Zusammenfassung
Eine der beiden grundlegenden Aktivitäten im Supply Chain Management ist das Demand Management (DM). Eine entscheidende Komponente von DM ist die Schätzung der zukünftigen Nachfrage. Normalerweise sind die einzigen hilfreichen Daten die Nachfragehistorie (häufig die Schiffshistorie). Dieser Datensatz wird als Zeitreihe bezeichnet. Eine qualitativ hochwertige Zeitreihenprognose ist ein entscheidender Bestandteil jedes erfolgreichen DM. In diesem Blog werden wir kurz einige wichtige Erkenntnisse für eine erfolgreiche Zeitreihenvorhersage behandeln:
- Die Profilierung der Kurvenform ist der erste Schritt, und der erste Schritt besteht darin, zu beurteilen, ob die Zeitreihe stationär ist.
- Die identifizierte Prognosemethode muss die Form erfassen und in der Lage sein, die Form über die Zeit hinweg zu projizieren.
- Es gibt Grenzen in der Geschichte, und keine noch so große „ausgefallene Mathematik“ kann sie überwinden.
Darüber hinaus identifizieren wir einige Faustregeln, die häufig zitiert werden und peinlicherweise falsch sind.
Einleitung
Einer der zwei grundlegende Aktivitäten im Supply Chain Management ist Steuerung der Nachfrage (DM), der andere ist Zentrale Planung. Eine entscheidende Komponente von DM ist die Schätzung der zukünftigen Nachfrage. Normalerweise sind die einzigen hilfreichen Daten die Nachfragehistorie (häufig die Schiffshistorie). Dieser Datensatz wird als Zeitreihe bezeichnet. Abbildung 1 zeigt eine Zeitreihe von Dachverkäufen über drei Jahre in monatlichen Gruppen für die Marketingregion 3 (MR1). Das Ziel des Bedarfsplaners besteht in diesem Fall darin, die Gesamtnachfrage im Jahr 1 für MR4 zu schätzen. In diesem Blog gehen wir nicht auf die entscheidende Frage ein, welche Ebene prognostiziert werden soll oder wie Ebenen in einer Pyramide (Produkt/Region zu Produkt) kombiniert werden. Die angezeigte erste Schätzung ist der durchschnittliche monatliche Umsatz über die drei Jahre der Geschichte.
Der Zweck von Zeitreihenprognosemethoden besteht darin, Muster (Aufwärts- oder Abwärtstrend, saisonale (zyklische), Sprünge, Autokorrelationen (gestern hat einen starken Einfluss auf heute) usw.) in den historischen Daten zu identifizieren, die hilfreich sind, um die Nachfrage zu verstehen Verwenden Sie diese, um die zukünftige Nachfrage unter der Annahme abzuschätzen, dass die Vergangenheit auch für die Zukunft gilt. Egal wie ausgefeilt Ihre Methoden sind, das ist alles, was Sie aus Zeitreihendaten gewinnen können.
In diesem Blog geben wir einen kurzen Überblick über die Zeitreihenvorhersage, bieten einige Faustregeln an und identifizieren einige Faustregeln, die peinlich falsch sind.
Ausgangspunkt ist die Charakterisierung der Form.
Dies ist Schritt 1 und die erste Form wird „langweilig“ oder stationär genannt. Die Nachfrage pro Zeitfenster variiert zufällig um einen Mittelwert (Abbildung 2). Es ist wichtig, einige fortgeschrittene Methoden (z. B. Lauftest oder Binomial) zu verwenden, um sicherzustellen, dass die Variation zufällig ist. Abbildung 3 ist ein Beispiel für eine stationäre Zeitreihe mit zu großer Variation, um zufällig zu sein.
Abbildung 4 stapelt die historischen Daten für Regenschirmverkäufe, um das wiederholbare Muster im Zeitverlauf zu verdeutlichen. Rechnerisch würden wir Autokorrelation verwenden, um dies zu finden. Für diesen Datensatz beträgt die Autokorrelation für Verzögerung 12 97 %. Verzögerung 1 beträgt 66 %.
Identifizieren einer Prognosemethode
In Schritt 2 suchen wir nach einer Kurve, die die Form der historischen Daten erfasst und zur Schätzung der Zukunft verwendet werden kann. Finden Sie heraus, welche Kurvenstruktur und welche Kurve die Kurve enthält Parameter, der die bestmögliche Anpassung liefert für die ausgewählte Kurve. Abbildung 5 zeigt das Ergebnis der Anpassung eines gleitenden Zwei-Perioden-Durchschnitts an die Originaldaten. Diese Anpassung ist eine gute Anpassung – nicht überraschend, da die Autokorrelation von Lag 1 66 % beträgt. Es enthält jedoch außer der Wiederholung des letzten Werts keine Informationen, die rechtzeitig abgeschätzt werden können.
Abbildung 6 zeigt das Ergebnis der Anpassung einer einfachen zyklischen Kurve, wobei der Anpassungswert der monatliche Durchschnitt über die drei Jahre ist (die Schätzung für Januar ist der Durchschnitt von Jan01, Jan02 und Jan03). Die Schätzung für jeden Monat im Jahr 4 ist dieser Monatsdurchschnitt. Betrachten Sie dies als eine sehr gute Übereinstimmung – was nicht überraschend ist, da die Autokorrelation von Lag 12 97 % beträgt.
Verstehen Sie die Grenzen Ihrer historischen Daten.
Es gibt ein altes Sprichwort: Man kann kein Wasser aus Steinen herauspressen. Unabhängig davon, wie ausgefeilt Ihre Methoden sind, schränkt der Mangel an Daten die möglichen Erkenntnisse ein. Wenn wir anhand der Umbrella-Daten nur Daten von 6 Monaten hätten (Abbildung 7), wäre es unmöglich, das offensichtliche Muster zu bestimmen, wenn wir Daten von 3 Jahren haben. Abbildung 8 zeigt ein Diagramm mit nur 16 Datenpunkten. Wenn wir die ersten 12 zur Anpassung einer Kurve und die letzten 4 zur Vorhersage (Überprüfung) verwenden würden, könnten wir leicht zu dem Schluss kommen, dass der gleitende Durchschnitt die beste Anpassung sei, und das gesamte zyklische Muster übersehen.
Nutzen Sie Ihre Erkenntnisse über Formen, um wichtige Fragen zu stellen.
In Abbildung 4 weist das Verkaufsmuster eine stabile Wiederholbarkeit auf. Es ist jedoch klar, dass zwischen den drei Jahren in den Monaten 6 und 7 erhebliche Unterschiede bestehen, insbesondere im jüngsten Jahr (Jahr 3). Es lohnt sich zu fragen, warum das so ist, und vielleicht einen Blick auf unterstützende Daten zu werfen: die Regenmenge, Veränderungen in der Werbung, mehr Wettbewerb. Für diese Frage gibt es keine Wundermittel, um aus den historischen Daten zusätzliche Erkenntnisse zu gewinnen. Das ist das Beste, was Sie tun können. An diesem Punkt muss man sich auf die Intelligenz der Community verlassen.
Einfache Methoden sind keine Prognosemethoden
Methoden wie der gleitende Durchschnitt (MA) und die exponentielle Glättung wurden ursprünglich nicht zur Schätzung der Zukunft entwickelt, sondern dienten dazu, Unebenheiten in vorhandenen Daten zu glätten. Geschäftsleute, die immer auf der Suche nach einer Vereinfachung einer Situation waren, um sie an ihre Rechenfähigkeiten anzupassen, haben diese Prognosemethoden entwickelt. Jeder Business-Analytics-Kurs enthält ein Kapitel über Prognosen, das MA, exponentielle Glättung, einfache lineare Regression und vielleicht eine andere Methode behandelt. In den Zeitreihenprognosekursen von Statistikern werden diese Methoden auf den ersten Seiten des Buches im Hinblick auf die grundlegende Datenanalyse behandelt. Wie bereits erwähnt, besteht die geeignete Methode darin, zu beurteilen, ob die Zeitreihe stationär ist – was in der Unternehmensstatistik nie erwähnt wird.
Faustregeln, die peinlich falsch sind
- Der Variationskoeffizient (COV) ist eine Metrik, die Ihnen sagt, ob ein historischer Datensatz vorhersehbar ist oder nicht. Der COV für die sehr vorhersehbaren Regenschirmverkäufe beträgt 37 %. Tatsächlich wurde COV ursprünglich für die Chemie entwickelt. Die Wirtschaftsstatistiker griffen zu und rannten ohne nachzudenken weiter.
- Wenn Ihr einziger Zweck „passende“ historische Daten sind, dann verwenden Sie einfach die vorhandene Historie so, wie sie ist – und lassen dabei die Bedeutung der Form völlig außer Acht.
- Verwenden Sie, wann immer Sie können, einfache Methoden – ohne Stationarität zu erwähnen.
- Für wirklich intermittierende Datenunter Verwendung von traditionelle Punktvorhersage Annäherungen sind eine dumme Aufgabe.
Zusammenfassung
Eine qualitativ hochwertige Zeitreihenprognose ist ein entscheidender Bestandteil jedes erfolgreichen DM. In diesem Blog behandeln wir kurz einige wichtige Erkenntnisse für eine erfolgreiche Zeitreihenvorhersage: (a) Die Profilierung der Form der Kurve ist der erste Schritt, und der erste Schritt besteht darin, zu beurteilen, ob die Zeitreihe stationär ist. (b) Die identifizierte Prognosemethode muss die Form erfassen und in der Lage sein, die Form über die Zeit hinweg zu projizieren. (c) Es gibt Grenzen in der Geschichte, und keine noch so große „ausgefallene Mathematik“ kann sie überwinden.
Quelle: https://blog.arkieva.com/time-series-forecasting-basics/
