Nachfrageprognose

Gewinne:

• Fähigkeit, Nachfrageprognosemethoden zu unterscheiden (gleitender Durchschnitt, exponentielle Glättung, Saisonalität)
• Möglichkeit, Vorhersageszenarien mit KI einzurichten und die Genauigkeit mit Metriken wie MAPE/MAE zu bewerten
• Möglichkeit, Prognoseergebnisse mit Geschäftskontext und Werbe-/Saisoneffekten zu vergleichen

Die Bedarfsprognose ist die Grundlage, auf der die Produktionsplanung, das Bestandsmanagement und die gesamte Lieferkette basieren. Falsche Prognosen sind in beide Richtungen teuer: Eine Überschätzung führt zu Lagerkosten und Verschwendung, eine Unterschätzung führt zu Umsatzeinbußen und Kundenunzufriedenheit. Künstliche Intelligenz hilft an vielen Stellen im Prognoseprozess, von der Auswahl einer Methode über die Interpretation historischer Daten bis hin zur Erstellung von Szenarien; Aber die Prognose als „magische Kristallkugel“ zu betrachten, ist der größte Fehler. In dieser Einheit behandeln wir klassische Prognosemethoden, wie man sie mit KI richtig erstellt und wie man die Genauigkeit misst.

Kurzübersicht der Prognosemethoden

Nicht jede Reihe von Forderungen verhält sich gleich; Manche sind flach, manche haben Trends, manche sind saisonabhängig. Es ist notwendig, die Methode entsprechend der Serie auszuwählen.

Methode

Wann ist es angemessen?

Achtung

Naiv (letzter Wert)

Zum Vergleich (Benchmark)

Folgt nicht dem Trend/der Saison

gleitender Durchschnitt

Statische, verrauschte Serie

Reagiert spät auf den Trend

Exponentielle Glättung (SES)

Stationäre Serie, Schwerpunkt auf nahegelegenen Daten

Gut, wenn es keinen Trend gibt

Holt (doppelt exponentiell)

Trendige Serie

Fängt die Saison nicht ein

Holt-Winters

Trend + Saisonalität

Erfordert ausreichende historische Daten

Regression/ML

Multivariabel, werbewirksam

Gefahr einer Überanpassung

Tipp: Beginnen Sie immer mit einer „naiven“ Vermutung. Wenn Ihr komplexes Modell nicht besser ist als die naive Vermutung, lohnt es sich nicht, die Komplexität auf sich zu nehmen. Naive ist ein kostenloser Benchmark zur Messung der Genauigkeit.

Wie messen wir die Genauigkeit? (Metriken)

Die Vorhersagegenauigkeit kann nicht verbessert werden, ohne sie zu messen. Die häufigsten Metriken:

• MAE (Mean Absolute Error): Der Durchschnitt des Absolutwerts der Fehler. Die Einheit ist die gleiche wie die Nachfrageeinheit.
• RMSE (Root Mean Square Error): Bestraft größere Fehler stärker.
• MAPE (mittlerer absoluter prozentualer Fehler): In Prozent; Gut für den Vergleich zwischen Artikeln, aber verzerrt, wenn die Nachfrage nahe Null liegt.
• Bias: Durchschnittlicher Fehler; Zeigt an, ob Sie regelmäßig über- oder unterschätzen.

Ein kleines Beispielkonto. Der tatsächliche Bedarf sei [100, 120, 90], die Prognose sei [110, 115, 100]:

Fehler (tatsächlich - Prognose): -10, +5, -10Absolute Fehler: 10, 5, 10 → MAE = 25 / 3 ≈ 8,33Prozentsatzfehler: 10/100, 5/120, 10/90 = 10%, 4,17%, 11,11%MAPE = (10 + 4,17 + 11.11) / 3 ≈ 8,43 %Bias = (-10 + 5 - 10) / 3 = -5 → Überschätzung im Durchschnitt (Vorhersage > tatsächlich)

Ein negativer Bias (echte Minusschätzung) weist darauf hin, dass die Schätzung durchweg überschätzt wird; Dies bedeutet eine Inflation der Lagerbestände. Solche Richtungsfehler können in MAPE ausgeblendet werden, sodass sie gemeinsam betrachtet werden.

Aufbau des Prognoseprozesses mit KI

Sie können KI an zwei Stellen am effizientesten einsetzen: (1) um Daten zu betrachten und die geeignete Methode und die zu ergreifenden Maßnahmen vorzuschlagen, und (2) um Vorhersagecode zu generieren. Für einen Methodenvorschlag:

Rolle: Sie sind ein Wirtschaftsingenieur mit Erfahrung in der Bedarfsprognose. Aufgabe: Untersuchen Sie die monatlichen Verkaufsreihen unten und empfehlen Sie die geeignete Prognosemethode. Bewerten Sie, ob es einen Trend und Saisonalität gibt, und schreiben Sie Ihre Begründung. Daten (monatlich, letzte 24 Monate): {{ Werte }}Zusätzliche Informationen: Im Dezember gibt es eine Aktion, in den Sommermonaten sinkt die Nachfrage. Die Ausgabe, die ich möchte: 1. Kommentieren Sie den Charakter der Serie (stabil/trending/saisonal).2. 2 empfohlene Methoden und warum.3. Welche Genauigkeitsmetrik sollte ich verfolgen?4. Fallstricke, auf die ich achten sollte (Ausreißer, Werbeeffekt). Regel: Versprechen Sie keine absolute Genauigkeit, ohne die Daten gesehen zu haben.

Schwache Eingabeaufforderung / Starke Eingabeaufforderung

Schwache Eingabeaufforderung:

Wie viel werde ich nächsten Monat verkaufen?

Dies enthält weder Daten noch Kontext; Die KI lehnt es entweder ab oder gibt eine komplett erfundene Zahl zurück. Eine solche Ausgabe ist gefährlich, weil sie vertrauenswürdig erscheint.

Kraftvolle Aufforderung:

Sagen Sie mit dieser 24-Monats-Reihe die nächsten drei Monate mithilfe der Holt-Winters-Logik voraus. Die Saisonlänge beträgt 12. Schreiben Sie zunächst die Annahmen der Methode auf, geben Sie dann die Prognose ab und berechnen Sie dann den MAPE durch Backtesting der letzten 6 Monate. Markieren Sie die Aktionsmonate separat. Daten: {{ ... }}

Die zweite Eingabeaufforderung fragt sowohl nach der Vorhersage als auch nach der Wahrscheinlichkeit, mit der man dieser Vorhersage vertrauen kann (Backtesting). Dadurch wird die Vorhersage von einem „Orakel“ zu einem messbaren Werkzeug.

Backtesting: Maß für das Vertrauen in die Vorhersage

Der eigentliche Test der Vorhersage liegt in der Vergangenheit, nicht in der Zukunft. Sie teilen die Daten, die Sie haben, in zwei Teile auf: Modellbau (Training) und Testen. Sie bauen das Modell mit dem ersten Stück auf, sagen die nächste Periode voraus und vergleichen es mit der Realität. Diese „Hold-out“-Logik verrät, ob ein Modell tatsächlich funktioniert oder nicht.

Erstellen Sie einen einfachen Backtest-Plan für die folgende Serie: Nehmen Sie sich die letzten 6 Monate als Tests vor, trainieren Sie drei verschiedene Methoden (naiv, SES, Holt-Winters) mit den verbleibenden Daten, berechnen Sie MAPE und Bias für jede während des Testzeitraums und erstellen Sie eine Vergleichstabelle. Schreiben Sie die Erfolgsmethode und die Begründung auf.

Achtung: KI kann manchmal Backtest-Ergebnisse „vorhersagen“ und Ihnen ein vorgefertigtes Diagramm präsentieren; das heißt, er kann Zahlen erfinden, die vernünftig erscheinen, ohne sie tatsächlich zu berechnen. Stellen Sie sicher, dass Sie die numerischen Ergebnisse mit Code (Python/Excel) reproduzieren. Ein Sprachmodell führt lange Arithmetik nicht zuverlässig durch.

Mini Case: Überbestände an Saisonprodukten

Ein Lebensmittelvertriebsunternehmen beschwert sich darüber, dass jedes Jahr im Winter ein zu großer Vorrat an einem saisonalen Produkt wie Eiscreme vorhanden ist. Wirtschaftsingenieurin Elif übergibt der KI monatliche 3-Jahres-Daten und bittet sie, den Charakter der Serie zu bewerten. KI erkennt starke Saisonalität (Sommergipfel) und einen leichten jährlichen Wachstumstrend, schlägt Holt-Winters vor. Elif generiert die Vorhersage in Python und führt einen Backtest durch: MAPE beträgt 14 %, aber die Abweichung ist deutlich negativ – das Modell prognostiziert durchweg zu hoch. Als er den Grund dafür untersucht, stellt er fest, dass er einen Wahlkampfzeitraum in historischen Daten fälschlicherweise als „normal“ angesehen und dem Modell eine zu hohe Basis beigebracht hat. Wenn wir den Kampagneneffekt entfernen und das Modell neu erstellen, nimmt die Verzerrung ab und der Winterbestand nimmt deutlich ab. Lektion: Die KI hat die Methode richtig vorgeschlagen, aber es war menschliche Arbeit, die Daten zu bereinigen und Verzerrungen zu interpretieren.

Häufige Fehler

• Keine Metriken verfolgen: Die Genauigkeit schätzen und niemals messen. Vorhersagen ohne Messung können nicht verbessert werden.
• Ich schaue mir nur MAPE an: Voreingenommenheit ignorieren. Richtungsfehler (systematisch) erhöhen stillschweigend das Inventar.
• Die von der KI erfundenen Zahlen werden mit Berechnungen verwechselt: Backtest- und Metrikwerte werden nicht mit Code validiert.
• Den Ausreißer/die Werbeaktion nicht bereinigen: Eine einmalige Kampagne als normale Forderung verwechseln und sie dem Modell beibringen.
• Überanpassung: Wenn ein komplexes Modell in der Vergangenheit perfekt passte, in der Zukunft jedoch eine schlechte Leistung erbringt. Behalten Sie das einfache Modell als Maßstab bei.

Zusammenfassend

• Wählen Sie die Prognosemethode entsprechend dem Charakter der Serie (stationär, trendend, saisonal); Beginnen Sie immer damit, sich mit einem Naiven zu vergleichen.
• Messgenauigkeit mit MAE/RMSE/MAPE, aber auch Monitor-Bias: Richtungsfehler sind am teuersten.
• Verwenden Sie KI für Methodenempfehlungen und Codegenerierung. Richten Sie die Prognose als messbares Instrument und nicht als „Prophezeiung“ ein.
• Backtesting ist der eigentliche Test dafür, wie zuverlässig ein Modell sein kann; Achten Sie darauf, numerische Ergebnisse mit Code zu überprüfen.
• Es ist die Aufgabe des Menschen, die Daten (Ausreißer, Beförderung) zu bereinigen und das Ergebnis zu interpretieren; KI überspringt diese Schritte.

Anwendungsaufgabe

Haben Sie mindestens eine Bedarfsserie mit 18–24 Perioden (echte oder realistische Fiktion). Geben Sie der KI zunächst die Serie und bitten Sie sie, ihren Charakter (Trend/Saisonalität) zu interpretieren und zwei Methoden vorzuschlagen. Nutzen Sie dann die leistungsstarke Eingabeaufforderung „Backtest-Plan“, um die letzten 6 Perioden als Tests zu reservieren und mindestens zwei Methoden zu vergleichen. Kritischer Schritt: Berechnen Sie die von der KI zurückgegebenen MAPE- und Bias-Werte selbst mit Excel oder Python neu und vergleichen Sie sie mit der KI-Ausgabe. Wenn Sie eine Zahl finden, die nicht übereinstimmt, notieren Sie sie. Interpretieren Sie abschließend das Vorzeichen der Verzerrung: Überschätzt oder unterschätzt Ihr Modell, und welche Auswirkungen hat dies auf Ihren Bestand?