Demand Forecasting mit Advanced Analytics: Herausforderungen und Lösungsansätze

05.04.22

Advanced Analytics

Als Demand Forecasting wird die Vorhersage der Nachfrage nach Produkten bezeichnet. Aus Unternehmenssicht ist Demand Forecasting ein integraler Bestandteil des Supply-Chain-Managements und damit wichtig, um das Angebot von Produkten zu steuern. Dieser Artikel soll anderen Data Scientists helfen, schneller gute Demand Forecasts zu bauen, indem wir die größten Herausforderungen im Demand Forecasting aus methodischer Sicht zusammenfassen. Bei INFOMOTION haben wir Erfahrungen in dem Bereich gesammelt, Schwierigkeiten erkannt sowie Lösungsansätze entwickelt, die wir in diesem Blogbeitrag aufzeigen.

Drucken

Herausforderung #1: Hierarchien und die Integration in das Modell

Im Demand Forecasting kommt es häufig vor, dass Datensätze in Hierarchien aufgebaut sind. Dabei handelt es sich zumeist um Produktkategorien oder auch Organisationen in Form von Ländern, beispielsweise in einem internationalen Unternehmen. Bei Vorliegen einer solchen Struktur ist es stets eine Herausforderung zu entscheiden, wie die Hierarchie in das Modell integriert wird. Ein Lösungsansatz könnte sein, das Feature per Onehot Encoding in das Modell einfließen zu lassen. Eine andere, ein Modell pro Land zu trainieren. Noch eine Möglichkeit wäre es, die Hierarchien explizit zu modellieren. Nach unseren Erfahrungen ist die Art der Integration entscheidend für die Performance eines Demand Forecasting-Modells.

Herausforderung #2: Geringe Anzahl von Datenpunkten

Oftmals führen zu wenig Daten zu Demand Forecasting-Problemen. Dies kann vielerlei Ursachen haben. So können Zeitreihen nur auf Wochen- oder gar auf Monatsbasis vorliegen. Qualitativ hochwertige Daten reichen unter Umständen nur drei Jahre in die Vergangenheit. Oder Produkte werden selten ge- und verkauft, was im B2B-Geschäft häufig der Fall ist. Moderne Machine Learning-Verfahren benötigen jedoch viele Daten, in erster Linie, um das sogenannte overfitting zu verhindern. Eine Erfahrung, die wir gemacht haben, ist, sich neben den bekannten ML-Algorithmen wie XGBoost und Random Forest klassische statistische Verfahren anzuschauen, z. B. Bayessche Modelle.

Herausforderung #3: Data Leakage vs. exzellente Performance

Bei Data Leakage handelt es sich um den Umstand, dass man entweder die Zielgröße, die vorhergesagt werden soll, innerhalb seines Trainingsdatensatzes als Feature verwendet oder Features verwendet werden, die zum Zeitpunkt des Forecasts nicht bekannt sind. Ein konkretes Beispiel im Demand Forecasting ist die Zuordnung von Produkten zu Produktgruppen. Wenn diese nicht historisiert wurde, sondern die aktuelle Zuordnung verwendet wird, benutzt das Modell Informationen, die es eigentlich nicht hätte haben dürfen. Data Leakage äußerst sich zumeist in einer exzellenten Performance. Aus unserer Erfahrung ist die erfolgversprechendste Herangehensweise, um Data Leakage zu erkennen, die Vorhersage auf einem zusätzlichen Validierungsdatensatz noch einmal durchzuführen. Bleibt die Vorhersage unverändert gut, lässt sich Data Leakage vermuten.

Herausforderung #4: Kurze Zeitreihen

Im Demand Forecasting wird die Produktnachfrage vorhergesagt. Produkte werden zu einem bestimmten Zeitpunkt eingeführt und, wenn sie nicht genug Umsatz erzielen, wieder aus der Produktpalette genommen. Ist eine Zeitreihe zu kurz, kann ein Modell keine Muster lernen, um gute Vorhersagen zu machen. Dennoch ist es für ein Unternehmen wichtig, schon frühzeitig – oder sogar vor dem Launch – eine Vorhersage über die zukünftige Entwicklung der Nachfrage zu erhalten. Eine Lösung kann das Ausnutzen von den bereits oben genannten Produkthierarchien sein. Da sich Produkte häufig in Produktgruppen einordnen lassen, können auch für Neueinführungen Vorhersagen gemacht werden, indem Modelle verwendet werden, die geteilte Eigenschaften mit der Zeitreihe des Nachbarproduktes auszunutzen.

Demand Forecast Grafik

 

Mit INFOMOTION die Herausforderungen meistern

Die Herausforderungen im Bereich Demand Forecasting sind vielseitig, aber ebenso zahlreich sind die Möglichkeiten, mit diesen umzugehen. Bei INFOMOTION haben wir in den letzten Jahren im Advanced Analytics-Team im Rahmen von Data Design Sprints und Industrialisierungsprojekten umfangreiche Erfahrungen gesammelt. Dabei reichen die erarbeiteten Lösungen von der Verwendung von neuen ML-Modellen zu Testverfahren hin zur Verwendung von statischen Methoden. Welche dieser Ansätze das beste Resultat erzielt, lässt sich hingegen nicht pauschal festhalten. Wir unterstützen Sie gerne dabei, eine individuelle Lösung zu finden! Mehr zum Thema Advanced Analytics bei INFOMOTION erfahren Sie hier

Unser Wissen zu diesem Thema wollen wir auf unterschiedlichen Kanälen weitergeben. Möchten Sie mehr darüber erfahren, wie wir bei INFOMOTION als Data Performance Company mit den vorgestellten Herausforderungen in Bereich des Demand Forecasting umgehen, dann würden wir uns freuen, Sie bei einem Vortag bei den INFOMOTION Innovation Days begrüßen zu dürfen.

Weiterführende Informationen

Autoren

Robin Brecht

Lead Consultant

Robin Brecht hat angewandte Mathematik und Informatik studiert und arbeitet seit dem Studium als BI und Advanced Analytics-Berater in verschiedenen Branchen und Projekten. Durch seinen Hintergrund als Softwareentwickler hat er einen starken Bezug zum klassischen Software Engineering, dem sinnvollen Einsatz von Data Science-Lösungen sowie eine weitreichende Historie von Data Engineering Projekten.

E-Mail senden

Dr. Sven Thies

Senior Consultant

Dr. Sven Thies ist seit 2020 Senior Consultant bei INFOMOTION, wo er im Bereich Advanced Analytics Proof-of-Concepts mit dem Fokus auf Demand Forecastings sowie Industrialisierungslösungen mit Kunden zusammen umsetzt. Außerdem lehrt er seit 2016 die Fächer Statistik sowie Data Science und Big Data in verschiedenen Studiengängen.

E-Mail senden