Mein Kunde arbeitet derzeit an der Bedarfsprognose für seine Produkte. Sie haben mich um Rat zur Nachfrageprognose mit JMP gebeten. Ich denke, dass die Time Series Forecast-Plattform in ihrem Fall geeignet ist, da sie Tausende von Elementen prognostizieren müssen. Ich würde mich freuen, wenn mir jemand einen Rat bei der Bedarfsprognose mit Time Series Forecast geben könnte.
Ihre Situation ist wie folgt:
- Sie möchten die Nachfrage für Tausende von Artikeln für die nächsten Monate anhand historischer monatlicher Verkaufsdaten (einige Jahre) prognostizieren.
- Derzeit verwenden sie für die Prognose einen einfachen gleitenden Durchschnittsansatz.
- Es gibt verschiedene Verkaufsmuster. Einige Artikel haben saisonale Muster. Einige Artikel können mithilfe des gleitenden Durchschnittsansatzes prognostiziert werden.
Hier sind einige Fragen:
- Kennt jemand einen Kunden, der Bedarfsprognosen mit JMP durchführt? Es wäre hilfreich, aus Ihren Erfahrungen zu lernen, die gewonnenen Erkenntnisse zu verstehen und die Strategien zu untersuchen, mit denen sie die Genauigkeit ihrer Bedarfsprognosen verbessert haben.
- Wie oft sollten wir unsere Bedarfsprognosen aktualisieren, um die Genauigkeit sicherzustellen? Gibt es Best Practices für die Überwachung und Anpassung unserer Prognosen, sobald neue Daten verfügbar werden?
- Gibt es potenzielle Herausforderungen oder Fallstricke, die wir bei der Durchführung von Nachfrageprognosen beachten sollten?
Für weitere Erkenntnisse oder Empfehlungen zur Nachfrageprognose wären wir Ihnen sehr dankbar.
Hallo Yuichi-San,
Das einzige Mal, dass ich mit etwas Ähnlichem konfrontiert wurde, war ein Kunde, der die Projektzeit und den erforderlichen Ressourcenplan (Arbeitsstunden) in den verschiedenen Prozessschritten von der Planungsphase über die Bestellung bis hin zur Produktion und Lieferung vorhersagen wollte, um den Zeitplan für den Kunden besser vorhersagen zu können die internen Personalressourcen besser aufeinander abstimmen. Alles klassifiziert nach Innovationsniveau, Wichtigkeitsniveau und einigen anderen Faktoren.
Um jedoch zumindest eine Orientierung zu geben, versuche ich, einige Ihrer Fragen zu beantworten:
1. Sie müssen wirklich die Muster des Verkaufsverhaltens ihrer Produkte analysieren. Wenn es einen saisonalen Trend gibt, sollte dieser einbezogen werden. Wenn es einen anderen regelmäßigen Trend gibt, möchten Sie vielleicht herausfinden, welcher AR-Modus am besten zur Zeitreihe passt, um ein geringeres Risiko in der Prognose zu haben. Das ist zwar Arbeit, aber wenn sie etwas Genaueres als den rohen gleitenden Durchschnitt erhalten möchten, könnte dies den Weg weisen.Oftmals reicht ein Trenddiagramm zur Diagrammerstellung mit einem Spaltenumschalter aus, um die wenigen Produkte zu identifizieren. Es ist am sinnvollsten, genauer darauf einzugehen.
2. Die Aktualisierung des Modells hängt oft davon ab, wie häufig Sie Veränderungen im Verkaufsverhalten bemerken. Normalerweise würde ich für die Zeitreihenmodellierung sagen, dass einmal im Quartal ein guter Kontrollpunkt ist. Wenn ich ein sehr neues Produkt habe, wird es wirklich schwieriger, da das Modell möglicherweise mehrere Kaufphasen anpassen muss. Erster Launch mit wenig Wissen über das Produkt, dann die Hype-Phase, dann die Steady-Phase vor der Abkühlungsphase und schließlich wieder die Steady-Phase. Hier würde ich empfehlen, häufiger zu prüfen, ob das Modell angepasst werden muss (auch, weil man möglicherweise erst nach vielen Monaten oder sogar Jahren saisonale Trends erkennt (es sei denn, dies ist am Produkt selbst erkennbar, z. B. bei Skischuhen 
). Die Reife Je regelmäßiger das Produkt, desto seltener müssen Sie das Modell aktualisieren.
3. Fallstricke treten häufig auf, wenn besondere Ereignisse Ihre Daten und den regulären Trend beeinträchtigen. Nur ein Beispiel, das Sie in die Produkte dieses Kunden übersetzen können:
- Ein Telekommunikationsunternehmen hatte eine Prognose für seinen SMS-Umsatz erstellt (vor langer, langer Zeit
) und irgendwann sah es einen wirklich hohen Spitzenwert in den Daten für einen Tag. Zu diesem Zeitpunkt gab es bei WhatsApp einen Ausfall. Wenn Sie solche Datenpunkte in den Daten für die Prognose belassen, erhalten Sie möglicherweise eine falsche oder weniger genaue Prognose.
- Wenn Sie eine zugrunde liegende Struktur in den Daten haben, wie z. B. Produkte, die beispielsweise von der Nutzung an Wochenenden/Wochentagen abhängen, möchten Sie möglicherweise die Daten aufteilen und ein Modell für beide getrennt erstellen. Sonst wird man wieder ungenauer.
- Eine andere Sache ist, darüber nachzudenken, wie weit ich in die Vergangenheit blicken möchte. Einige Technologien waren wichtig, aber nach einiger Zeit verloren sie an Bedeutung (denken Sie nur an DVD/Blue Rays, Blue Rays galten angeblich als die große Neuheit, aber bevor sie wirklich durchstarteten, war Streaming die große Neuheit).
- Denken Sie auch darüber nach, wie weit Sie in die Zukunft vorhersagen möchten, und verlassen Sie sich auf die Vorhersage. Im Grunde aus ähnlichen Gründen wie oben angegeben
Ich hoffe, das hilft ein wenig, auch wenn es möglicherweise nicht alle Ihre Fragen in dem Detail beantwortet, das Sie benötigen würden.
Dürfen @jiancao Gibt es etwas als Orientierungshilfe hinzuzufügen?
Hallo @martindemel ,
Danke für Ihre Antwort.Ihr Rat ist für mich sehr aufschlussreich. Ich glaube, dass es meinem Kunden helfen wird.
Vielen Dank für Ihre freundliche Hilfe.
Yuichi
