Bedarfsprognose & Planung

Die meisten Bedarfsprognosesysteme beginnen auf einer zu hohen Ebene – nach Kategorie, nach Region, nach Woche – weil dort die Daten am saubersten sind. Die Entscheidungen, die von Prognosen profitieren, erfolgen jedoch auf einer viel feineren Ebene: welche SKU an welchen Laden an welchem Tag geliefert werden soll, wie viel Arbeitskraft für welche Schicht eingeplant werden soll, wie viel Kapazität im nächsten Monat in welchem Lager reserviert werden soll. Wir erstellen Prognosen auf der operativen Entscheidungsebene, nicht auf der Datenebene, und verwenden hierarchische Konsolidierung, um sicherzustellen, dass die Prognosen auf niedrigerer Ebene kohärent auf die höheren Ebenen hochgerechnet werden, über die das Unternehmen berichtet.

Das Arbeiten auf SKU-Filial-Tages-, SKU-Kanal-Wochen- oder ähnlichen feinkörnigen Ebenen bringt eigene Herausforderungen mit sich: Langschwanz-Nachfrage, intermittierende Reihen und Reihen mit sehr kurzer Historie. Wir verwenden spezialisierte Methoden (intermittierende Prognosemodelle im Croston-Stil, hierarchisches Pooling, Einbettungs-basierte Methoden für neue Produkte), um die Genauigkeit am langen Ende akzeptabel zu halten, anstatt sie aufzugeben.

Die hierarchische Konsolidierung – unter Verwendung von Methoden wie MinT und Spurenminimierung – ermöglicht es uns, Prognosen zu erstellen, die über die Hierarchie hinweg kohärent und fast immer genauer sind als unabhängig erstellte Prognosen auf einer einzelnen Ebene. Die Disziplin ist unkompliziert und der Gewinn ist konstant.

• SKU-Filial-Tages-, SKU-Kanal-Wochen- und ähnliche Detaillierungsgrade
• Intermittierende und langsam drehende Serien
• Prognosen für neue Produkte und solche mit kurzer Historie
• Hierarchische Konsolidierung (MinT, Top-down, Bottom-up)
• Kalender-, Aktions-, Wetter-, Makro-Signale
• Probabilistische Prognosen für die Sicherheitsbestandspolitik

Die Nachfrage wird von weit mehr als ihrer eigenen Historie geprägt. Promotions, Preisänderungen, Wetter, Feiertage, Schulkalender, Sportveranstaltungen, makroökonomische Indikatoren und Wettbewerbsaktionen hinterlassen alle Spuren in den Nachfragemustern. Wir integrieren Treiberdaten in das Prognosemodell, wo sich – durch sorgfältige Out-of-Sample-Tests – gezeigt hat, dass sie die Genauigkeit mehr verbessern, als sie die betriebliche Komplexität erhöhen. Wir sind ebenso froh, Treiber wegzulassen, wo sie sich nicht auszahlen; der Wert liegt in der Disziplin der Messung, nicht in der reinen Aufnahme.

Promotional Effekte erhalten besondere Aufmerksamkeit. Aktionsdaten sind notorisch unübersichtlich, mit überlappenden Mechanismen, unterschiedlicher Durchführungsqualität und inkonsistenter Messung nach dem Ereignis. Wir arbeiten mit Marketing- und Handelsteams zusammen, um die Aktionshistorie zu bereinigen und zu standardisieren, bevor wir sie dem Modell zuführen, und wir modellieren explizit Uplifts, Halo-Effekte auf verwandte Produkte, Kannibalisierung von Ersatzprodukten und Einbrüche nach der Aktion. Die Genauigkeitsgewinne während Aktionsperioden sind in der Regel erheblich.

Wetter- und Kalendereffekte werden mit ähnlicher Sorgfalt hinzugefügt, mit angemessener Gewichtung für die Kategorien und Standorte, wo sie relevant sind. Ein Einzelhändler für Tiefkühlprodukte in einem nördlichen Klima hat eine sehr andere Wetterempfindlichkeit als ein Getränkeunternehmen in einem warmen Klima; das Modell erfasst beides.

“Eine Prognose, die den Aktionskalender ignoriert, ist eine Prognose, die größtenteils zur Vergangenheit passt.”

Eine Bedarfsprognose, die in einem separaten Dashboard existiert, ändert selten eine Planungsentscheidung. Wir integrieren Prognosen direkt in die Planungssysteme, wo Entscheidungen getroffen werden – Anaplan, Kinaxis, o9, SAP IBP, Blue Yonder, JDA, maßgeschneiderte Planungstools –, so dass die Prognose zum Standard-Ausgangspunkt wird, den Planer verfeinern, und nicht zu einem parallelen Artefakt, das sie konsultieren und ignorieren.

Überschreibungs-Workflows sind bewusst integriert. Planer besitzen Kontext, den das Modell nicht hat, und ein System, das ihre Eingaben nicht akzeptiert, wird schnell auf die Seite geschoben. Wir entwerfen Überschreibungen so, dass sie den Grund neben dem Wert erfassen, so dass das Überschreibungsmuster selbst zu einem Lernsignal wird: welche Planer das Modell in welchen Kategorien, mit welcher Begründung und mit welcher nachfolgenden Genauigkeit überschreiben.

Wir achten auch genau auf den Konsensprozess. Der S&OP-Zyklus gleicht Nachfrage-, Angebots- und Finanzansichten zu einem einzigen vereinbarten Plan ab; ein Modell, das neue Zahlen in diesen Prozess wirft, ohne seinen Rhythmus zu respektieren, wird eher störend als hilfreich sein. Wir entwerfen den Rhythmus der Modellausgabe, die Ebene, auf der sie in die Konsensdiskussion eintritt, und den Vergleich zum vorherigen Zyklus, so dass das Modell den Prozess stärkt, anstatt mit ihm zu konkurrieren.

Prognosegenauigkeit ist ein Mittel; Serviceniveau und Betriebskapital sind die Ziele. Unsere Implementierungen zeigen explizit auf, wie eine Verbesserung der Genauigkeit in operativen Nutzen umgewandelt wird: straffere Sicherheitsbestandspolitiken, abgeleitet aus probabilistischen Prognosen, frühere Nachbestellpunkte, intelligentere Zuweisung über Filialen hinweg, reibungslosere Produktionspläne. Ohne diese Umwandlung bleiben Genauigkeitsverbesserungen akademisch.

Probabilistische Prognosen sind zentral. Indem wir die vollständige prädiktive Verteilung und nicht nur einen einzelnen Punkt produzieren, ermöglichen wir, die Bestandspolitik explizit an einem Ziel-Serviceniveau auszurichten: ein 95 %iges In-Stock-Ziel erfordert einen größeren Puffer als ein 90 %iges Ziel, und die probabilistische Prognose sagt Ihnen genau wie viel. Dasselbe Prinzip treibt die Kapazitätsreservierung, Lieferantenzusagen und die Personalplanung an.

Wir koppeln die Prognose mit einem klar definierten Messprogramm. Vor der Bereitstellung werden explizit Baselines zu Service, Fehlbestandsrate, Reichweite und Abschreibungen festgelegt; die Leistung nach der Bereitstellung wird vierteljährlich anhand derselben Metriken auf vergleichbarer Basis verfolgt. Ziel ist es, dass der Wert des Systems in einer Finanzprüfung verteidigt werden kann und nicht nur in einem Modelldashboard demonstriert wird.

Engagements verlaufen normalerweise in drei Phasen. Eine sechs- bis achtwöchige Diagnose und ein Prototyp legen die Baseline fest, charakterisieren die Daten, erstellen ein Kandidatenmodell und quantifizieren den erwarteten operativen Nutzen. Eine drei- bis sechsmonatige Bauphase überführt das Modell in die Produktion, integriert es in die Planungsumgebung und läuft parallel zum bestehenden Prozess. Eine anschließende Betriebsphase umfasst Überwachung, Retraining, kontinuierliche Verbesserung und die schrittweise Erweiterung auf zusätzliche Kategorien oder Regionen.

Wir freuen uns gleichermaßen, dies mit einem vollständig eingebetteten Team zu liefern oder eine kleine Spezialistengruppe bereitzustellen, die Ihre bestehenden Planungs- und IT-Funktionen unterstützt. Die Form des Engagements wird durch die Art und Weise bestimmt, wie Sie das System danach betreiben möchten.