Bedarfsprognosen, die den Kontakt mit der Realität überdauern

Die meisten Nachfrageprognosen scheitern nicht, weil die Rechnung falsch ist, sondern weil sie der Realität entsprechen und scheitern. Eine Bedarfsprognose übersteht den Kontakt mit der Realität, wenn sie ausgehend von der Entscheidung, die sie zugrunde liegt, rückwärts erstellt, anhand der bereits vorhandenen Historie validiert, überwacht wird, sobald sie in Betrieb ist, und neu trainiert wird, wenn sich die Bedingungen ändern. Das Ziel ist keine einzige kluge Zahl. Es handelt sich um eine Prognose, der jemand so viel Vertrauen schenkt, dass er darauf reagieren kann, die ungefähr richtig bleibt, wenn sich das Geschäft verändert, und die nachlässt, wenn sie ins Wanken gerät. Betrachten Sie eine Prognose als einen lebendigen Teil der Art und Weise, wie das Unternehmen Bestell-, Personal- und Lagerentscheidungen trifft, und nicht als einen einmaligen Bericht. Machen Sie die Schleife richtig (vorhersagen, mit dem Geschehen vergleichen, lernen, anpassen) und die Genauigkeit stellt sich mit der Zeit von selbst ein.

Warum scheitern Bedarfsprognosen in der Praxis?

Prognosen scheitern selten in der Tabellenkalkulation. Sie scheitern im Lager, in der Küche oder in der Lieferkette, wo die Annahmen stillschweigend nicht mehr gelten.

Die häufigsten Fehler sind bekannt. Ein Modell wird in einer ruhigen Zeit getunt, und dann bewegt eine Preisänderung, eine Werbeaktion oder ein Konkurrent den Boden unter den Füßen. Historische Daten enthalten alte Fehlbestände, sodass das Modell den Bedarf erfährt, den Sie decken konnten, und nicht den Bedarf, der bestand. Eine einzelne Schlagzeilen-Genauigkeitszahl verbirgt die Tatsache, dass das Modell bei stabilen Produkten in Ordnung ist und bei den neuen oder saisonalen Produkten, die wirklich wichtig sind, nutzlos ist. Und das Schlimmste von allem ist, dass die Prognose in einem Posteingang landet, den niemand öffnet, sodass sich daran nichts ändert.

Das Muster darunter ist bei allen gleich. Die Prognose wurde als Ergebnis und nicht als funktionierender Teil einer Entscheidung behandelt. Dies ist die gleiche Falle, die Analytics-Projekte im Allgemeinen fängt, weshalb es hilfreich ist, über Predictive Analytics: Daten in Entscheidungen umwandeln nachzudenken, bevor man überhaupt zu einem Modell greift.

Wie erstellt man eine Bestandsprognose, die Bestand hat?

Erstellen Sie es als Schleife, nicht als Start. Die folgenden Schritte sind bewusst geordnet, und auf die Reihenfolge kommt es an.

Beginnen Sie mit der Entscheidung. Nennen Sie die Auswahl, die sich durch die Prognose verbessern wird (wie viel bestellt werden soll, wie viele Personen eingestellt werden müssen, wann nachbestellt werden soll) und wer sie trifft. Wenn Sie die Entscheidung nicht benennen können, sind Sie nicht bereit zu modellieren.
Validieren Sie anhand der realen Geschichte. Halten Sie die letzten Wochen oder Monate zurück, prognostizieren Sie sie, als ob sie unbekannt wären, und vergleichen Sie sie mit dem, was tatsächlich passiert ist. Dieses Backtesting ist der ehrliche Test, weitaus mehr als jede In-Sample-Anpassung.
Berücksichtigen Sie bekannte Verzerrungen. Korrigieren Sie frühere Lagerbestände, streichen Sie einmalige Ereignisse heraus und trennen Sie die Grundnachfrage von der Steigerung der Werbeaktionen. Andernfalls lernt das Modell die falsche Lektion.
Wählen Sie das Fehlermaß, das zur Entscheidung passt. Der durchschnittliche Fehler aller Produkte ist beruhigend und irreführend. Messen Sie, wo die Kosten liegen: bei den Langsamläufern, den verderblichen Gütern, den Artikeln, bei denen es teuer ist, falsch zu liegen.
Verknüpfen Sie es mit dem Workflow. Eine Prognose, die erfordert, dass sich jemand bei einem separaten Tool anmeldet, wird ignoriert. Schieben Sie es in das System, wo die Bestell- oder Dienstplanentscheidung bereits getroffen wurde.
Überwachen und neu trainieren. Verfolgen Sie die Genauigkeit, wenn neue Daten eintreffen, und legen Sie einen Auslöser fest, wenn sie sich verschlechtert. Die Nachfragemuster ändern sich, und eine Prognose, die im Januar noch gut war, wird im Juni zur Annahme.

Woher wissen Sie, ob eine Prognose tatsächlich gut ist?

Nicht durch die Genauigkeit der Daten, auf denen es trainiert wurde. Ein Modell kann fast perfekt in die Geschichte passen und in der nächsten Woche immer noch nutzlos sein.

Der Test, auf den es ankommt, ist ein Out-of-Sample-Test. Nehmen Sie einen Zeitraum, den das Modell nie gesehen hat, sagen Sie ihn voraus und messen Sie die Lücke. Führen Sie dies über die Segmente aus, die Sie interessieren, und nicht nur über die Gesamtheit, denn eine hohe Gesamtgenauigkeit kann einen vollständigen Ausfall der kostentreibenden Produkte verbergen. Vergleichen Sie das Ergebnis auch mit einer einfachen Basislinie, z. B. „dasselbe wie im letzten Jahr“ oder „der Durchschnitt der letzten Wochen“. Wenn Ihr Modell das nicht übertreffen kann, ist die Komplexität nicht gerechtfertigt. Eine gute Prognose ist eine, die die naive Option übertrifft, die wichtigen Punkte berücksichtigt und ihre Unsicherheit ehrlich angibt, anstatt nur eine einzige zuversichtliche Zahl zu nennen.

Wie oft sollte eine Bedarfsprognose neu trainiert werden?

Oft genug, dass es nie weit von der Realität abweicht, was davon abhängt, wie schnell sich Ihre Nachfrage verändert. Die Überwachung entscheidet über die Kadenz, nicht über den Kalender. Die folgende Tabelle ist ein Ausgangspunkt, keine Regel.

Situation	Empfohlene Trittfrequenz	Was löst eine frühere Umschulung aus
Stabile, langsamdrehende Produkte	Monatliche Überprüfung, vierteljährliche Umschulung	Ein anhaltender Genauigkeitsabfall oder eine bekannte Marktveränderung
Saison- oder Werbelinien	Wochenrückblick	Beginn einer Saison, eine geplante Promotion, eine Preisänderung
Schnelllebige oder volatile Nachfrage	Kontinuierliche Überwachung, häufige Umschulung	Genauigkeit überschreitet einen festgelegten Schwellenwert
Neues Produkt, wenig Geschichte	Beobachten Sie die Veröffentlichung genau	Die ersten Wochen, in denen reale Verkaufsdaten eintreffen

Das Prinzip hinter der Tabelle: Kontinuierlich überwachen, bei einem Signal neu trainieren. Eine geplante Umschulung auf ein leises Produkt verschwendet Aufwand. Eine verpasste Umschulung auf ein volatiles Fahrzeug kostet stillschweigend Geld. Lassen Sie sich durch die Überwachung sagen, in welcher Situation Sie sich befinden.

Wie sieht das im Unternehmen verankert aus?

Es sieht unauffällig aus, und das ist der Punkt. Der Käufer öffnet das System, das er bereits nutzt, und schon sieht er die vorgeschlagene Bestellmenge, weiß, wie sicher die Prognose ist, und weist auf die Artikel hin, die einen zweiten Blick wert sind. Wenn eine Prognose ins Wanken gerät, wird dies jemandem vor dem Lagerbestand mitgeteilt, nicht erst danach. Das Modell wird mit den tatsächlichen Verkäufen verglichen, lernt aus der Lücke und passt sich an. Nichts davon hängt davon ab, dass eine Person daran denkt, einen Bericht zu öffnen.

Auf dieser letzten Meile, von einer Zahl bis zu einer Entscheidung, die jemand reibungslos trifft, liegt normalerweise die eigentliche Arbeit, und sie ist der Kern dessen, was wir im Rahmen von Predictive Analytics tun.

Der praktische Imbiss

Wenn Sie einen Prognoseaufwand bewerten, stellen Sie eine Frage. Was passiert mit dieser Prognose, wenn sich die Nachfrage im nächsten Quartal ändert? Wenn die Antwort „Jemand baut es neu“ lautet, haben Sie einen Bericht. Wenn die Antwort lautet: „Es bemerkt es, meldet sich selbst und passt die Entscheidung an“, dann haben Sie ein System. Bauen Sie die zweite Art. Validieren Sie es anhand der realen Vergangenheit, messen Sie es dort, wo die Kosten anfallen, binden Sie es in die Entscheidung ein und lassen Sie es weiter lernen. Eine Prognose, die den Kontakt mit der Realität übersteht, ist am ersten Tag nicht die genaueste. Es ist dasjenige, dem man am Tag dreihundert noch vertraut.