Über Prognosen
In diesem Dokument beschreibt der Begriff „Prognose“ die Vorhersage zukünftiger Werte einer Zeitreihe: Die Eingabe- oder Ausgabedaten eines Problems sind zeitabhängig.
Prognosesystem
Ein Prognosesystem schließt eine Vielzahl von Benutzern ein:
-
Endbenutzer, die die Prognose für ein bestimmtes Produkt wünschen und entscheiden, wie viele Einheiten gekauft werden sollen. Dabei kann es sich um eine Person oder ein automatisiertes System handeln.
-
Geschäftsanalysten/Business Intelligence, die Endbenutzer unterstützen und aggregierte Berichte ausführen und organisieren.
-
Datenwissenschaftler, die Nachfragemuster und kausale Effekte iterativ analysieren und neue Funktionen hinzufügen, um das Modell schrittweise zu verbessern oder das Prognosemodell zu verbessern.
-
Ingenieure, die die Infrastruktur der Datenerfassung einrichten und sicherstellen, dass die Eingabedaten dem System zur Verfügung gestellt werden.
Amazon Forecast erleichtert Softwareingenieuren die Arbeit und ermöglicht Unternehmen, die nur begrenzt über Data-Science-Funktionen verfügen, die Nutzung modernster Prognosetechnologien. Für Unternehmen, die über Datenwissenschaftsfunktionen verfügen, bietet Amazon Forecast eine Reihe von Diagnosefunktionen, die dabei helfen, Prognoseprobleme effektiv zu lösen.
Wo treten Prognoseprobleme auf?
Prognoseprobleme treten in vielen Bereichen auf, in denen Zeitreihendaten auf natürliche Weise erzeugt werden. Dazu zählen Einzelhandelsumsätze, medizinische Analysen, Kapazitätsplanung, Überwachung von Sensornetzwerken, Finanzanalyse, Social Activity Mining und Datenbanksysteme. In den meisten Unternehmen spielen Prognosen bei der Automatisierung und Optimierung von Betriebsprozessen eine Schlüsselrolle, weil sie eine datengesteuerte Entscheidungsfindung ermöglichen. Prognosen zum Produktangebot und zur Produktnachfrage können zur Optimierung der Bestandsverwaltung, Personalplanung und Topologieplanung verwendet werden und stellen im Allgemeinen eine wichtige Technologie im Hinblick auf die meisten Aspekte der Lieferkettenoptimierung dar.
Die folgende Abbildung bietet einen Überblick über das Prognoseproblem, wenn dieses auf einer beobachteten Zeitreihe basiert, die ein Muster aufweist (in diesem Beispiel ist es die Saisonalität), und es wird eine Prognose über einen bestimmten Zeitraum hinweg erstellt. Die horizontale Achse stellt die Zeit dar, die von der Vergangenheit (links) in die Zukunft (rechts) reicht. Die vertikale Achse stellt gemessene Einheiten dar. Die Vergangenheit (blau) erstreckt sich bis zur vertikalen schwarzen Linie, die Zukunft (rot) entspricht der Prognoseaufgabe.
Überblick über die Prognoseaufgabe
Zu bedenken, bevor versucht wird, ein Prognoseproblem zu lösen
Bevor versucht wird, Prognoseprobleme zu lösen, sollten folgende wichtige Fragen beantwortet werden:
-
Müssen Sie ein Prognoseproblem lösen?
-
Warum versuchen Sie das Prognoseproblem zu lösen?
Da Zeitreihendaten überall vorkommen, lassen sich Prognoseprobleme überall leicht auffinden. Es stellt sich jedoch die Kernfrage, ob es wirklich notwendig ist, ein Prognoseproblem zu lösen, oder ob darauf gänzlich verzichtet werden kann, ohne gleichzeitig Abstriche in puncto effizienter Entscheidungsfindung im Unternehmen machen zu müssen. Es ist sehr wichtig, sich diese Frage zu stellen, da Prognosen im Zusammenhang mit Machine Learning aus wissenschaftlicher Sicht das größte Problem darstellen.
Denken Sie beispielsweise an Produktempfehlungen für einen Online-Händler. Dieses Problem der Produktempfehlung kann als ein Prognoseproblem angesehen werden, bei dem Sie für jedes Paar von Kundenlagerhaltungseinheiten (SKU) die Anzahl der Einheiten eines bestimmten Artikels prognostizieren, die dieser spezifische Kunde kaufen würde. Diese Problemformulierung bietet zahlreiche Vorteile. Ein Vorteil ist, dass dabei die Teilkomponente ausdrücklich berücksichtigt wird, sodass Sie Produkte entsprechend der Kaufmuster der Kunden empfehlen können.
Probleme im Zusammenhang mit Produktempfehlungen werden jedoch selten als ein Prognoseproblem formuliert, da es viel schwieriger ist, ein solches Prognoseproblem (z. B. spärliche Informationen auf Kunden-SKU-Ebene und das Ausmaß des Problems) zu lösen, als das Empfehlungsproblem direkt zu lösen. Wenn Sie also eine Prognoseanwendung auswählen, sollten Sie zunächst überlegen, wozu die Prognose später dienen wird, und Sie sollten überprüfen, ob sich das Problem mithilfe eines alternativen Ansatzes lösen lässt.
Amazon Personalize
Nachdem Sie festgelegt haben, dass Sie ein Prognoseproblem lösen müssen, sollten Sie sich als Nächstes die Frage stellen, warum Sie es lösen? In zahlreichen Geschäftsumgebungen dienen Prognosen in der Regel nur als Mittel zum Zweck. Im Einzelhandel kann die Prognose beispielsweise dazu dienen, Nachfrageprognosen zu erstellen, um auf deren Basis Entscheidungen zur Bestandsverwaltung zu treffen. Das Prognoseproblem bietet typischerweise Input für ein Entscheidungsproblem, das wiederum als Optimierungsproblem modelliert werden kann.
Zu solchen Problemen gehören beispielsweise Entscheidungen darüber, wie viele Einheiten erworben werden müssen oder welcher Ansatz sich am besten dazu eignet, den vorhandenen Lagerbestand zu verwalten. Andere Probleme in puncto Geschäftsprognose sind Prognosen zur Serverkapazität oder zur Nachfrage nach Rohstoffen/Teilen im Fertigungsbereich. Diese Prognosen können als Input für andere Prozesse verwendet werden: entweder für Entscheidungsprobleme (wie oben beschrieben) oder für Szenariosimulationen, die anschließend zur Planung ohne explizite Modelle genutzt werden. Es gibt Ausnahmen von der Regel, dass Prognosen nicht dem Selbstzweck dienen. In der Finanzprognose wird die Prognose beispielsweise direkt zum Anlegen finanzieller Reserven verwendet oder sie wird Anlegern präsentiert.
Um den Zweck von Prognosen zu verstehen, sollten Sie sich die folgenden Fragen stellen:
-
Wie weit in die Zukunft sollte Ihre Prognose reichen?
-
Wie oft müssen Sie Prognosen erstellen?
-
Gibt es bestimmte Aspekte der Prognosen, mit denen Sie sich eingehend befassen sollten?
