht zieht, das Lokad diese Ergebnisse quasi „aus der Box“, ohne Fachwissen zur Erzielung dieser Ergebnisse, erstellt.

Wird die Genauigkeit der Prognosen evaluiert?

Ja! Präzise quantitative Messungen der Prognosegenauigkeit, die mit der Prognosetechnologie erzielt werden, machen ungefähr die Hälfte unserer Kerntechnologie aus. Ohne zu sehr ins Detail zu gehen, lassen Sie uns festhalten, dass die größte Herausforderung nicht nur darin besteht Modelle zu entwickeln, die auch zu ihren Daten, sondern die auch sehr gut zu nicht vorhandenen, z.B. zukünftigen Daten ihres Unternehmens, „passen". Siehe hierzu auch Überanspassung: Wenn die Genauigkeitsmessung fehlschlägt (auf Englisch). Eine Hauptaufgabe des F&E-Teams von Lokad besteht in der Verbesserung der Prognose-Engine für Datensätze unserer Kunden, der Messung von Prognosefehlern und dem Versuch diese zu verringern. Ein herausragender Aspekt unserer Technologie ist, dass sie nicht nur die Prognosen erhält, sondern auch die „erwartete Genauigkeit eines jeden Wertes“ als MAPE-Fehler angibt. Sie müssen also nicht noch zusätzlich herausfinden, wann eine Prognose nur eine geringe Reliabilität aufweist; Lokad bietet Ihnen diese Informationen im Voraus und lässt Sie Ihre Strategie entsprechend anpassen.

Wie viele historischen Daten werden benötigt?

Es bestehen keine Mindestanforderungen in Bezug auf die Anzahl historischer Daten. Dennoch bietet Lokad eine statistische Technologie, weshalb die Genauigkeit der Prognosen bei einer höheren Anzahl historischer Daten steigt. In der Praxis werden historische Daten aus zwei Jahren als gut erachtet und aus drei oder mehr als hervorragend. Wenn Ihre historischen Daten unter einem Jahr liegen, ist die Verfeinerung von Lokads Prognosen anhand der Saisonalität, einem wichtigen Muster in vielen Unternehmen, nicht möglich. Um die Saisonalität zu nutzen, benötigt Lokad nicht für jede einzelne Zeitreihe (also Produktabsatz) über ein Jahr. Es werden lediglich einige Zeitreihen mit einer Historie von über einem Jahr benötigt, um die Profile der Saisonalität in Ihrem Unternehmen festzustellen. Start-ups und aufkommende Unternehmen können Lokad vom Anfang an benutzen. Schließlich liefern wir nicht nur Prognosen, sondern auch die erwartete Prognosegenauigkeit. Daher liegt die Fehlerquote bei der ersten Prognose ziemlich hoch und verbessert sich mit der Zeit. Lokad bietet Ihnen zusätzlich auch die Möglichkeit, die Ungewissheit zu quantifizieren.

Allgemeine Muster

Wie werden Makrotrends (z.B. Finanzkrisen) gehandhabt?

Wir glauben, dass Makrotrends häufig missverstanden werden:
1.) Makrotrends können nur dann zur Verfeinerung einer Bedarfsprognose herangezogen werden, wenn diese selbst genau vorhergesagt werden können. Hätten Banken die Möglichkeit diese vorherzusagen, würden solche Makrotrends wahrscheinlich gar nicht erst stattfinden. Die Prognose von Markotrends ist meist schwieriger als die Prognose des Bedarfs eines durchschnittlichen Produkts - eine sehr widerspenstige Möglichkeit.
2.) Eine Rezession mit -3%/Jahr ist ein schwerwiegender Makrotrend. In die Praxis übersetzt lässt er sich jedoch auf -0.06%//Woche herunterbrechen. Im Vergleich hierzu schwanken Produktverkäufe häufig um die 20% /Woche. Lokad eignet sich am besten für „Kurzzeitprognosen“ und zieht man diese wöchentliche Betrachtungsweise heran, so erscheinen Makrotrends als Zwerge im Vergleich zum Goliath von Sonderangeboten, Ausschlachtung, Werbekampagnen etc. Zusammenfassend: Lokad ignoriert üblicherweise die meisten Makrotrends, aber unserer Erfahrung nach ist dies die einzig vernünftige Option in 99% aller Fälle.

Wie wird Saisonalität, als Trend, gehandhabt?

Wir suchen automatisch nach kalenderbasierten Mustern. Lokad muss nicht über die Saisonalität eines Produktes informiert werden, da dies ein gängiges Muster ist, das nativ von unserer Prognosetechnologie beachtet wird. Tatsächlich ist Saisonalität erheblich komplizierter als man erwarten würde. Aus unserer Sicht gibt es keine Saisonalität. Wir betrachten sie eher als ein „zyklisches“ Muster die auf verschiedenste Art interagiert. Betrachtet man ein Jahr, nennt man es Saisonalität, auf Tagesebene wird sie der Tag-der-Woche-Effekt genannt und monatlich betrachtet zeigt sie sich im Lohnauszahlungseffekt und dann sind da noch die „fast“ jährlichen Saisonalitäten, wie der Muttertag etc. Wie immer man diese Effekte auch nennen mag, betrachtet man Produktverkäufe auf der Ebene des Point-of-Sale, dann verbinden sich die zyklische Produktmuster mit den zyklischen Mustern des Point-of-Sale selbst, denn auch der Point-of-Sale hat eine eigene einzigartige Umgebung, die ihre eigenen einzigartigen Bedarfsmuster erzeugt. Es gibt also nicht nur die Antwortmöglichkeiten Saisonalität „Ja“ oder „Nein“, sondern es geht eher um eine komplexe Interaktion von Mustern. Die gute Nachricht: Lokad übernimmt die Bewältigung dieser Komplexität für Sie.

Ostern, Ramadan, Muttertag und sonstige schein-saisonale Ereignisse?

In Lokads Jargon werden einige Kalendermuster als schein-saisonal bezeichnet: Muster wiederholen sich von Jahr zu Jahr, folgen jedoch nicht der jährlichen Zeitrechnung des gregorianischen Kalenders (auch bekannt als westlicher oder christlicher Kalender). Ostern, Ramadan, das chinesische Neujahr und Muttertag sind Beispiele für schein-saisonale Muster. Lokad erkennt schein-saisonale Muster automatisch, somit müssen Sie sich keine Gedanken um die Erkennung dieser Muster machen. Ähnlich wie bei der klassischen Saisonbedingtheit, verlässt sich Lokad auf mehrere Zeitreihen-Analysen um Zeitreihen zu entdecken, die ähnliche schein-saisonale Muster aufweisen, um die Musteranalyse entsprechend zu gestalten.

Wie wird der Lebenszyklus von Produkten und Produkteinführungen gehandhabt?

Die meisten Konsumgüter folgen einem Lebenszyklus. Produkte werden eingeführt, wachsen, welken und werden vom Markt genommen. Wurde ein Datum festgelegt, kann Lokad die Verkäufe zur Produkteinführung vorhersagen. Bei einer Produkteinführung können offensichtlich noch keine Verkaufsdaten bereitgestellt werden. Im Gegensatz zu klassischen Prognosewerkzeugen prognostiziert Lokad jedoch nicht nur klassische Zeitreihen. Hier können Produkte als „Tags“ beschrieben werden. Ein Tag kann jede beliebige Eigenschaft des Produktes repräsentieren: Kategorie, Subkategorie, Familie, Marke, Farbe, Größe etc. Um den Verkauf eines neu eingeführten Produktes vorherzusagen, analysiert Lokad die vergangenen Einführungen vergleichbarer Produkte. Die Ähnlichkeit basiert auf den Tags für jedes Produkt. Die gleichen Prinzipien finden auf andere Muster des Lebenszyklus eines Produktes Anwendung.

Wie werden Produkte mit periodischem Bedarf oder mit geringem Volumen gehandhabt?

Haben Sie ein Produkt das nur einmal pro Jahr verkauft wird, können wir aus statischer Prognoseperspektive wenig tun. Die Frage, ob man eine oder keine Einheit auf Lager hat, ist eher eine Frage des Marketings. Trotzdem existiert ein Graubereich an Produkten die unregelmäßig, aber dennoch oft genug verkauft werden, um eine Inventaroptimierung lohnenswert zu machen. Die meisten klassischen Prognosewerkzeuge können periodische Verkäufe eher schlecht handhaben. Lokad hat diesem Bedarfsmuster besondere Aufmerksamkeit gewidmet, unter anderem deshalb, weil viele Unternehmen, wie ECommerce, sich verstärkt auf lange Zeiträume verlassen um Rentabilität zu erreichen. Erstaunlicherweise können Ladenhüter, außer bei sorgsamer Verwaltung, mehr Inventar generieren als Spitzenreiter. Zur Handhabung von Ladenhütern empfehlen wir probabilistischen Vorhersagen.

Wie werden Wetterinformationen gehandhabt?

In bestimmten Geschäftsbereichen, wie z.B. im Lebensmittelgeschäft, spielt das Wetter bei der Bedarfsermittlung eine bedeutende Rolle. Derzeit haben wir noch keine Wettervorhersagen in unsere Prognosetechnologie integriert. Dennoch haben wir dies mittelfristig eingeplant. Unser Ziel ist es nicht nur Wettereingaben zu unterstützten, sondern diesen Prozess auch weitestgehend zu automatisieren, so dass es keinen Zusatzaufwand von Seiten der Kunden bedarf, um von dieser Zusatzgenauigkeit zu profitieren.

Bedarfsartefakte

Wie werden Verkaufsverluste aufgrund von unzureichenden Lagerbeständen gehandhabt?

Verkauf ist nicht immer gleich Bedarf; ein unzureichender Lagerbestand ist ein Artefakt der die Höhe des eigentlichen Bedarfs verwässert. Ein unzureichender Lagerbestand kann zu geringeren Verkaufszahlen führen - auch bei gleichbleibendem Bedarf. Im Gegensatz zu klassischen Prognosewerkzeugen muss Lokad die historischen Daten nicht ändern oder optimieren. Stattdessen können Ereignisse zur Anzeige eines unzureichenden Lagerbestandes genutzt werden. Informationen über einen unzureichenden Lagerbestand werden genutzt, um alle, durch diese beeinflussten Muster (Saisonalität, Trends etc.), genauer zu bestimmen. Werden unzureichende Lagerbestände nicht durch Ereignisse als solche markiert, wird Lokad diese als „Rauschen“ herausfiltern. Informationen zu vergangenen unzureichenden Lagerbeständen sind zwar ein erfreuliches Extra, aber für eine erste Prognose mit Lokad nicht notwendig.

Wie werden Ausnahmeverkäufe gehandhabt?

Ausnahmeverkäufe können je nach Branche auftreten. Da diese Verkäufe, offensichtlich ausnahmslos hoch/tief sind, können sie leicht mit rein statischen Ansätzen erkannt werden. Wir empfehlen daher Ihre Daten nicht von solchen Ausnahmeverkäufen zu bereinigen. Hier wir zwei ausschlaggebende Gründe:
1.) Es ist eine Zeitverschwendung. Auch diese Daten beinhalten wertvolle Informationen, die zur Prognose genutzt werden können.
2.) Sie unterstützen die Prognose zukünftiger Ausnahmeverkäufe, die z.B. vorhersehbar einem Verhandlungsergebnis beruhen. Wenn Sie bereits jetzt einen solchen Ausnahmeverkauf vorhersehen können, möchten wir Ihnen empfehlen die Lokad-Prognose mit dieser Zusatzinformation zu überschreiben.

Wie sollten die Daten aggregiert werden: Top-Down oder Bottom-Up?

Einige Unternehmen erstellen Ihre Prognosen auf Gruppen-, oder Familienebene und brechen diese dann auf das individuelle Produkt herunter. Dies wird auch als „Top-Down-Prognose des Produkts“ bezeichnet. Die gleiche Idee gilt auch für die Prognosehäufigkeit: einige Unternehmen prognostizieren wöchentlich und brechen diese Informationen dann auf einen Tag herunter. Dies wird auch als „Top-Down-Prognose der Häufigkeit“ bezeichnet. Andersherum können wöchentliche Prognosen auch durch die Summierung täglicher Prognosen erfolgen.

Lokad empfiehlt Ihnen Ihre Prognosen so anzupassen, dass Sie am besten den Bedarf Ihres Betriebs decken. Beispiel: Wenn die Supply-Chain eine wöchentliche Prognose für jedes Produkt benötigt, sollten Sie wöchentliche Prognosen von Lokad anfordern. Die Anforderung täglicher Prognosen und Summierung dieser führt nicht zu einer höheren Genauigkeit der Prognose. Auf die gleiche Art wird auch Anforderung von Prognosen auf Produktgruppenebene mit anschließender Abteilung der Prognosen auf jede SKU nicht zu einer besseren, sondern zu einer geringeren Genauigkeit führen.

Lokad nutzt eine Vielzahl interner Algorithmen für Aggregation und Disaggregation und bevorzugt die Nutzung der kleinsten Dateneinheit. Beispiel: Wir nutzen tägliche Verkaufsprognosen um monatliche Prognose bereitzustellen. Häufig umfasst ein Monat 4-5 Wochenenden, die einen starken Einfluss auf den Verkauf im Einzelhandel haben.

Sorgen Sie sich also nicht um das Aggregationsniveau, Lokad erledigt dies für Sie.