6 moderne Prognosetechniken

Der folgende Beitrag ist ein Auszug aus der Quantics-Webinar-Reihe „21st Century Supply Chain Planning: Empowering Manufacturers“. In dieser Episode teilt Dr. Valeriy Manokhin seine Gedanken und Einblicke zum Einsatz fortschrittlicher Datenanalysen und künstlicher Intelligenz in der Supply-Chain-Planung.

Lange Zeit – etwa seit den späten 1970er- und frühen 1980er-Jahren – galt im Forecasting das Paradigma: „Einfache Methoden funktionieren immer besser.“ Doch diese Annahme gilt heute nicht mehr. Spätestens seit 2020 hat sich die Welt des Forecastings grundlegend verändert.

Künstliche Intelligenz (KI) und Machine Learning (ML) eröffnen zahlreiche neue Möglichkeiten. Doch welchen konkreten Mehrwert bieten diese Technologien für Produktionsunternehmen?

Supply-Chain-Verantwortliche erkennen zunehmend, dass sich bestehende Methoden weiterentwickeln und moderne Technologien wie KI und ML stärker in die Planung einbezogen werden müssen. Laut McKinsey & Company erwarten vier von fünf Unternehmen diese Entwicklung oder setzen entsprechende Technologien bereits ein.

Dr. Valeriy Manokhin, ein erfahrener Data-Science-Experte, sieht bei der Analyse neuer Lösungen insbesondere sechs moderne Forecasting-Methoden im Fokus:

• Hierarchisches Forecasting
• Fortschrittliche Zeitreihen-Dekompositionsverfahren
• Ensemble Forecasting
• Probabilistisches Forecasting
• Hybrid Forecasting
• Globale vs. lokale Prognosemethoden

Im Folgenden werfen wir einen genaueren Blick darauf, wie diese Forecasting-Methoden funktionieren und welchen Mehrwert sie Unternehmen bieten können.

1. Hierarchische Prognosen

Stellen wir uns vor, wir erstellen Forecasts innerhalb einer Hierarchie. Ein Unternehmen betreibt beispielsweise zwei Werke, A und B, die verschiedene Produkte herstellen. Auf der übergeordneten Ebene steht der Gesamtumsatz des Unternehmens. Werden die Prognosen für beide Werke unabhängig voneinander erstellt, ist nicht automatisch gewährleistet, dass ihre Summe mit der Prognose für den Gesamtumsatz übereinstimmt.

Genau hier setzt hierarchisches Forecasting an. Die Methode nutzt die bereits vorhandene hierarchische Struktur der Daten, um Prognosen genauer und konsistenter zu gestalten. Solche Hierarchien können beispielsweise nach Standorten, Produktkategorien oder Kundensegmenten aufgebaut sein.

Dabei werden Forecasts auf verschiedenen Ebenen der Hierarchie erstellt und anschließend miteinander abgestimmt (Reconciliation). So entstehen über alle Ebenen hinweg konsistente Prognosen, die sowohl einzelne Bereiche als auch das Gesamtbild berücksichtigen.

Wesentliche Vorteile: eine höhere Prognosequalität und Konsistenz sowie ein umfassenderer Blick auf die Daten.

‍

2. Fortschrittliche Zeitreihen-Dekompositionsverfahren

Im klassischen Forecasting wird häufig untersucht, ob die Nachfrage nach einem Produkt einem bestimmten Trend oder einer Saisonalität folgt. Schwieriger wird es, wenn mehrere saisonale Muster gleichzeitig auftreten – beispielsweise Schwankungen im Jahresverlauf, die sich mit wiederkehrenden Mustern innerhalb eines Monats überlagern. Klassische Verfahren stoßen bei solchen komplexen Strukturen schnell an ihre Grenzen.

Moderne Dekompositionsverfahren ermöglichen es, solche Nachfragemuster genauer zu analysieren. Sie zerlegen Zeitreihen in verschiedene Komponenten und helfen dabei, Trends und mehrere Saisonalitäten voneinander zu unterscheiden. Dadurch lassen sich komplexe Nachfrageverläufe besser abbilden und die Qualität der Prognosen verbessern.

Wesentliche Vorteile: tiefere Einblicke in Nachfragemuster, rechnerisch effiziente Modelle und eine zuverlässige Erkennung mehrerer Saisonalitäten.

3. Ensemble-Prognosen

Die Grundidee des Ensemble Forecasting besteht darin, die Prognosen mehrerer Modelle zu kombinieren, um die Prognosequalität zu verbessern. Dazu werden die Ergebnisse verschiedener Modelle beispielsweise gemittelt oder unterschiedlich gewichtet. Der daraus entstehende Forecast ist häufig genauer und robuster als die Prognose eines einzelnen Modells.

Besonders wirkungsvoll ist dieser Ansatz, wenn sich die verwendeten Modelle deutlich voneinander unterscheiden und unterschiedliche Muster in den Daten erfassen.

Wesentliche Vorteile: höhere Prognosegenauigkeit, geringere Unsicherheit sowie mehr Robustheit und Stabilität durch die Kombination verschiedener Modelle.

Machine Learning (ML) kann darüber hinaus zusätzliche Informationen einbeziehen. Bei einem neuen Produkt fehlt beispielsweise eine eigene Verkaufshistorie. Gibt es jedoch ähnliche Produkte mit vergleichbaren Eigenschaften, kann ein ML-Modell diese Informationen und die Merkmale des neuen Produkts nutzen, um dennoch eine fundierte Prognose zu erstellen.

4. Probabilistisches Forecasting

Probabilistisches Forecasting gewinnt zunehmend an Bedeutung. Statt nur einen einzelnen Prognosewert zu betrachten, erhalten Unternehmen eine Bandbreite möglicher Ergebnisse inklusive der jeweiligen Wahrscheinlichkeiten. So wird sichtbar, wie stark die tatsächliche Nachfrage vom erwarteten Mittelwert abweichen könnte.

Das ist besonders für die Bestandsplanung und nachgelagerte Entscheidungen hilfreich – beispielsweise bei der Frage, welche Sicherheits- oder Mindestbestände erforderlich sind.

Wesentliche Vorteile: bessere Bestandsplanung, fundiertere Entscheidungen und eine bessere Grundlage für die Szenarioplanung.

5. Hybrid Forecasting

Hybrid Forecasting folgt einem ähnlichen Prinzip wie Ensemble Forecasting, kombiniert jedoch gezielt klassische Zeitreihenmethoden mit Machine-Learning-Verfahren. Dadurch können die jeweiligen Stärken beider Ansätze genutzt werden – beispielsweise für die Bedarfsprognose, Bestandsoptimierung und Planung von Promotions.

Klassische Methoden eignen sich besonders für die Erkennung linearer Strukturen, während Machine Learning auch komplexere, nichtlineare Zusammenhänge erfassen kann. Hybride Ansätze können zudem bereits bei kleineren Datensätzen gute Ergebnisse erzielen.

Wesentliche Vorteile: höhere Prognosegenauigkeit und -qualität, gute Ergebnisse auch bei kleineren Datensätzen sowie die Möglichkeit, lineare und nichtlineare Muster gemeinsam abzubilden.

6. Globale vs. lokale Prognosemethoden

Produktionsunternehmen planen häufig eine große Anzahl unterschiedlicher SKUs. Die Frage ist daher: Wie lassen sich die vorhandenen Informationen über verschiedene Produkte hinweg besser nutzen?

Bei lokalen Prognosemethoden wird jede Zeitreihe separat betrachtet. Globale Modelle hingegen analysieren mehrere Zeitreihen gleichzeitig und können dadurch Muster und Prognosesignale über verschiedene Produkte und SKUs hinweg erkennen. Insbesondere moderne Machine-Learning-Verfahren ermöglichen dieses sogenannte Cross-Learning.

So kann beispielsweise ein Modell Erkenntnisse aus den Nachfragemustern einer Produktgruppe nutzen, um auch die Prognosen für einzelne Produkte innerhalb dieser Gruppe zu verbessern.

Wesentliche Vorteile: höhere Prognosegenauigkeit, Cross-Learning über mehrere Zeitreihen hinweg und ein besseres Verständnis übergreifender Nachfragemuster.

Welchen wirtschaftlichen Mehrwert bieten moderne Forecasting-Methoden?

Für Produktionsunternehmen entsteht ein Wettbewerbsvorteil, wenn sie effizienter produzieren, zuverlässiger liefern und Kosten reduzieren können. Entscheidend ist daher nicht nur, wie moderne Forecasting-Methoden technisch funktionieren, sondern welchen messbaren wirtschaftlichen Nutzen sie schaffen.

Bei manchen Unternehmen liegt die Prognosegenauigkeit laut dem Institute of Business Forecasting & Planning (IBF) lediglich bei 40 bis 50 %. Bereits eine Verbesserung der Forecast-Genauigkeit um 15 % kann demnach das Vorsteuerergebnis um 3 % oder mehr steigern.

Auch kleinere Verbesserungen können erhebliche finanzielle Auswirkungen haben: Für ein Unternehmen mit 50 Millionen US-Dollar Umsatz kann eine Verbesserung des Under-Forecasting-Fehlers um einen Prozentpunkt laut IBF Einsparungen von bis zu 1,52 Millionen US-Dollar ermöglichen; beim Over-Forecasting sind es bis zu 1,28 Millionen US-Dollar. Bei einem Unternehmen mit 10 Milliarden US-Dollar Umsatz kann bereits eine Verbesserung der Forecast-Genauigkeit um einen Prozentpunkt einen Wert von 300 Millionen US-Dollar darstellen.

Diese Zahlen verdeutlichen, dass eine höhere Prognosegenauigkeit weit über bessere Forecasts hinausgeht: Sie kann sich unmittelbar auf Bestände, Kosten und Unternehmensergebnis auswirken.

‍

* Quelltext und Bild: Institute of Business Forecasting & Planning

Möchten Sie mehr über dieses Thema erfahren?

Dieser Beitrag gibt Ihnen einen ersten Einblick in das Webinar „Modern Forecasting for Manufacturers: Leveraging Advanced Data Analytics and AI in Supply Chain“ mit Dr. Valeriy Manokhin, aufgezeichnet am 18. Juli 2023.

Die vollständige Episode finden Sie auf dem YouTube-Kanal von Quantics. Darin zeigt Dr. Valeriy Manokhin, wie moderne Forecasting-Methoden, fortschrittliche Datenanalysen, KI und Machine Learning die Prognose in der Fertigungsindustrie verändern. Anhand praxisnaher Einblicke erfahren Sie, welche Entwicklungen das moderne Forecasting prägen und wie Unternehmen damit ihre Prognosequalität verbessern, ihre Rentabilität steigern und ihre Wettbewerbsfähigkeit stärken können.

Das Webinar ist Teil der Quantics-Reihe „21st Century Supply Chain Planning: Empowering Manufacturers“. In weiteren Webinaren, Präsentationen und Expertengesprächen beleuchten wir aktuelle Entwicklungen und Herausforderungen der Supply-Chain-Planung – mit besonderem Fokus auf die Anforderungen von Produktionsunternehmen.

Lernen Sie unseren Experten kennen: Dr. Valeriy Manokhin

Dr. Valeriy Manokhin ist ein erfahrener Data-Science-Experte, Autor und Forscher. Im Rahmen seiner Promotion im Bereich Machine Learning spezialisierte er sich auf probabilistisches Forecasting.

Sein akademischer Hintergrund umfasst einen MSc in Computational Statistics and Machine Learning vom University College London, eine Qualifikation im Bereich Quantitative Finance von der University of Sussex sowie einen MBA von der University of Warwick.

Als Wissenschaftler hat Dr. Manokhin zu renommierten Fachpublikationen im Bereich Machine Learning und Data Science beigetragen, darunter Neurocomputing, Journal of Machine Learning Research, Machine Learning Journal und Frontiers in Energy Research.

Darüber hinaus verfügt er über umfassende Praxiserfahrung in der Entwicklung und Implementierung KI-gestützter Lösungen für internationale Unternehmen und Beratungskunden. Unter anderem war er an Programmen für mehr als 130 Produktionsstandorte weltweit beteiligt, durch die innerhalb kurzer Zeit Einsparungen in Millionenhöhe erzielt werden konnten.

Seine fachlichen Schwerpunkte liegen insbesondere in den Bereichen Zeitreihenanalyse, Forecasting, probabilistische Prognosen und Conformal Prediction. Seine Forecasting-Expertise umfasst unter anderem die Entwicklung von Prognosesystemen für Fortune-500-Unternehmen aus Fertigung und Handel.

Dr. Manokhin ist außerdem Autor des Buches „Practical Guide to Applied Conformal Prediction: Learn and Apply the Best Uncertainty Frameworks to Your Industry Applications“.

‍

FAQ

1. Was ist der Unterschied zwischen Ensemble Forecasting und Hybrid Forecasting?

Beim Ensemble Forecasting werden die Prognosen mehrerer Modelle zu einer gemeinsamen Prognose kombiniert, beispielsweise durch Mittelwertbildung oder unterschiedliche Gewichtungen. Dabei können statistische Modelle, Machine-Learning-Modelle oder beide zum Einsatz kommen.

Hybrid Forecasting verbindet unterschiedliche Modellierungsansätze, beispielsweise klassische Zeitreihenverfahren und Machine Learning, um deren jeweilige Stärken zu nutzen. Beide Ansätze reduzieren die Abhängigkeit von einem einzelnen Modell. Deshalb kombiniert auch die Forecasting- und Planning-Lösung von Quantics zahlreiche Prognosemethoden, anstatt sich auf ein einzelnes Verfahren zu verlassen.

2. Benötigt man Machine Learning für probabilistische Prognosen?

Nein. Probabilistische Prognosen lassen sich sowohl mit klassischen statistischen Methoden als auch mit Machine Learning erstellen. Statt nur einen einzelnen Prognosewert zu liefern, bilden sie eine Bandbreite möglicher zukünftiger Ergebnisse und die damit verbundene Unsicherheit ab.

Viele klassische Zeitreihenmodelle können bereits Prognoseintervalle oder Wahrscheinlichkeitsverteilungen erzeugen. Machine Learning kann bei komplexen Daten und Zusammenhängen zusätzlichen Mehrwert bieten, ist dafür aber keine Voraussetzung.

3. Was ist der Unterschied zwischen globalen und lokalen Prognosemodellen?

Bei einem lokalen Prognoseansatz wird für jede einzelne Zeitreihe – beispielsweise für jedes Produkt oder jede SKU – ein separates Modell erstellt. Ein globales Modell wird dagegen gleichzeitig mit mehreren Zeitreihen trainiert und kann dadurch gemeinsame Muster und Zusammenhänge zwischen Produkten erkennen.

Das ist besonders hilfreich, wenn für einzelne Zeitreihen nur wenige Daten verfügbar sind, da das Modell auch aus anderen Daten innerhalb des Portfolios lernen kann. Klassische Prognoseverfahren werden häufig lokal eingesetzt, während sich viele moderne Machine-Learning- und Deep-Learning-Methoden gut für globale Prognosen eignen.

4. Benötigt man Tausende von SKUs, um von globalen Prognosemethoden zu profitieren?

Nein. Es gibt keine feste Mindestanzahl an SKUs, ab der globale Prognosemodelle sinnvoll sind. Entscheidend ist, ob über die verschiedenen Zeitreihen hinweg genügend relevante Informationen vorhanden sind, aus denen das Modell übergreifende Muster lernen kann.

Globale Modelle können daher auch bei kleineren Portfolios sinnvoll sein, wenn Produkte ähnliche Merkmale oder Nachfragemuster aufweisen. Umgekehrt führen Tausende voneinander unabhängige Zeitreihen nicht automatisch zu besseren Ergebnissen. Entscheidend sind unter anderem Datenmenge, Zusammenhänge zwischen den Zeitreihen, Prognosehorizont und Modellgestaltung.

5. Sind komplexe Prognosemethoden immer genauer als einfache Methoden?

Nein. Komplexere Prognosemethoden sind nicht automatisch genauer. Einfache statistische Modelle liefern bei vielen Prognoseaufgaben weiterhin sehr gute Ergebnisse und dienen häufig als wichtige Vergleichsbasis.

Große Forecasting-Wettbewerbe wie M4 und M5 haben jedoch gezeigt, dass gut konzipierte Hybrid-, Ensemble- und Machine-Learning-Ansätze klassische Methoden unter bestimmten Voraussetzungen übertreffen können – insbesondere bei vielen zusammenhängenden Zeitreihen und relevanten zusätzlichen Einflussfaktoren.

Entscheidend ist daher nicht, grundsätzlich möglichst komplexe Modelle einzusetzen, sondern verschiedene Ansätze anhand der tatsächlichen Daten zu vergleichen und die Methode – oder Kombination von Methoden – zu wählen, die für die jeweilige Prognoseaufgabe die besten Ergebnisse liefert.