Fallstudie: Problem bei der Prognose der Einzelhandelsnachfrage für ein E-Commerce-Geschäft
Betrachten Sie den Fall eines E-Commerce-Geschäfts, das Produkte online verkauft, und verschaffen Sie sich auf diese Weise einen Überblick über Prognosekonzepte. Die Optimierung von Entscheidungen für Lieferketten (z. B. die Lagerverwaltung) ist für die Kernwettbewerbsfähigkeit dieses Unternehmens ausschlaggebend, da dadurch ermöglicht wird, an den entsprechenden Fulfillment-Standorten über die genaue Anzahl von Produkten zu verfügen. Dies bedeutet im Wesentlichen, dass das Unternehmen eine große Auswahl, kürzere Versandzeiten und wettbewerbsfähige Preise anbieten kann, was wiederum die Kundenzufriedenheit erhöht. Der wichtigste Input für das Lieferketten-Softwaresystem ist die Nachfrageprognose oder die Prognose des potenziellen Umsatzes, den die einzelnen Produkte aus dem Katalog generieren können. Diese Prognose ermöglicht wichtige nachgelagerte Entscheidungen, wobei folgende Entscheidungen zu den wichtigsten zählen:
-
Planung auf Makroebene (strategische Prognose): Wie hoch ist das prognostizierte Wachstum in Bezug auf den Gesamtumsatz/Umsatz für ein Unternehmen? In welcher Region sollte das Unternehmen aktiv(er) sein? Wie sollten Arbeitskräfte verteilt sein?
-
Nachfrage- (oder Bestands-)prognose: Wie viele Einheiten jedes Produkts werden voraussichtlich pro Standort verkauft?
-
Werbeaktionen (taktische Prognosen): Wie sollten Werbeaktionen ausgeführt werden? Sollten Produkte liquidiert werden?
Der Rest der Fallstudie konzentriert sich auf das zweite Problem, das zur Familie der Probleme bei der operativen Prognose gehört (Januschowski & Kolassa, 2019). Dieses Dokument folgt den wichtigsten Anliegen: Daten, Modelle (Predictors), Inferenzen (Prognosen) und Produktion.
Bei dieser Fallstudie ist zu beachten, dass das Prognoseproblem ein Mittel zum Zweck ist. Obwohl Prognosen für das Unternehmen ausschlaggebend sind, spielen nachgelagerte Entscheidungen für die Lieferkette eine noch wichtigere Rolle. In unserer Fallstudie werden diese Entscheidungen von automatisierten Einkaufssystemen getroffen, die auf mathematischen Optimierungsmodellen aus dem Bereich der Betriebsforschung basieren. Diese Systeme versuchen, die voraussichtlichen Kosten für das Unternehmen zu minimieren.
Das Schlüsselwort lautet voraussichtlich, was bedeutet, dass die Prognosen nicht nur eine mögliche Zukunft, sondern alle möglichen Zukünfte abdecken sollten, wobei die entsprechende Gewichtung gemäß der Wahrscheinlichkeit eines bestimmten Ergebnisses erfolgt. Zu diesem Zweck, und um eine nachgelagerte Entscheidungsfindung zu unterstützen, bedarf es nicht lediglich einer punktuellen Prognose sondern vielmehr einer kompletten Verteilung der Prognosewerte. Die folgende Abbildung zeigt eine probabilistische Prognose (auch als Dichteprognose bezeichnet). Beachten Sie, dass Sie aus dieser probabilistischen Prognose leicht eine einzelne Punktprognose (die wahrscheinlichste Zukunft) ableiten können. Es ist jedoch schwieriger, von einer Punktprognose zu einer probabilistischen Prognose zu wechseln.
Eine probabilistische Prognose liefert Ihnen verschiedene Statistiken und Sie können die Ergebnisse so anpassen, dass Sie sie bei Ihrer Entscheidungsfindung unterstützen. Das E-Commerce-Geschäft bietet möglicherweise zahlreiche wichtige Produkte an, die in seinem Lagerbestand niemals fehlen sollten. Verwenden Sie in diesem Fall ein hohes Quantil (z. B. die 90. Perzentile). Dies bedeutet, dass die Produkte zu 90 % der Zeit auf Lager sein werden. Für andere Produkte, z. B. Produkte, die sich leichter ersetzen lassen (z. B. Stifte), ist es wahrscheinlich besser, eine niedrigere Perzentile zu verwenden.
In Amazon Forecast können Sie aus der probabilistischen Prognose ganz einfach verschiedene Quantile abrufen.
Abbildung: Probabilistische Prognose
In der vorhergehenden Abbildung entspricht die schwarze Linie den tatsächlichen Werten, die dunkelgrüne Linie ist der Median der Prognoseverteilung, der dunkelgrün schattierte Bereich stellt das Prognoseintervall dar, für das Sie erwarten, dass 50 % der Werte sinken werden und der hellgrüne Bereich stellt das Prognoseintervall dar, für das Sie erwarten, dass 90 % der tatsächlichen Werte sinken werden.
In den folgenden Abschnitten werden die Schritte behandelt, die zur Lösung des Prognoseproblems dieses Unternehmens beitragen, darunter:
