6 hochmoderne Prognosetechniken

Im Folgenden finden Sie einen Auszug aus der Webinar-Reihe „Supply Chain Planning im 21. Jahrhundert: Empowering Manufacturers“ von Quantics. In dieser Folge Dr. Valeriy Manokhin teilte uns seine Gedanken und Erkenntnisse zur Nutzung fortschrittlicher Datenanalysen und KI in der Lieferkette mit.

Lange Zeit, seit etwa Ende der 70er/frühen 80er, lautete das Paradigma immer „einfache Methoden sind immer besser“, aber das ist nicht mehr gültig. Im Jahr 2020 änderte sich alles.

Es gibt eine Menge Dinge, die man mit künstlicher Intelligenz (KI) und maschinellem Lernen (ML) tun kann, aber wie lässt sich das darauf übertragen, woran Hersteller und Unternehmen interessiert sind?

Führungskräfte in der Lieferkette wissen, dass die derzeitigen Methoden von aktuellen Lösungen auf Lösungen umgestellt werden müssen, die fortschrittliche Technologien wie KI und ML enthalten. 4 von 5 Unternehmen erwarten dies oder tun dies bereits (McKinsey & Company).

Dr. Valeriy Manokhin, ein erfahrener Leiter der Datenwissenschaft, sagt, dass bei der Analyse der neuen Lösungen die folgenden modernen Prognosetechniken auf dem neuesten Stand der Technik in den Vordergrund treten:

• Hierarchische Prognosen
• Fortgeschrittene Zeitreihenzerlegungstechniken
• Ensemble-Prognosen
• Probabilistische Prognosen
• Hybride Prognosen
• Globale vs. lokale Methoden

Lassen Sie uns genauer untersuchen, was diese Techniken sind und wie sie Unternehmen helfen können, sich einen Wettbewerbsvorteil zu verschaffen.

1. Hierarchische Prognosen

Stellen Sie sich vor, wir machen Prognosen und wir haben eine Art Hierarchie. Zum Beispiel haben wir die Produktionsstätten A und B, in denen mehrere Produkte hergestellt werden, und dann haben wir den Gesamtumsatz des Unternehmens an der Spitze. Natürlich können wir versuchen, sie getrennt zu prognostizieren, aber dann gibt es keine Garantie dafür, dass die Summe der Verkäufe der beiden Werke mit dem Gesamtumsatz übereinstimmt.

Hierarchische Prognosen verbessern die Genauigkeit und Konsistenz von Vorhersagen, indem sie die in den Daten vorhandene hierarchische Struktur nutzen. Die Daten können anhand geografischer Regionen, Produktkategorien oder Kundensegmente in Hierarchieebenen organisiert werden. Diese Technik beinhaltet die Erstellung von Prognosen auf verschiedenen Ebenen und deren Abgleich, um kohärente und genaue Vorhersagen auf allen Ebenen zu erhalten.

Zu den wichtigsten Vorteilen gehören: Verbesserte Leistung und umfassendere Sicht auf die Daten.

2. Fortgeschrittene Techniken zur Zerlegung von Zeitreihen

Bei traditionellen Prognosen versuchen wir oft zu verstehen, ob ein Produkt einen Trend, eine Saisonalität, hat. Bis vor Kurzem war es schwierig, kompliziertere Nachfragestrukturen zu verstehen. Wenn ein Produkt mehrere Saisonalitäten aufweist, weist es während eines Jahres und beispielsweise in jedem Monat bestimmte Saisonalitäten auf. Das sind 2-3 Saisonalitäten. Erst in jüngerer Zeit haben wir Modelle, mit denen diese Saisonalitäten analysiert werden können.

Fortschrittliche Zerlegungsalgorithmen können für ein besseres Verständnis von Nachfragemustern sowie für die Erkennung mehrerer Saisonalitäten und Trends verwendet werden, um eine bessere Modellierung und Prognose zu ermöglichen.

Zu den wichtigsten Vorteilen gehören: Bessere Einblicke in Nachfragemuster, recheneffiziente Modelle und die Erkennung mehrerer Saisonalitäten.

3. Ensemble-Prognosen

Die zentrale Idee dabei ist, dass wir durch die Kombination mehrerer Modelle in der Regel die Prognoseleistung unter bestimmten Bedingungen verbessern können. Bei der Kombinationsprognose werden die Vorhersagen mehrerer Modelle auf irgendeine Weise berechnet oder kombiniert, sodass die daraus resultierende Prognose oft genauer und robuster ist als die Prognose eines einzelnen Modells. Dies funktioniert am besten, wenn die Modelle, die kombiniert werden, unterschiedlich und einander nicht ähnlich sind.

Zu den wichtigsten Vorteilen gehören: Verbesserte Genauigkeit, Verringerung der Unsicherheit, Robustheit und Stabilität und Schaffung einer Diversität in der Prognose mithilfe der verschiedenen Modelle.

Maschinelles Lernen (ML) kann weniger strukturierte Daten einbeziehen. Wenn Sie neue Produkte verkauft haben, haben Sie keine Verkaufshistorie, aber möglicherweise gibt es ähnliche Produkte mit ähnlichen Eigenschaften. Sie können dem ML-Modell die neuen Funktionen des Produkts mitteilen, und es hilft Ihnen bei der Erstellung eines Prognosemodells.

4. Probabilistische Prognosen

Dies wird zu einem sehr beliebten Thema. Unternehmen sind daran interessiert, eine Reihe von Ergebnissen zu erstellen, um zu sehen, wie sich die gesamte Prognose verändert, nicht nur der Mittelwert. Dies ist hilfreich bei der Bestandsplanung und bei nachgelagerten Entscheidungen, beispielsweise bei der Festlegung des Mindestbestands. Probabilistische Prognosen schätzen eine Reihe potenzieller Ergebnisse und die mit jedem Ergebnis verbundene Wahrscheinlichkeit.

Zu den wichtigsten Vorteilen gehören: Bessere Bestandsplanung, bessere Entscheidungen und Szenarioplanung.

5. Hybride Prognosen

Hybride Prognosen verwenden dieselbe Idee wie Ensemble-Prognosen, sie kombinieren Modelle, aber hier werden klassische Zeitreihenmethoden mit Techniken des maschinellen Lernens kombiniert, um eine effektivere Prognose von Nachfrage, Bestandsoptimierung und Werbeaktionen zu ermöglichen.

Zu den wichtigsten Vorteilen gehören: Verbesserte Genauigkeit und Prognoseleistung, funktioniert für kleinere Datensätze und kann sowohl lineare Muster (mit herkömmlichen Methoden) als auch nichtlineare Muster (mit Techniken des maschinellen Lernens) verarbeiten.

6. Globale oder lokale Methoden

Unternehmen haben eine Vielzahl von SKUs. Wie nutzen wir diese Informationen also besser? Indem wir mehrere Reihen gleichzeitig prognostizieren, um die Prognoseleistung zu verbessern, indem prädiktive Signale aus mehreren Zeitreihen und SKUs gelernt werden. Klassische Methoden können globale Prognosen nicht verarbeiten, Techniken des maschinellen Lernens jedoch schon.

Zu den wichtigsten Vorteilen gehören: Verbesserte Genauigkeit und Prognoseleistung, gegenseitiges Lernen von Prognosesignalen über mehrere Zeitreihen hinweg und ein besseres Verständnis der Nachfragemuster verschiedener Produktgruppen, zum Beispiel.

Der Wettbewerbsvorteil für Hersteller besteht darin, die Dinge besser, pünktlich und billiger zu machen. Was wollen wir haben, wenn wir in die Zukunft planen?

Wie lassen sich die Vorteile dieser Techniken in Dollar übersetzen?

Abgesehen von den verschiedenen Problemen, die mit herkömmlichen Prognosen verbunden sind, gehen einige Unternehmen von Genauigkeitsraten von nur 40 bis 50% aus, sodass viel Geld auf dem Tisch liegt.

Eine Verbesserung der Prognosegenauigkeit um 15% (was für viele Unternehmen nicht unerreichbar ist) führt zu einer Verbesserung von 3% oder mehr vor Steuern, was eine sehr große Zahl sein könnte. Für ein Unternehmen, das einen Umsatz von 50 Millionen $ erzielt, führt eine Verbesserung der Fehlprognosen um 1% zu Einsparungen von bis zu 1,52 Millionen $ (bei überhöhten Prognosen 1,28 Millionen $) .* Für ein Unternehmen mit einem Umsatz von 10 Mrd. $ ist eine Verbesserung der Prognosegenauigkeit um 1% 300 Millionen $ wert.

* Quelltext und Bild: Institute of Business Forecasting & Planning

Sie möchten mehr über dieses Thema erfahren?

Dies ist ein Auszug aus „Modern Forecasting for Manufacturers: Leveraging Advanced Data Analytics and AI in Supply Chain“ mit Dr. Valeriy Manokhin vom 18. Juli 2023. „Moderne Prognosen für Hersteller: Nutzung fortschrittlicher Datenanalysen und KI in der Lieferkette“ mit Dr. Valeriy Manokhin, am 18. Juli 2023.

Um die ganze Folge zu sehen, besuchen Sie YouTube von Quantics Kanal, in dem wir gemeinsam mit Dr. Valeriy Manokhin die transformative Kraft moderner Prognosen in der heutigen dynamischen Fertigungslandschaft untersuchen. Diese Webinar-Präsentation zeigt, wie die wichtigsten Trends und jüngsten Fortschritte in den Bereichen KI und maschinelles Lernen die traditionelle Prognose revolutionieren. Anhand praktischer Einblicke werden wir die wichtigsten Themen veranschaulichen, die die Prognoselandschaft prägen. Erfahren Sie, wie moderne Prognosen Ihnen einen Wettbewerbsvorteil verschaffen, die Rentabilität steigern und Ihre Fertigungsabläufe zukunftssicher machen können.

Dies ist eine Folge der Webinar-Reihe 21st Century Supply Chain Planning: Empowering Manufacturers von Quantics.Lieferkettenplanung des 21. Jahrhunderts: Stärkung der Hersteller. Bitte halten Sie Ausschau nach zukünftigen Präsentationen, Podiumsdiskussionen und dem Informationsaustausch von Experten, die sich speziell auf die Bedürfnisse der Hersteller konzentrieren.

Lernen Sie unseren Experten kennen: Dr. Valeriy Manokhin

Dr. Manokhin ist ein erfahrener Leiter der Datenwissenschaft, angesehener Autor und Forscher mit einer Spezialisierung auf probabilistische Vorhersage im Rahmen seiner Promotion in maschinellem Lernen.

Er hat einen beeindruckenden akademischen Hintergrund und verfügt über einen MSc-Abschluss vom University College London in Computational Statistics and Machine Learning, der University of Sussex in Quantitative Finance und einen MBA der University of Warwick.

Als produktiver Wissenschaftler hat Dr. Manokhin zu verschiedenen führenden Fachzeitschriften für maschinelles Lernen und der Branche beigetragen, darunter „Neurocomputing“, „Journal of Machine Learning Research“, „Machine Learning Journal“ und „Frontiers in Energy Research“.

Dr. Manokhins reiche Branchenerfahrung umfasst die Bereitstellung eines erheblichen Geschäftswerts für große multinationale Unternehmen und Beratungskunden. Er kann auf eine beachtliche Bilanz bei der Entwicklung und Einführung KI-gestützter Lösungen für globale Unternehmen zurückblicken, einschließlich der Implementierung effektiver Programme für über 130 Produktionsstandorte weltweit, wodurch schnell Einsparungen in Höhe von mehreren Millionen Dollar erzielt wurden.

Dr. Manokhin ist ein Vordenker in verschiedenen technischen Schlüsselbereichen wie Zeitreihen, Prognosen sowie probabilistischen und konformen Vorhersagen. Seine Prognosekompetenz zeigt sich in seiner Erfolgsbilanz bei der Entwicklung von Prognosesystemen für Fortune-500-Hersteller und -Einzelhändler.

Neben seinen beruflichen Leistungen ist er auch Autor des Buches „Practical Guide to Applied Conformal Prediction: Learn and apply the best uncertainty frameworks to your industry applications“.

‍