Nachfrageprognose: Verwalten von Zeitreihen, Saisonalität und Unsicherheit

Gewinne:

• Fähigkeit, die Konzepte von Zeitreihen, Trends, Saisonalität und Kampagnenwirkung zu verstehen und künstliche Intelligenz für Nachfrageprognosen mit den richtigen Fragen und sauberen Daten zu nutzen.
• Fähigkeit, Prognosegenauigkeit (MAPE, Abweichung) und Unsicherheit (Konfidenzintervall, Szenarien) zu interpretieren und die Planung auf einen Bereich statt auf eine einzelne Zahl zu stützen
• In der Lage sein zu unterscheiden, dass die Vorhersage der künstlichen Intelligenz auf historischen Daten basiert und dass Expertenmeinung bei Unterbrechungen wie neuen Produkten, Werbeaktionen oder Lieferkrisen im Vordergrund steht.

Jede Entscheidung in der Lieferkette basiert auf einer Frage: Wie groß wird die Nachfrage sein? Je genauer Sie diese Frage beantworten, desto weniger Aktien halten Sie, desto weniger Aktien halten Sie aus und desto weniger Geld binden Sie. Nachfrageprognosen sind der Motor der Lieferkette; Von hier aus werden Lager-, Einkaufs-, Produktions- und Transportpläne eingespeist. Künstliche Intelligenz ist in diesem Bereich äußerst leistungsfähig, da sie die Geschichte von Tausenden von Produkten viel schneller als ein Mensch scannt und Muster extrahiert. Aber die Quelle ihrer Macht ist auch ihre Grenze: KI lernt aus der Vergangenheit; Wenn die Zukunft nicht der Vergangenheit ähnelt, ist sie falsch. In dieser Einheit lernen wir die Sprache der Vorhersage, der Messgenauigkeit, des Umgangs mit Unsicherheiten und lernen, wo KI Ihnen gegenüber aufgeben sollte.

Prognosesprache: Zeitreihen, Trend, Saisonalität

Bei Nachfragedaten handelt es sich in der Regel um eine Zeitreihe – eine nach Zeit geordnete Reihe von Zahlen, beispielsweise die täglichen Verkäufe eines Produkts. Die Unterteilung dieser Sequenz in drei Teile ist die Grundlage der Vorhersage:

Trend, langfristige Richtung: Steigen oder sinken die Umsätze von Jahr zu Jahr? Saisonalität, regelmäßig wiederkehrende Schwankungen: Eis wird im Sommer verkauft, die Heizung verkauft sich im Winter; Am Freitag und Samstag ist der Markt voll. Lärm, unerklärliches zufälliges Spielen. Eine gute Prognose erfasst Trends und Saisonalität und lässt sich nicht durch Rauschen täuschen. Darüber hinaus häufen sich Ereignisse: Aktion, Promotion, Feiertag, Wetter, Mitbewerber-Umzug. Wenn Sie die KI vorhersagen lassen, müssen Sie ihr diese Ereignisse mitteilen; Wenn Sie es ihm nicht sagen, wird er das Springen am Wahlkampftag für „normal“ halten und einen Fehler in Bezug auf die Zukunft machen.

Tipp: Markieren Sie Kampagnen, Feiertage und Tage, an denen der Lagerbestand nicht vorrätig ist, wenn Sie rohe Verkaufsdaten an die KI weitergeben. Der Tag ohne Lagerbestände ist wichtig: Die Verkäufe scheinen an diesem Tag niedrig zu sein, aber die tatsächliche Nachfrage war hoch, es waren einfach keine Waren verfügbar. Wenn Sie dies nicht angeben, wird die KI den tatsächlichen Bedarf unterschätzen.

Messgenauigkeit: MAPE und Bias

„Ist die Prognose gut?“ Die Antwort auf die Frage kommt vom Messen, nicht vom Gefühl. Der gebräuchlichste Indikator ist MAPE (Mean Absolute Percent Error – wie viele Prozentpunkte weichen Vorhersagen im Durchschnitt von der Realität ab). Wenn MAPE 10 % beträgt, bedeutet das, dass Ihre Vorhersagen den tatsächlichen Wert um durchschnittlich 10 % verfehlen; Ein niedrigerer MAPE ist besser. Das zweite wichtige Konzept ist die Voreingenommenheit: Liegt Ihre Prognose durchweg über der Realität (Überbestände produzieren) oder unterbestände (Unterbestände bleiben)? Auch wenn eine Prognose einen niedrigen MAPE aufweist und diese immer in die gleiche Richtung abweicht, liegt ein systematisches Problem vor.

Sie können der KI einen Teil der Geschichte als „Training“ und einen Teil davon als „Test“ geben und ihre Vorhersage mit der Realität vergleichen. Dies ist der ehrliche Weg, Vertrauen aufzubauen: Testen des Modells anhand von Daten, die es nicht gesehen hat. Eine Prognose lohnt sich nur dann für die Zukunft, wenn sie sich in der Vergangenheit als konsistent erwiesen hat.

Achtung: Keine Vorhersage ist 100 % genau; Es wird nicht erwartet, dass dies geschieht. Das Ziel besteht nicht darin, eine perfekte einzelne Zahl zu erzeugen, sondern einen überschaubaren Bereich unter Berücksichtigung der Abweichung. Die binäre Vorstellung „die Vorhersage hat sich erfüllt/es hat nicht funktioniert“ ist falsch; Die richtige Frage lautet: „Wie stark ist die Abweichung aufgetreten und wie viel Puffer habe ich entsprechend beibehalten?“

Umgang mit Unsicherheit: Bereich, nicht einzelne Zahl

Die gefährlichste Angewohnheit des Planers besteht darin, die Prognose als eine einzige harte Zahl zu behandeln. In Wirklichkeit hat jede Prognose ein Konfidenzintervall – etwa „Die Nachfrage im nächsten Monat liegt höchstwahrscheinlich zwischen 900 und 1.100.“ Je breiter dieser Bereich ist, desto höher ist die Unsicherheit. Die Kenntnis des Sortiments wirkt sich direkt auf Ihre Bestandsentscheidung aus: Ein schmales Sortiment erfordert weniger Sicherheitsbestand, ein breites Sortiment erfordert mehr Puffer.

Fragen Sie die KI also immer nach Szenarien: pessimistisch (wenn die Nachfrage gering ausfällt), erwartet und optimistisch (wenn die Nachfrage hoch ausfällt). Angesichts der drei Szenarien basiert der Plan nicht auf einer einzigen Annahme, sondern auf einer Reihe möglicher Möglichkeiten. Dies ist der praktischste Weg, um aus der „Einzelnummern-Falle“ herauszukommen.

Schritt für Schritt: Nachfrageprognosestudie mit KI

1. Daten löschen. Markieren Sie fehlende Tage, nicht vorrätige Tage und öffnen Sie fehlerhafte Datensätze. Arbeiten Sie mit anonymem Produktcode.
2. Markieren Sie Ereignisse. Fügen Sie den Daten Kampagnen-, Feiertags- und Aktionstage hinzu.
3. Subtrahiere das Muster. Bitten Sie die KI, Trends, Saisonalität und bemerkenswerte Ereignisse zusammenzufassen.
4. Testen Sie es. Speichern Sie den letzten Teil des Verlaufs, lassen Sie die KI vorhersagen und vergleichen Sie ihn mit der Realität (MAPE und Bias-Richtung).
5. Erstellen Sie ein Szenario. Fragen Sie nach drei Vorhersagen (pessimistisch/erwartet/optimistisch) und dem Konfidenzintervall für jede.
6. Expertenfilter. KI weiß nichts über bekannte bevorstehende Störungen (neues Produkt, Lieferkrise, Gesetzgebung); Fügen Sie sie manuell hinzu. Der endgültige Plan liegt bei Ihnen.

drei Mini-Koffer

Fall 1 – Erfassung der Saisonalität. Ein Getränkehändler beschwerte sich darüber, dass er in den Sommermonaten ständig keine Vorräte mehr hatte und im Winter auf der Ware sitzen blieb. Der Planer gab YZ drei Jahre lang anonyme Tagesverkäufe und entfernte die Saisonabhängigkeit: Die Nachfrage von Juni bis August betrug das 2,4-fache des Winterdurchschnitts, und der Sprung begann jedes Jahr Mitte Mai. Nach diesem Muster richtete er seinen Sommervorrat drei Wochen im Voraus ein; Der tote Bestand im Sommer ging um 70 % zurück, der tote Bestand im Winter ging zurück. KI zeigte das Muster; Der Planer traf die Bestandsentscheidung.

Fall 2 – Dem neuen Produkt nachgeben. Ein Unternehmen wollte ein brandneues Produkt auf den Markt bringen; Es lagen keine historischen Verkaufsdaten vor. Der Planer fragte die KI: „Wie hoch wird der Bedarf in den ersten drei Monaten sein?“ fragte er. Die KI ergab eine Zahl, die vernünftig schien – aber der Planer wusste, dass sie unbegründet war: Es gab keine Daten. Stattdessen fragt AI: „Was war in der Vergangenheit das erste 3-Monats-Muster von Produkten, die in ähnlichen Segmenten veröffentlicht wurden?“ Analyse durchführen und als Prognosespanne mit vorsichtigem Ausgangsbestand festlegen. Das Expertenurteil überstimmte das fiktive Vertrauen der KI.

Fall 3 – Stockless ist die Falle des Tages. Ein Analyst kam zu dem Schluss, dass die Nachfrage nach einem Produkt zurückgegangen sei, und empfahl, den Lagerbestand zu reduzieren. Sein leitender Kollege bemerkte, dass es sich bei den Tagen mit geringem Umsatz in den Daten tatsächlich um Tage ohne Lagerbestand handelte: Die Nachfrage war nicht zurückgegangen, es gab keine Waren. Als die Daten mit dieser Notiz korrigiert und erneut an die KI übergeben wurden, zeigte sich, dass die tatsächliche Nachfrage zunahm. Unsachgemäß bereinigte Daten führen zu falschen Vorhersagen.

Vier kopierbare Vorlagen

1) Musterextraktion:

Ihre Rolle: Assistent des Bedarfsplanungsanalysten. Nachfolgend finden Sie die monatlichen Verkaufsdaten eines Produkts (anonymer Code: PRODUCT-X) für die letzten 36 Monate. Aktionsmonate [Monatsliste], lagerfreie Monate [Monatsliste]. Aufgabe: Fassen Sie (1) den Trend, (2) das saisonale Muster und (3) die bemerkenswerten Ereignisse zusammen. Bedenken Sie, dass Monate ohne Lagerbestände die tatsächliche Nachfrage verdecken. Der Monat, für den ich keine Daten angegeben habe, ist erfunden.

2) Genauigkeitstest:

Sagen Sie die letzten 6 Monate anhand der ersten 30 der 36 unten aufgeführten Monate voraus. Vergleichen Sie dann meine Vorhersage mit den tatsächlichen letzten 6 Monaten. Berechnen Sie die Abweichung und den Gesamt-MAPE für jeden Monat. Sagen Sie mir, ob Ihre Schätzung durchweg voreingenommen ist. Formel anzeigen.

3) Szenarioprognose:

Schätzen Sie die monatliche Nachfrage nach diesem Produkt im nächsten Quartal in drei Szenarien: pessimistisch / erwartet / optimistisch. Geben Sie für jedes Szenario ein Konfidenzintervall an und notieren Sie, auf welcher Annahme es basiert. Beachten Sie, dass dies kein endgültiger Wert ist, sondern ein Planungsintervall.

4) Bruchkontrolle:

Listen Sie auf, wie die Prognose, die auf historischen Daten basiert, die ich Ihnen gegeben habe, durch die folgenden bevorstehenden Ereignisse ungültig werden könnte: [neues Produkt / Werbeaktion / Lieferkrise / regulatorische Änderung]. Schlagen Sie vor, wie ich die Prognose für jeden manuell anpassen soll.

Schwache Eingabeaufforderung / Starke Eingabeaufforderung

Schwache Eingabeaufforderung:

Wie viel werde ich nächsten Monat verkaufen?

Keine Daten, kein Produkt, kein Kontext. Die KI weist entweder zurück oder versöhnt sich; Keines der Ergebnisse funktioniert.

Kraftvolle Aufforderung:

Ihre Rolle: Bedarfsplanungsassistent. Nachfolgend sind die Verkäufe von PRODUCT-X in den letzten 24 Monaten aufgeführt. Aktionsmonate und lagerfreie Monate sind gekennzeichnet. Geben Sie eine pessimistische/erwartete/optimistische Prognose für die nächsten 3 Monate an, fügen Sie jeweils ein Konfidenzintervall hinzu und zeigen Sie MAPE über den vergangenen Test an. Stellen Sie sich vor, ich hätte die endgültige Aktienentscheidung.

Ansatz

schlagen

Unsicherheitsmanagement

Risiko

Verlassen Sie sich auf eine einzelne Zahl

irreführend

Keine

Hoch – Plan bricht zusammen

Szenario + Reichweite

realistisch

gut

niedrig

nur Intuition

Variabel

schwach

mittelhoch

Der KI blind gehorchen

Variabel

Keine

hoch

Häufige Fehler

• Einen Tag, an dem es keine Lagerbestände gibt, mit einer wirklich geringen Nachfrage verwechseln. Wenn Waren nicht verfügbar sind, erscheinen die Umsätze niedrig; Dies bedeutet nicht, dass die Nachfrage gesunken ist.
• Sperren einer einzelnen Nummer. Die Vorhersage als absolute Wahrheit zu betrachten bedeutet, die Unsicherheit zu ignorieren; Fragen Sie immer nach Reichweite und Szenario.
• Die Kampagne wird nicht getaggt. Das Modell, das den Werbeaufschwung für „normal“ hält, verzerrt die Zukunft.
• Vorhersage eines neuen Produkts ohne Historie. Die scheinbar sichere Zahl von KI für Produkte ohne Daten ist unbegründet.
• Überlassen Sie das Brechen der KI. KI kennt keine Strukturbrüche wie Epidemien, Versorgungskrisen und Gesetzgebung; Es muss ein fachmännischer Eingriff erfolgen.

Achtung: Egal wie gut eine Vorhersage aussieht, sie kann nicht besser sein als die Qualität der Daten, auf denen sie basiert. „Müll rein, Müll raus.“ Verbringen Sie die meiste Zeit damit, Daten zu bereinigen. Der Modellteil erledigt den Rest.

Zusammenfassend

Bedarfsprognosen sind der Motor der Lieferkette, und KI ist ein leistungsstarker Assistent, der diesen Motor beschleunigt. Aber KI lernt aus der Vergangenheit; ist falsch, wenn die Zukunft nicht der Vergangenheit ähnelt. Erfassen Sie Trends und Saisonalität, kennzeichnen Sie Ereignisse, messen Sie die Genauigkeit mit MAPE und der Driftrichtung, richten Sie die Prognose als Szenario und Bereich ein, nicht als einzelne Zahl. Bei neuen Produkten und Strukturbrüchen steht das Expertenurteil an erster Stelle. Datenbereinigung ist die Grundlage von allem; Der endgültige Plan liegt bei Ihnen.

Anwendungsaufgabe

Erhalten Sie Verkaufsdaten für die letzten 12 bis 24 Monate eines Ihrer eigenen Produkte (oder eines hypothetischen Produkts), markieren Sie die Kampagne und die Monate, in denen der Lagerbestand vergriffen ist. Fragen Sie die KI nach drei Szenarien mit der Vorlage „Szenariovorhersage“. Speichern Sie dann einen Teil der Historie mit der Vorlage „Genauigkeitstest“ und vergleichen Sie die Vorhersage mit der Realität. Schreiben Sie das gefundene MAPE und das von Ihnen gewählte Szenario zusammen mit dem Grund in 5 Punkten auf. Geben Sie außerdem an, welchen Sicherheitspuffer Sie hinzufügen möchten.

Checkliste

• [ ] Habe ich die Daten gelöscht, „Ausverkauft“ und Aktionstage markiert?
• [ ] Habe ich die Vorhersage mit MAPE und der Bias-Richtung durch Backtesting validiert?
• [ ] Habe ich nach einem Szenario und einem Konfidenzintervall anstelle einer einzelnen Zahl gefragt?
• [ ] Wenn es sich um ein neues Produkt/einen Bruch handelt, habe ich dann der Expertenmeinung Vorrang eingeräumt?
• [ ] Habe ich den endgültigen Aktienplan meiner eigenen Genehmigung unterzogen?