Prädiktive Optimierung für Supply-Chains

Seit 2008 streben wir danach die besten Prognosen zu erstellen, die Technologie hervorbringen kann. Unsere Technologie reflektiert dabei die wissenschaftliche Entwicklung und beinhaltet neueste Erkenntnisse aus Mathematik und Informatik durch konstante Evolution.

6 PROGNOSEGENERATIONEN

Im letzten Jahrzehnt haben sich Datenverarbeitungstechnologien in rasantem Tempo entwickelt. Unternehmen, haben sich lange auf altbewährte Methoden verlassen, die im Grunde auf Jahrhunderte alten Mathematischen Regeln beruhen. Nun orientiert sich die Branche, mit Hilfe von Machine Learning und Deep Learning, zu einer datenorientierten Wissenschaft. Lokad hat sich als Ziel gesetzt diese Entwicklung anzuführen und für Supply Chain Optimierung zu nutzen.

Werfen Sie einen Blick in die Vergangenheit und erfahren sie mehr über die verschiedenen Generationen unserer Prognosetechnologie.

• Differentiable programming (2019): Hier konvergieren zwei Felder der Algorithmik: Maschinelles lernen und numerische Optimierung
• Deep Learning (2018): Probabilistische Prognosen, ermöglicht durchünstliche Intelligenz und GPUs
• Probabilistic Forecasting (2016): Betrachtung von Unsicherheiten mit Machine Learning und High Dimensional Statistics
• Quantile Grids (2015): Betrachtung von vollständigen Verteilungsfunktionen unter Berücksichtigung von Supply Chain Regeln
• Quantile Forecasts (2012): Entwicklung von Durchschnittsprognosen zu fehlerbereinigten Prognosen, die industriespezifische Asymmetrien mit einbeziehen
• Classic Forecasts (2008): Von einfachen mathematischen Modellen zu einem automatisierten Benchmark einer Modellsammlung.

DER RICHTIGE MIX

Ein Erfolgsrezept

Lokads Erfolg ruht nicht auf der Überstrapazierung eines speziellen statistischen Modells. Es ist die Kombination von Zutaten die entscheidend ist.

Wir haben schnell festgestellt, dass pure, mathematische Modelle die echte Welt nur unzureichend darstellen. Was in der Theorie ideale Lösungen bot wurde erschütternd ineffizient bei der Anwendung; Daten waren unsauber, oberflächlich, spärlich oder Produktklassen hatten unterschiedliche Zuordnungen.

Lokad war darauf angewiesen eine technische Lösung zu finden, die allen Herausforderungen gerecht wird.

Wechselwirkungen

mit Deep Learning

nicht genügend Daten, um einen präzise statistische Prognose zu erstellen. Tatsächlich beträgt der Produktlebenszyklus auf Verbrauchermärkten weniger als 4 Jahre. Durchschnittlich verfügen die meisten Produkte nicht mal über eine 2-jährige Historie, die jedoch erforderlich ist, um eine zuverlässige Analyse der Saisonalität von einzelnen Zeitreihen zu erstellen. Wir lösen dieses Problem mit statistischen Korrelationen: Die über ein Produkt erfassten Daten ermöglichen die Feinabstimmung der Prognose für ein anderes Produkt. Beispielsweise erkennt Lokad die zutreffende Saisonalität für ein Produkt automatisch, auch wenn das Produkt nur für einen Zeitraum von 3 Monaten verkauft wurde. Obwohl mit einem Datenzeitraum von nur 3 Monaten keine Saisonalität beobachtet werden kann, kann die Saisonalität von älteren Produkten mit einem längeren Lebenszyklus abgeleitet und für neuere Produkte angewandt werden.

Rechenleistung

über Cloud Computing und GPUs

Obwohl die Verwendung von Korrelationen innerhalb der historischen Daten die Genauigkeit enorm verbessert, erhöht es auch die Anzahl der durchzuführenden Berechnungen. Um beispielsweise 1.000 Produkte zu korrelieren und alle möglichen Paarungen zu finden, entstehen etwas weniger als 1.000.000 Kombinationen. Und viele Unternehmen haben weit über 1.000 Produkte. Mit Cloud Computing und Grafikprozessoren (GPUs) können wir je nach Bedarf die Maschinen zuordnen, wenn Kunden uns Daten zusenden. In weniger als 60 Minuten können wir die Ergebnisse zurücksenden, während wir die Maschinen entsprechend freigeben. Da die von uns verwendete Cloud (Microsoft Azure pro Minute abgerechnet wird, verbrauchen wir nur die Kapazitäten, die wir wirklich brauchen. Da kein Unternehmen mehr als eine Prognose pro Tag erstellen muss, reduziert diese Strategie die Hardware-Kosten um mehr als das 24-fache im Vergleich mit herkömmlichen Ansätzen.

Wahrscheinlichkeiten

zur Überbrückung von Betriebseinschränkungen

Die herkömmliche Prognose ist die Durchschnittsprognose, d. h. ein Wert, der eine Chance von 50% hat, über oder unter der zukünftigen Nachfrage zu liegen. Leider löst dieser klassische Ansatz nicht die zentralen Bedenken der Logistik: Vermeiden von Fehlbeständen und Verringerung des Lagerbestands. 2016 stellte Lokad den Begriff probabilistische Prognose für die Supply Chain vor, durch die die jeweilige Wahrscheinlichkeit der künftigen Nachfrage auf jeder Ebene geschätzt wird. Anstatt über den Wert jedes Produkts zu prognostizieren, schätzt Lokad die gesamte Wahrscheinlichkeitsverteilung. Probabilistische Prognosen übertreffen klassische Prognosen für Ware mit geringer Umschlagshäufigkeit, unregelmäßige Verkaufszahlen und Nachfragespitzen bei Weitem. Wir sind davon überzeugt, dass alle Unternehmen, die sich ernsthaft mit der Optimierung ihrer Lagerbestände befassen, innerhalb der nächsten 10 Jahre auf probabilistische Prognosen umsteigen werden und die Weiterentwicklung dieser Technologie nutzen werden.

VON EINER MATHEMATISCHEN SAMMLUNG ZU EINER GANZHEITLICHEN LÖSUNG

Wir verfügen über eine große Bibliothek an statistischen Modellen. Lokad verlässt sich auf eine große, individuelle Bibliothek an statistischen Modellen, welche so bekannte Klassiker, wie Box-Jenkings, exponentielle Glättung, Autoregression und all ihre Varianten beinhaltet. Die klassischen Modelle nutzen Korrelationen jedoch nur unzureichend. Um die uns zur Verfügung stehenden Daten besser nutzen zu können, hat Lokad optimierte Modelle entwickelt. Von Anfang an überwachen wir die von uns bereitgestellten Prognosen ständig. Jeden Tag führen wir Prognosesimulationen durch, um gegebenenfalls bestehende Schwachpunkte unserer Technologie zu bewerten. Diese Erkenntnisse helfen uns dabei unsere Entwicklungsaktivitäten auf das wirklich Wichtige zu konzentrieren. Unsere Kunden profitieren von einer sich stetig weiterentwickelnden Technologie.

Wir haben jedoch früh festgestellt, dass eine reine mathematische Perfektion nicht ausreicht und ein Verständnis von Industriespezifischen Regeln ebenso wichtig ist. Aus diesem Grund übernehmen wir für unsere Kunden nicht nur Statistik Expertise, sondern kümmern uns auch um eine ganzheitliche und praktische Lösung, die Einkaufsempfehlungen, Vertriebsempfehlungen oder Preisbildungsempfehlungen mit einschließt und ausreichend Anzeigen mit Leistungskennzahlen abbildet.

Unsere Supply Chain Scientists Implementieren alle betriebsspezifischen Eigenheiten ihres Unternehmens zu einer maßgeschneiderten Lösung. Dies wird auch durch unsere Programmiersprache Envision ermöglicht, welche speziell auf Supply Chain Management abgestimmt wurde. Sie bietet uns die Flexibilität jegliche besonderheiten zu Modellieren um unsere Prognosetechnologie perfekt zu ergänzen.