Entwicklung des Forecasting: von statistischen Methoden zu Deep Learning

Im Laufe der Jahre hat sich die Prognose der Versorgungskette erheblich verändert, von klassischen statistischen Methoden hin zu fortgeschrittenem Deep Learning.

Angesichts der zunehmenden Komplexität von Nachfrage und Angebot war diese Entwicklung notwendig, um die zahlreichen verfügbaren Daten voll zu nutzen.

Wir werden in diesem Artikel die Entwicklung der Prognosen behandeln, wobei wir uns auf traditionelle Methoden, neuronale Netze und die neuesten Entwicklungen im Bereich des Deep Learning konzentrieren.

Statistische Methoden (immer noch praktikabel, schnell, aber weniger leistungsstark)

Seit Jahren hat sich das Gebiet der Prognosen stark verändert. Zeitungen aus der Mitte des 19. Jahrhunderts berichten bereits über den Forecast. Ohne die moderne Technologie stützten sich die Experten hauptsächlich auf statistische Techniken. Obwohl diese Techniken im Laufe der Jahre verfeinert wurden, sind sie immer noch relevant.

Zu den häufig verwendeten Werkzeugen gehören (S)ARIMA-Modelle, die Methoden von Holt und Holt-Winters.

Diese Ansätze liefern mit Hilfe von recht einfachen Gleichungen solide Schätzungen auf der Grundlage vergangener Verkaufsdaten. Sie ermöglichen es, saisonale Bewegungen zu erkennen.

Der Hauptvorteil dieser Ansätze liegt in ihrer direkten Anwendbarkeit und Klarheit. Diese Ansätze sind spezifisch und eignen sich für verschiedene Arten von Verkaufsdaten. Nach und nach wurden sie an die technologischen Innovationen angepasst, um die Nutzung der Informationen zu optimieren.

Was ist mit Berufstätigen?

Diese Techniken werden heute von vielen Experten eingesetzt. Bei bestimmten Datentypen können sie mit Machine Learning konkurrieren, insbesondere wenn sie kombiniert werden.

Diese statistischen Techniken haben jedoch einige Einschränkungen. Häufig werden externe Elemente wie Wettervorhersagen vernachlässigt. Der Hauptfokus liegt auf den Verkaufszahlen.

Deep Learning ist zwar immer noch populär, beginnt aber, sie zu verdrängen. Learning by Deep Learning befasst sich mit anspruchsvolleren Prognoseproblemen in der Versorgungskette.

In einfachen Situationen und bei weniger entwickelten Daten bleibt ihre Relevanz jedoch bestehen.

Das Aufkommen von neuronalen Netzen (Long-Short-Term-Memory, Gated Recurrent Unit)

Long Short-Term Memory (LSTM) und Gated Recurrent Units (GRU) basieren auf Architekturen von neuronalen Netzen.

Aufgrund der anfänglich begrenzten Rechenkapazität wurden neuronale Netze zunächst zurückgestellt. Um 2016-2017 wurde jedoch das Aufkommen von gefalteten neuronalen Netzen (Convolutive Neural Networks) bekannt. erneuert das Interesse an ihnen. Um Muster in Bildern zu erkennen und diese zu klassifizieren, wurde ein faltendes neuronales Netz entwickelt. Anschließend passten Spezialisten diese Dies hat den Weg für ihre Verwendung in der Prognose geebnet.

Diese Modelle erkennen komplexe Muster, indem sie die Verbindungen zwischen aktuellen und vergangenen Ereignissen identifizieren.

Das überwachte Lernen ist das Grundprinzip dieser Technologien. Das Netzwerk wird mit historischen Daten trainiert, um zukünftige Vorhersagen zu treffen. Das Ziel ist es, die Verbindungen des Netzwerks auf der Grundlage der Korrektheit der Vorhersagen anzupassen, um Fehler zu minimieren.

Neuere Methoden (DeepAR, N-BEATS, ...)

Während Deep Learning immer häufiger eingesetzt wird, entstehen innovative Techniken, um komplexe Prognosen zu verarbeiten.

Die DeepAR-Architektur, die 2017 von Amazon eingeführt wurde, ist ein bemerkenswertes Beispiel für diese neuen Techniken für die Lieferkette. Unter Verwendung von rekurrenten neuronalen Netzen (RNN) verwendet DeepAR einen probabilistischen Ansatz, um zukünftige Werte zu antizipieren. Der Hauptvorteil ist die Bereitstellung von Konfidenzintervallen, die für Entscheidungen in volatilen Kontexten unerlässlich sind.

Eine der größten Stärken von DeepAR ist die Fähigkeit, Vorhersagen ohne vorherige Normalisierung der Daten zu machen. Dadurch kann es mit verschiedenen Arten von Zeitreihen umgehen, was für die Versorgungskette von entscheidender Bedeutung ist. Darüber hinaus bietet es präzise Prognosen, selbst wenn die Produkthistorie begrenzt ist.

Es handelt sich also um ein globales Modell, was bedeutet, dass es aus mehreren Zeitreihen lernen kann, wodurch die Genauigkeit der Prognosen verbessert wird, indem Ähnlichkeiten und gemeinsame Strukturen genutzt werden.

Dieses Modell wurde mit mehreren Datensätzen evaluiert und zeigte vielversprechende Ergebnisse, die sogar die Modelle des damaligen Stands der Technik übertrafen. Es erfordert daher weniger Vorverarbeitung als einige andere Modelle und kann mit wenigen Parameteranpassungen für verschiedene Zeitreihen verwendet werden.

Es ist daher in der Lage, komplexe Strukturen wie Saisonalität zu erlernen, was es zu einer leistungsstarken Methode macht, um die Genauigkeit von Prognosen im Kontext der Versorgungskette zu verbessern.

Es handelt sich also um ein globales Modell, was bedeutet, dass es aus mehreren Zeitreihen lernen kann, wodurch die Genauigkeit der Prognosen verbessert wird, indem Ähnlichkeiten und gemeinsame Strukturen genutzt werden.

Dieses Modell wurde mit mehreren Datensätzen evaluiert und zeigte vielversprechende Ergebnisse, die sogar die Modelle des damaligen Stands der Technik übertrafen. Es erfordert daher weniger Vorverarbeitung als einige andere Modelle und kann mit wenigen Parameteranpassungen für verschiedene Zeitreihen verwendet werden.

Es ist daher in der Lage, komplexe Strukturen wie Saisonalität zu erlernen, was es zu einer leistungsstarken Methode macht, um die Genauigkeit von Prognosen im Kontext der Versorgungskette zu verbessern.

Fortschrittliche Methoden (Temporal Fusion Transformers, Informer, Autoformer, ...)

Die Transformers, eine Kategorie neuronaler Architekturen, die 2017 eingeführt wurden, revolutionieren derzeit das Supply Chain Forecasting.

Wie ihre Vorgänger verarbeiten sie sequentielle Daten. Die Aufmerksamkeitsmechanismen werden genutzt, um Beziehungen zwischen verschiedenen zeitlichen Sequenzen herzustellen.

Es gibt zwei wesentliche Blöcke: den Encoder und den Decoder. Der Encoder bildet eine Vektordarstellung der Verkaufsserie. Der Decoder wandelt diese Vektoren dann in Prognosen um. Während dieses Prozesses identifizieren die Aufmerksamkeitsmechanismen die relevantesten Eingabesequenzen für die Prognose.

Ihre Stärke liegt in ihrer Fähigkeit, mit den langfristigen Abhängigkeiten von Zeitreihen umzugehen. Mit Hilfe von Aufmerksamkeit können sie jedoch komplexe Beziehungen und Wechselwirkungen zwischen verschiedenen Zeiträumen aufdecken. Außerdem können sie so saisonale Trends, Wachstumsmuster und Verhaltensänderungen in den Supply Chain Daten erfassen.

Diese Methoden verbessern daher das Forecasting in der Versorgungskette. Darüber hinaus behandeln sie langfristige Abhängigkeiten mit Präzision. Die Ideale sind nichtlineare Trends und unregelmäßige Zyklen.

Sie benötigen daher mehr Leistung und Speicherplatz. Sie verändern jedoch mehrere Bereiche.  

----------------------------

Die Prognosen entwickeln sich je nach Verfügbarkeit von Daten und Rechenleistung. Statistische Methoden sind nach wie vor üblich. Die Genauigkeit und die Integration mehrerer Faktoren begünstigen jedoch das Deep Learning.

Neuronale Netze haben Fortschritte gemacht. Sie gewährleisten eine bessere Interpretierbarkeit und eine höhere Parallelverarbeitung. Transformers erfassen auch besser langfristige Abhängigkeiten.

Zukünftige Herausforderungen sind die Reduzierung der Rechenkosten. Diese Frage wird in der Forschung immer häufiger gestellt. Sie betrifft vor allem die Generierung von Bildern und Texten.

Erhalten Sie unsere Branchen-Newsletter :

Aktuelle Artikel :

Was ist Lagerverwaltung und warum ist sie so wichtig? Befolgen Sie unsere Ratschläge, um Ihre Lagerbestände effizient zu steuern und Ihre Wettbewerbsfähigkeit zu steigern.

Lagerverwaltung: Was ist das?

Was ist Lagerverwaltung? Die Lagerverwaltung umfasst alle Praktiken und Prozesse, die es ermöglichen, den Warenfluss zu kontrollieren. den Warenfluss zu verfolgen, zu organisieren und zu optimieren in einem Unternehmen. Sie beginnt mit der Beschaffung und dauert bis zum Verlassen des Lagers, sei es durch Verkauf, Transfer oder internen Verbrauch. Diese zentrale Funktion in der Logistikkette dient der Beantwortung einer wichtigen Frage: Wie können die richtigen Produkte in der richtigen Menge, zur richtigen Zeit am richtigen Ort verfügbar sein und gleichzeitig die Kosten minimiert werden ? Ein effizientes Bestandsmanagement sichert die Geschäftstätigkeit, verringert Verluste und gewährleistet die Verfügbarkeit der Produkte für die Endkunden. Warum ist eine gute Bestandsführung notwendig? Die Lagerverwaltung nimmt einen strategischen Platz in der Gesamtleistung eines Unternehmens ein. Sie wirkt sich sowohl auf die Die Kommission ist der Ansicht, dass die Qualität des Kundenservice, die finanzielle Rentabilität und die Robustheit der Lieferkette eine wichtige Rolle spielen. Eine schlechte Antizipation kann zu Fehlbeständen führen, was Umsatzeinbußen und einen Imageverlust zur Folge hat. Andererseits bindet ein großer Überbestand Geld, beansprucht unnötig Lagerfläche und erhöht das Risiko von Verfall oder Veralterung. Die wichtigsten Merkmale einer guten Lagerverwaltung Eine erfolgreiche Lagerverwaltung beruht auf der Fähigkeit, die Waren zu verwalten. Zuverlässigkeit der Daten, Reaktionsfähigkeit auf Schwankungen und die Fähigkeit, den Bedarf zu antizipieren. Sie setzt eine hohe Verfügbarkeit voraus. Rückverfolgbarkeit Das bedeutet, dass alle Bewegungen von Artikeln vom Eingang bis zum Ausgang vollständig nachvollziehbar sein müssen und dass alle Vorgänge genau aufgezeichnet werden müssen. Eine Segmentierung Die richtige Klassifizierung der Produkte nach Typologie, Verkaufsfrequenz oder Saisonalität ermöglicht differenzierte und präzisere Strategien. Schließlich basiert eine gute Lagerverwaltung auf der Grundlage von Leistungsindikatoren (Die Kommission hat eine Reihe von relevanten KPIs festgelegt, die es ermöglichen, Korrekturmaßnahmen in Echtzeit zu steuern. Wie funktioniert die Lagerverwaltung? Die verschiedenen Schritte Der Prozess der Lagerverwaltung ist in mehrere Schlüsselschritte gegliedert. Er beginnt mit die VersorgungDies beinhaltet die Auswahl der Lieferanten umfasst, die Aushandlung Die Beschaffung umfasst die Verhandlung der Bedingungen und die Planung der Bestellungen. Der Wareneingang wird von einer Qualitätskontrolle begleitet und die Datenbanken werden sofort aktualisiert. Anschließend werden die Produkte nach einer optimale Organisationslogik (FIFO, codierte Lagerplätze, spezifische Bedingungen). Während ihres gesamten Lebenszyklus unterliegen die Artikel Bewegungen (Eingänge, Ausgänge, Transfers), die genau aufgezeichnet werden müssen. Die Überwachung des Ganzen basiert auf Reporting-, Warn- und Analysetools. Was sind die verschiedenen Technologien für die Lagerverwaltung? Moderne Technologien verändern die Lagerverwaltung grundlegend. ERP-Systeme sorgen für eine umfassende Koordination zwischen Einkauf, Produktion, Logistik und Finanzen. WMS-Systeme ermöglichen eine detaillierte Verwaltung des Lagers, der Lagerplätze, der Picking-Aufgaben und des physischen Flusses. SaaS-Lösungen bieten einen agilen und skalierbaren Ansatz, indem sie Folgendes kombinieren Künstliche Intelligenz, Modellierung der NachfrageDie Daten werden in einer Datenbank gespeichert. Schließlich ermöglichen vernetzte Objekte (IoT-Sensoren, RFID-Tags) und mobile Endgeräte eine schnelle und zuverlässige Datenerfassung in Echtzeit. Sie ist intuitiv und ermöglicht es jedem, vom Käufer bis zum Logistiker, den Lagerbestand zu sehen und schnelle Entscheidungen zu treffen, ohne ein komplexes System beherrschen zu müssen. Herausforderungen bei der Bestandsführung Die Lagerverwaltung steht vor strukturellen und konjunkturellen Herausforderungen. Eine der größten Herausforderungen liegt in der Vorhersehbarkeit der NachfrageDie Nachfrage ist vielen Unwägbarkeiten unterworfen: Verbrauchstrends, Wetter, Gesundheits- oder Wirtschaftskrisen. Weitere Einschränkungen sind begrenzte Lagerkapazitäten, unterschiedliche Lieferzeiten und die zunehmende Komplexität der Multichannel-Vertriebsnetze. Die Vielfalt der Produkte, ihre heterogenen Lebenszyklen und ihre spezifischen Lagerungsbedingungen machen die Sache noch schwieriger. Wie wird die Lagerverwaltung durchgeführt? Die verschiedenen Methoden der Bestandsführung Es gibt verschiedene Methoden der Bestandsverwaltung, die je nach Art des Produkts und des betrieblichen Kontextes angewendet werden können. Die ABC-Methode Bei der ABC-Methode werden die Artikel nach ihrer strategischen Bedeutung klassifiziert, um einen angemessenen Aufwand für ihre Verwaltung zu gewährleisten. Die Just-in-time zielt darauf ab, die Lagerbestände zu minimieren, indem die Bestellungen so nah wie möglich am tatsächlichen Verbrauch ausgelöst werden. Die Sicherheitsvorräte ermöglichen es, unvorhergesehene Ereignisse aufzufangen und ein konstantes Serviceniveau zu gewährleisten. Der Meldebestand löst den Nachschub aus, sobald ein Schwellenwert erreicht wird. Schließlich bieten Kanban-Systeme ein visuelles und reaktives Management, das häufig in industriellen Kontexten eingesetzt wird. Wie kann man seine Bestände besser verwalten? Um die Lagerverwaltung zu verbessern, ist es wichtig, an mehreren Punkten gleichzeitig zu arbeiten. Der erste Schritt besteht darin die Daten zuverlässig zu machenDie Daten werden durch die regelmäßige Durchführung von Inventuren und die Sensibilisierung der Teams verbessert. Als nächstes müssen Sie die die Genauigkeit der Prognosen zu verbessernSie können auch externe Daten (Markttrends, Wetter, Saisonalität) einbeziehen. Die Einführung von Intelligente Warnungen und von Personalisierte Dashboards ermöglicht eine schnellere Reaktion auf Abweichungen. Schließlich kann die Zusammenarbeit mit den Lieferanten durch folgende Maßnahmen optimiert werden s gezogene Ströme oder Vereinbarungen über Konsignationslager. Optimix Forecasting and Replenishment – XFR: Beherrschen Sie Ihre Lagerverwaltung mit Leichtigkeit XFR Optimix Forecasting and Replenishment zeichnet sich durch seine Fähigkeit aus, Ihre Supply Chain zu verwalten, indem es sich auf die Macht der Daten und die Agilität der Technologie stützt. Wo Unternehmen mit Produktvielfalt, Nachfrageschwankungen, Lagerbeschränkungen oder Lieferzeiten jonglieren müssen, fungiert XFR als intelligente Plattform, die Informationen zentralisiert, kritische Entscheidungen automatisiert und die Abläufe mit den Geschäftszielen in Einklang bringt. Die Prognosemaschine nutzt historische Daten, Werbedaten und externe Daten (Wetter, Saisonalität, Trends), um die Lagerbestände in Echtzeit anzupassen, Fehlmengen zu reduzieren und Überbestände abzubauen. Dank einer Intuitive visuelle SchnittstelleXFR bietet eine konsolidierte Ansicht der wichtigsten KPIs (Umschlag, Reichweite, Servicegrad) und ermöglicht es den Logistikmanagern, Spannungsbereiche zu identifizieren, sofort zu handeln und verschiedene Managementszenarien zu simulieren, um die profitabelsten Entscheidungen zu treffen. Dort, wo traditionelle Methoden an ihre Grenzen stoßen, XFR macht jeden Schritt fließend. Die Lösung umfasst die Berechnung des Nettobedarfs, die automatische Generierung von Bestellungen, die Steuerung des Lagerbestands nach Produkttypen (ABC-Methode, Meldebestand, JIT) und die Integration mit den Lieferantenströmen. Die Lösung ist mit Ihren internen Tools kompatibel und eignet sich sowohl für kleine und mittlere Unternehmen als auch für große Organisationen, die Flexibilität, Zuverlässigkeit und nachhaltige Leistung suchen. Der SaaS-Ansatz erleichtert die Implementierung, die Skalierbarkeit und die Zusammenarbeit zwischen den Teams. Die Lagerverwaltung ist nicht mehr auf eine Zähl- oder Lagerlogik beschränkt. Sie ist zu einem Strategischer Hebel für die WettbewerbsfähigkeitSie können die Rentabilität, die Reaktionsfähigkeit des Handels und die

Lesen Sie den Artikel "

Actualités métiers

Plongez au cœur de l‘ actualité du Pricing et de la Supply Chain !

Découvrez nos actualités liées au Pricing et à la Supply Chain