In diesem Artikel möchten wir Ihnen die statistischen Prognosemethoden näher bringen, die in Pivot Forecasting eingesetzt werden.

Es wird beschrieben, wo die Methoden zu finden und einzustellen sind und wo die statistischen Ergebnisse angezeigt werden. Wir werden auch näher auf den "Experten" eingehen, einen regelbasierten AI-Solver, der automatisch die besten Methoden und Parameter auswählt. Wir werden auch die anderen Forecast-Typen besprechen.

Standardmäßig wird für jedes Element in Pivot Forecasting die Methode "Experte" verwendet. Wenn Sie sich auf der Basisebene Ihres Modells befinden, können Sie den ausgewählten Forecast-Typ im Visueller Forecaster-Panel anzeigen. Sie können die ausgewählte Methode für jedes Element der Basisebene über das Visueller Forecasting-Panel ändern.

Um die ausgewählte Methode für mehrere Elemente gleichzeitig zu ändern, müssen Sie mit der rechten Maustaste auf das Baummenü klicken und "Forecast-Parameter aktualisieren" wählen.

Der Forecast-Typ ist die Methode, die angefordert wird. Das Forecast-Ergebnis ist die ausgewählte Methode. Lassen Sie uns das näher untersuchen.

Im obigen Beispiel ist "Experte" der gewünschte Forecast-Typ. Das Forecast-Ergebnis ist die exponentielle Glättungsprognosemethode "Level", die von der Engine ausgewählt wurde. Die Maschine wird nicht immer die gewünschten Ergebnisse liefern, wenn keine geeigneten Daten für diese Anforderung verfügbar sind. Wenn z. B. "Saisonal" als Forecast-Typ angefordert wird, aber nicht genügend historische Daten vorhanden sind, wählt der Experte einen nicht saisonalen Forecast-Typ.

Eines der vordefinierten Attribute von Pivot Forecasting ist Forecast-Ergebnisse.

Sie ist nützlich, weil Sie mit Hilfe der Baumstruktur schnell alle Positionen anzeigen können, die die einzelnen Prognosemethoden verwenden.

Wir haben den Typ "Experten-Prognose" schon ein paar Mal erwähnt, und Sie fragen sich vielleicht, wie er eigentlich funktioniert. Lesen Sie weiter, um es herauszufinden!

Zunächst analysiert der Experte die einzelnen Zeitreihen. Gibt es genügend historische Daten, um eine saisonale Methode in Betracht zu ziehen? Wenn ja, gibt es ein konsistentes Muster von Jahr zu Jahr? Konzentriert sich die Nachfrage auf kurze Verkaufssaisons? Ist die Nachfrage unregelmäßig oder konstant? Zeigt sie einen Trend? Das System führt eine Reihe von Tests durch, um diese und andere Merkmale zu ermitteln.

Als Nächstes berücksichtigt das System den vom Benutzer gewählten Forecast-Typ. Das System versucht, die angeforderte Methode zu verwenden, muss aber unter Umständen auf eine geeignetere Methode ausweichen.

Sobald die Maschine diese grundlegenden Klassifizierungen abgeschlossen hat, probiert sie die am besten geeigneten Forecast-Typen aus und vergleicht die Ergebnisse. Innerhalb jedes Forecast-Typs führt sie eine Optimierung durch, um die Parameter zu bestimmen und die besten Glättungskoeffizienten zu ermitteln. Die Glättungskoeffizienten bestimmen das zusätzliche Gewicht, das auf die jüngsten Niveaus, Trends und Saisonalität angewendet wird.

Schließlich werden die Fehler und andere Merkmale der einzelnen Prognose-Typen miteinander verglichen. Die Maschine wird nicht immer den Typ mit dem geringsten Fehler wählen. Der Grund dafür ist, dass die Anpassung allein nicht ausschlaggebend für die Wirksamkeit einer Methode für eine bestimmte Zeitreihe ist. Komplexe Methoden wie ARIMA und die saisonale exponentielle Glättung werden fast immer besser passen, aber sie sagen die künftige Nachfrage möglicherweise nicht so gut voraus wie einfachere Methoden. In dieser Phase verwendet das System auch einen eingebetteten Random Forecast (Machine Learning) Klassifikator, um das "Risiko" einer Prognose zu bewerten. Eine risikoreiche Prognose ist eine, die zwar zu den Daten zu passen scheint, aber wahrscheinlich keine gute Prognose ist.

All dies mag sich kompliziert anhören - und das ist es auch - aber das ist es, was man braucht, um eine Weltklasse-Forecast-Engine zu entwickeln!

Zusammengefasst wird der Experte:

Obwohl es Tausende von möglichen Algorithmen gibt, gibt es nur 11 allgemeine Forecast-Typen in Pivot Forecasting. Wir sehen uns jetzt jeden von ihnen genauer an.

Der Experte wird nur dann eine saisonale Methode verwenden, wenn mindestens zwei Jahre in der Vergangenheit liegen. Wenn der Benutzer den Forecast-Typ "Saisonal" ausgewählt hat, berücksichtigt das System saisonale Prognosemethoden mit einem statt zwei Zyklen. Die Schwellenwerte für die saisonalen Signifikanztests werden ebenfalls gelockert, aber es kann immer noch auf nicht-saisonale Methoden zurückgegriffen werden, wenn dies erforderlich ist (d. h. wenn nicht genügend Historie vorhanden ist, wenn die Schwellenwerte für die Saisonalitätstests nicht erreicht werden, wenn nicht genügend jüngere Historie vorhanden ist oder wenn der ML-Klassifikator dies als zu riskant einstuft).

Um saisonale Prognosen mit einem sehr zufälligen oder unvollständigen Verlauf zu erstellen, empfehlen wir Ihnen, saisonale Indizes anstelle des Forecast-Typs “Saisonal” zu verwenden. In den meisten Fällen können Sie die Saisonalität für einen Index anhand von aggregierten Gruppen ableiten, die die Saisonalität mit größerer Sicherheit zeigen.

Sowohl die Ebene- als auch die Niveau-Trend-Methode gehören zur Familie der exponentiellen Glättung. Sie verwenden entweder eine 1-Parameter- oder 2-Parameter-Methode der exponentiellen Glättung, wobei der zweite Parameter für den Trend steht. Es handelt sich um sehr robuste Methoden, die für praktisch jede Zeitreihe verwendet werden können. Wie beim Experten wird die Engine die optimalen Glättungsparameter ermitteln. Wie bereits erwähnt, sind die Glättungsparameter die Gewichtung der jüngeren Aktivitäten.

Die meisten Trends in Pivot Forecasting sind gedämpft. Das obige Diagramm zeigt einen stark gedämpften Trend, wobei die Steigung im Laufe der Zeit schnell abnimmt. Gedämpfte Trends sind konservativer als ungedämpfte Trends. Ohne Dämpfung können Trends zu einem Vielfachen der prognostizierten Nachfrage in späteren Perioden führen, was für eine automatisierte Prognose sehr riskant sein kann.

Bei der nicht saisonalen Prognose werden alle nicht saisonalen Methoden berücksichtigt, einschließlich einfacher und doppelter exponentieller Glättung, gleitender Durchschnitte und Crostons. Sie fällt auf "Keine" zurück, wenn es keine aktuelle Nachfrage gibt.

Die Croston-Methode ist eine Glättungsmethode, bei der die Wahrscheinlichkeit des Auftretens einer intermittierenden Nachfrage gesondert bestimmt und dann mit dem erwarteten Wert der Nachfrage multipliziert wird (wobei die Perioden ohne Nachfrage in der Reihe entfernt werden). Das Ergebnis ist eine Pegelprognose, die langsamer reagiert und sich am besten für eine schwache, stoßweise Nachfrage eignet.

Das Modell des gleitenden Durchschnitts in Pivot Forecasting arbeitet mit dem Durchschnitt von 12 Perioden (oder weniger, wenn es weniger als 12 Perioden gibt). Dies ist nützlich, wenn eine Prognose des Niveaus benötigt wird, die weniger auf die jüngsten Veränderungen reagiert. Es ist auch nützlich für intermittierende Reihen, insbesondere wenn es negative Werte gibt, da der Forecast-Typ von Croston nicht verwendet werden kann, wenn es irgendwelche negativen Datenpunkte gibt.

ARIMA steht für AutoRegressive Iterative Moving Average. ARIMA nutzt verzögerte gleitende Durchschnitte, um Zeitreihendaten zu glätten.

Dieser Forecast-Typ kann saisonale, trendmäßige oder nicht saisonale Prognosen erstellen. Manchmal erzeugt ARIMA eine "gepulste" Prognose, die mit der Zeit stationärer wird. Das obere Beispiel zeigt eine ARIMA-Prognose, die sowohl trend- als auch saisonabhängig ist. Das untere Beispiel zeigt eine Prognose, die "gepulst" ist.

Bei der Methode des saisonalen Durchschnitts werden einfach die beiden vorangegangenen Zyklen gemittelt. Die Methode "getrendeter saisonaler Durchschnitt" ist die gleiche, mit dem Unterschied, dass sie auch einen gedämpften Trend einbezieht. Beide Methoden sind relativ einfach und berechnen die Prognose auf der Grundlage von Durchschnittswerten für "ähnliche Perioden" in mehreren Zyklen. Beispiele für "ähnliche Zeiträume" wären Monate in einem Monatsmodell oder Wochenzahlen in einem wöchentlichen Prognosemodell.

Diese Forecast-Typen sind sehr nützlich für Produkte wie Lebensmittel, Getränke oder Kleidungsstücke, die unter dem Motto Urlaub stehen oder stark saisonabhängig sind.

Der Forecast-Typ "Keine" wird häufig verwendet, da es sich um den Forecast-Typ der Wahl handelt, wenn ein Artikel nicht prognostiziert werden muss. Diese Prognoseart ist am nützlichsten für Produkte, deren Lebensdauer abgelaufen ist, oder für Produkte, die Sie nur auf Bestellung verkaufen möchten.

Zusammenfassend lässt sich sagen, dass Pivot Forecasting eine Vielzahl von Prognosemethoden und eine erstklassige Experten- und Benutzeroberfläche bietet, die das gesamte Spektrum der Nachfrageprognoseanforderungen unterstützt. Und all das tun wir, um Ihnen zu helfen, mit Netstock besser zu planen.

Haben Sie die verwandten Artikel gelesen? Sehen Sie sich unsere Pivot Forecasting-Sammlung an!