Einführung
In der Produktion gibt es viele Gründe für Prognosen, darunter Produktionsplanung, Absatzprognosen und Rohstoffverbrauchsplanung. Die Erstellung dieser Prognosen kann aufwendig und frustrierend sein, sodass sie nicht so häufig aktualisiert werden, wie es nötig wäre. Diese Verzögerungen können zu verpassten Verkaufschancen, Lieferverzögerungen und anderen kostspieligen Problemen führen. Es gibt jedoch eine einfachere Lösung. Die Plattform „Zeitreihenprognose“ in JMP ermöglicht die gleichzeitige Prognose einer großen Anzahl von Gruppen. Diese Prognosen können geteilt und der gesamte Prozess problemlos automatisiert werden. Die folgende Grafik veranschaulicht, wie der gesamte Prozess mit nur einem Klick wiederholt werden kann.
Fallstudie
In diesem Beispiel verwende ich das fiktive Unternehmen Red Triangle Widget (RTW). RTW produziert und vertreibt rund 250 verschiedene Produkte (Artikelnummern). Sollten die Absatzprognosen fehlerhaft sein, sind auch die Produktionspläne fehlerhaft. Das bedeutet, dass RTW Gefahr läuft, entweder zu hohe Lagerbestände aufzubauen und Kapital zu binden, bis diese abverkauft sind, oder – was noch schlimmer ist – Marktchancen zu verpassen.
Aktuell benötigt eine Person bei RTW für die Prognoseerstellung eine ganze Woche. Sie erhält einen Datenbank-Export von der IT-Abteilung und muss anschließend jede einzelne Artikelnummer (SKU) manuell analysieren, um eine bestmögliche Prognose zu erstellen. Da dieser Prozess so zeitaufwendig ist, aktualisiert RTW seine Prognosen nur einmal im Monat. Die restliche Zeit des Monats ist oft geprägt von der hektischen Suche nach Lösungen, um die Kundennachfrage zu decken, da die Prognosen mit zunehmendem Zeithorizont an Aussagekraft verlieren.
RTW muss diesen Prozess dringend optimieren, um nicht jeden Monat die gesamte Arbeitswoche eines Mitarbeiters zu verschwenden, unzählige Stunden mit der Aktualisierung von Prognosen zu verbringen, die zu schnell veralten, und Umsatzchancen zu verpassen. Die Prognosen müssen wöchentlich aktualisiert werden, doch die aktuelle Methode ist so zeit- und arbeitsaufwendig, dass wöchentliche Aktualisierungen ohne die Einstellung mindestens einer weiteren Person unmöglich sind. Da RTW nicht über das Budget für zusätzliches Personal verfügt, benötigt das Unternehmen lediglich eine einfache, schnelle, wiederholbare und automatisierte Methode zur Absatzprognose.
Datenzugriff
Hinweis: Dieser gesamte Prozess muss automatisiert werden. Gehen Sie dazu auf „Datei“ > „Neu“ > „Workflow“ und wählen Sie anschließend die Schaltfläche „Aufzeichnen“, um die notwendige Automatisierung zu implementieren. Falls Sie den Workflow-Generator noch nicht kennen, lesen Sie bitte diese Kurzanleitung oder diese ausführlichere Erklärung.
Da die IT-Abteilung von RTW bereits die für die Prognose benötigten Verkaufsdaten generierte, bietet es sich an, die verwendete SQL-Abfrage anzufordern und direkt in JMP auszuführen. Wählen Sie dazu „Datei“ > „Neu“ > „Datenbankabfrage“. Konvertieren Sie anschließend die Abfrage aus der visuellen JMP-Methode in eine benutzerdefinierte SQL-Abfrage und fügen Sie den SQL-Code der IT-Abteilung in das Fenster ein. Die Ausführung der Abfrage erstellt eine Datentabelle mit ca. 22.000 Zeilen, die alle täglichen Widget-Verkäufe der letzten drei Monate enthält.
Datenaufbereitung
Da RTW wöchentliche Prognosen erstellen möchte, sollten die Daten wochenweise gruppiert werden. Da die Prognose durch die Verwendung von Daten aus unvollständigen Wochen negativ beeinflusst würde, müssen alle Wochen ohne sieben Tage an Daten entfernt werden.
Das Tool „Tabellen > Zusammenfassung“ bietet eine praktische Möglichkeit, die Daten in ein Wochenformat zu bringen. Das Anlegen von Spalten für Woche und Jahr ist später hilfreich, insbesondere wenn die Prognosen mehrere Jahre umfassen.
Über „Zeilen > Zeilenauswahl > Auswählen, wo“ und die Auswahl aller Zeilen ohne sieben Datenpunkte lassen sich einfach (und im Workflow Builder wiederholbar) nur vollständige Wochen beibehalten. Nach dem Klicken auf „OK“ können die ausgewählten Zeilen gelöscht werden.
Vor der Erstellung der Prognosen ist noch eine Datenverarbeitungsaufgabe erforderlich. Erstellen Sie eine neue Spalte mit einer Formel für das Datum, basierend auf Jahr und Kalenderwoche. Dies ist hilfreich, da dadurch alle Datenpunkte in konsistenten wöchentlichen Abständen vorliegen, was für Prognosetools wichtig ist.
Prognose
Nachdem die Daten bereinigt und korrekt strukturiert wurden, ist die Zeitreihenprognose in JMP der einfachste Teil. Unter „Analysieren > Spezialisierte Modellierung > Zeitreihenprognose“ lassen sich die drei Felder ganz einfach ausfüllen:
Im Fenster, das nach Auswahl von „OK“ erscheint, zeigt die Plattform Zusammenfassungen an, um die Datenkonsistenz zu überprüfen. Nachdem Sie die Zusammenfassungen geprüft haben, legen Sie die Anzahl der zukünftigen Zeiträume fest, für die Sie Prognosen erstellen möchten. Klicken Sie auf „Ausführen“, um die Prognosen für alle ca. 250 Artikelnummern anzuzeigen.
Bitte beachten Sie, dass für jede Artikelnummer (SKU) ein individuelles Prognosemodell erstellt wurde, das auf den historischen Daten dieser Artikelnummer basiert. Weitere Informationen zu den Modelltypen finden Sie hier .
Teilen
Da viele Nutzer dieser Prognosen kein besonderes Interesse an den zugrundeliegenden Statistiken haben, kann es hilfreich sein, die Vorhersagen in ein einfaches, interaktives Diagramm umzuwandeln. Klicken Sie auf das rote Dreieck, um „Ergebnisse speichern“ auszuwählen. Dadurch wird eine neue Datentabelle erstellt, die die Prognosen und weitere Daten enthält. Diese Option kann auch mit dem Diagramm-Generator verwendet werden, um ein einfaches Suchwerkzeug zu erstellen.
Diese Berichte können in JMP Live hochgeladen werden, sodass sie mit allen geteilt werden können, die Zugriff auf die Prognosen benötigen, auch wenn sie JMP nicht installiert haben. Dies ist besonders nützlich, um Prognosen mit Lieferanten oder Kunden zu teilen. Die Berichte können, wie im folgenden Beispiel gezeigt, mit einer Webseite verlinkt oder in diese eingebettet werden .
Automatisierung
Ich hatte bereits erwähnt, dass ich den Workflow Builder zur Aufzeichnung des Prozesses verwende. Da alle Schritte aufgezeichnet wurden, müssen sie nur beim ersten Mal manuell ausgeführt werden. Sobald die Prognose aktualisiert werden muss, genügt ein Klick auf „Wiedergabe“. Dadurch kann RTW seine Prognosen wöchentlich aktualisieren. Die Zeitersparnis durch die Automatisierung dieses gesamten Prozesses ist enorm.
Da der Prozess auf einen einfachen Mausklick reduziert wurde, konnte RTW das Team effektiv um 25 % verstärken – ohne zusätzliche Kosten. Die Prognosen werden nun wöchentlich statt monatlich erstellt, wodurch der Aufwand für die gesamte Organisation deutlich reduziert wird. Insgesamt war der Einsatz von JMP für die Prognoseerstellung ein voller Erfolg für das Team.
Nutzen Ihre Einkaufs- und Planungsabteilungen bereits die Plattform für Zeitreihenprognosen? Falls nicht, wie viel Zeit könnten sie durch die Automatisierung ihrer Prognosen einsparen?
Datennotizen
Ich habe eine modifizierte Version der Daten aus einem Makridakis-Prognosewettbewerb von 2020 verwendet, die Sie hier finden. Die von mir vorgenommenen Änderungen umfassen Folgendes:
- Die meisten (~250) einzigartigen Gruppen im Datensatz werden ausgewählt und zusammengefasst.
- Die Daten werden auf den nächsten ganzzahligen Wert gerundet.
- Ändern der Spaltennamen und der eindeutigen Gruppen-ID-Werte.
Zusätzlich habe ich eine Artikelnummerntabelle erstellt, um die Daten so darzustellen, wie sie ein Endbenutzer wahrscheinlich in einer Datenbank sehen würde. Da die Leser keinen Zugriff auf die von mir verwendete Datenbank haben, habe ich die Daten im Workflow Builder als Datentabellen eingebunden. Alle Dateien sind beigefügt.
