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.