Die Prognose in Lieferketten ist bekanntermaßen komplex und wird, wie Vorhersagen naturgemäß, niemals genau sein. Eine Einheitslösung gibt es nicht, da kein einzelnes Modell über alle Produkte, Standorte und Zeithorizonte hinweg durchgängig die besten Ergebnisse liefert. Manche Modelle eignen sich hervorragend für den Umgang mit Saisonalität, andere kommen besser mit verrauschten Daten zurecht, und fortgeschrittene Deep-Learning-Modelle decken nichtlineare Muster auf – allerdings nur, wenn die Daten robust sind. Wie können Unternehmen also das richtige Modell auswählen, ohne endlose manuelle Anpassungen vornehmen zu müssen? Die Antwort liegt in einer Kombination verschiedener Prognosemethoden.
Das Konzept verstehen
Die Mix-and-Match-Prognose ermöglicht es Planern, die Modellauswahl anzupassen und sie in einigen Fällen zu automatisieren, indem sie mehrere Algorithmen auswerten und den jeweils besten Algorithmus jedem Prognoselauf/Zyklus zuweisen. Man kann es sich wie den Aufbau eines Meisterschaftsteams vorstellen: Verschiedene Spieler bringen unterschiedliche Stärken mit, und die richtige Kombination führt zum Sieg. Ähnlich verhält es sich mit Mix-and-Match: Hier steht eine Sammlung speziell entwickelter Modelle zur Verfügung, mit denen Sie je nach Geschäftsprioritäten und Zeithorizont das am besten geeignete Modell auswählen können.
Warum und wie die Kombination funktioniert
Die Bedeutung präziser Prognosen war noch nie so groß. Durch die Beschleunigung von künstlicher Intelligenz (KI) und maschinellem Lernen (ML) wird der Einsatz eines ungeeigneten Modells schnell zu einer mangelhaften Prognosegenauigkeit führen; eine mangelhafte Prognose kann zu Lagerengpässen, falsch abgestimmter Kapazitätsplanung und unzufriedenen Kunden führen. Mix and Match begegnet diesem Problem durch die Automatisierung der Modellevaluierung, die Reduzierung des Arbeitsaufwands der Planer und die Verbesserung der Genauigkeit – ohne dass dafür spezielle Kenntnisse im Bereich Data Science erforderlich sind.
Im Kern nutzt Mix and Match eine intelligente, allgegenwärtige semantische Netzwerkarchitektur. Hier werden die Prognosekonfiguration – Eingaben, Ausgaben und Prognosehorizonte – sowie die Kernbewertungen der Modelle anhand von KPIs wie dem mittleren quadratischen Fehler (MSE) definiert. Für jeden Durchlauf wird pro Knoten und Planungshorizont ein Modell verwendet. Bei nachfolgenden Prognoseläufen können die Modelle dann neu bewertet und je nach sich ändernden Datenbedingungen anders ausgewählt werden.
