Absatzwirtschaft
Daten / Marketing Tech / Programmatic

Sinnvolle Anwendung einer automatisierten Prognose

Für die Absatzplanung ist für Unternehmen jeglicher Größe eine Prognose zur Planungsunterstützung sinnvoll. Die Entscheidung, welche Hilfsmittel angewendet werden, hängt zum einen vom Geschäfts- und Planungsmodell (MTS – Make to Stock, MTO – Make to Order, ETO – Engineer to Order), zum anderen von der Zahl der Produkte und von branchenspezifischen Faktoren wie Trend- oder Saisoneffekten ab. Wie auch immer die Entscheidung ausfällt, Ziel einer automatisierten Prognose ist es, dem Planer Zeit zu sparen und diese in die intensive Planung von Produkten zu investieren, die nicht adäquat durch eine automatisierte Prognose geplant werden können.

Ein Fachartikel der Orbis AG

Festzuhalten ist, dass der Entscheidung gründliche Vorüberlegungen vorausgehen müssen, um die richtige Prognose-Ebene zu finden und um sinnvolle Prognose-Horizonte zu definieren. Die Ansicht, dass die Prognose für das Tagesgeschäft nicht einsetzbar sei, ist weit verbreitet. Angesichts vieler aktiver Produkte und auf Sachnummernebene stark schwankender Bedarfe gibt es aber wenig echte Alternativen, wenn es um eine effektive Planung und Disposition geht.

Eine Prognose gründet sich auf altbekannte mathematische Formeln und kann prinzipiell nur Vergangenheitswerte interpretieren. Daher eignet sie sich vor allem für Produkte mit großer Stückzahl bei denen zumindest auf aggregierter Ebene eine gewisse Gleichmäßigkeit oder Gesetzmäßigkeit herrscht. Andererseits ist eine manuelle Prognose einer großen Anzahl von Produkten in Kombination mit vielen Lokationen und verschiedenen Märkten durch den Planer schier unmöglich. In diesen Fällen sollte eine automatisierte Prognose in Erwägung gezogen werden. Die Lösung SAP APO DP (Advanced Planner and Optimizer – Demand Planning) bietet die Möglichkeit einer automatisierten Prognose, die sich in sechs Schritte gliedert.

Schritt 1: Korrektur der Vergangenheitsdaten

Für die Korrektur der Vergangenheitsdaten stehen verschiedene Verfahren zur Verfügung. Dabei ist es erforderlich, die Vergangenheitsdaten für die Prognose entsprechend vorzubereiten. Im Anschluss werden die verschiedenen Verfahren charakterisiert. Daneben ist zu beachten, dass diese Verfahren sowohl zur Korrektur der Vergangenheitsdaten, als auch für die spätere Korrektur der Prognose verwendet werden können.

Ein- und Auslauf neuer bzw. alter Produkte können über die Lebenszyklusplanung gesteuert werden. Dazu wird eine Zeitreihe definiert, die den Lebenszyklus abbildet. Danach wird die Prognose mit der Zeitreihe der entsprechenden Periode multipliziert. So wird der Lebenszyklus in die Prognose eingearbeitet. Beispielsweise kann der Auslauf eines Artikels für eine Zeitreihe wie folgt definiert werden: 100 % 80 % 60 % 40 % 20 % 0 %. Die Prognose folgt dann diesem auf unternehmensspezifischen Erfahrungswerten basierendem Lebenszyklus.
Eine variierende Anzahl von Arbeitstagen kann bei der Interpretation der Vergangenheitsdaten ebenfalls berücksichtigt werden. Dazu wird im Prognoseprofil die mittlere Anzahl der Arbeitstage hinterlegt (z. B. 20 Tage für einen Monat). Hat ein Monat 21 Arbeitstage, wird der Vergangenheitswert durch 21 dividiert und mit der mittleren Anzahl der Arbeitstage multipliziert. Aufbauend auf diesen korrigierten Wert wird die Prognose erstellt. Hat nun der zu prognostizierende Monat nur 19 Tage, wird der Prognosewert durch 20 dividiert und mit 19 multipliziert. Ein Highlight dieser Funktion ist, dass keine aufwendige Pflege der Arbeitstage stattfinden muss, stattdessen werden die Arbeitstage aus dem Fabrikkalender entnommen. So besteht die Möglichkeit, Betriebsferien oder auch Feiertage bei der Prognose einfach zu berücksichtigen.

Verkaufsfördernde Maßnahmen (Promotions) können zusätzlich die Prognose bzw. Vergangenheitsdaten beeinflussen. Hierbei gibt es die Möglichkeit regelmäßige oder einmalige Events zu pflegen. Dazu können verschiedene Arten von Promotionen angelegt und mit den dazugehörigen Einflüssen hinterlegt werden. Beispielsweise geht der Planer davon aus, dass sich eine TV-Werbung mit einer 20%-Steigerung auf Produkt A und einer 10%-Verminderung auf Produkt B auswirkt (Kannibalisierung). Weiterhin können auch regelmäßige Events, wie z. B. Weihnachten oder Ostern, mit den dazugehörigen Einflussfaktoren gepflegt werden. Ausreißer in den Vergangenheitsdaten können die Prognose verfälschen. Dabei handelt es sich bei Ausreißern um Vergangenheitswerte, die nicht in einem erwarteten Wertebereich liegen. Für die Ausreißerkorrektur stehen zwei verschiedene Methoden zur Auswahl:

  • Ausreißerkorrektur mit der Ex-Post-Methode: Grundlage für die Ausreißerkorrektur ist die Ex-Post-Prognose. Dazu werden die Vergangenheitswerte in zwei Gruppen unterteilt. Die erste Gruppe sind die älteren Vergangenheitsdaten, sie dienen zur Initialisierung der Ex-Post-Prognose. Die zweite Gruppe enthält die neueren Vergangenheitswerte, diese dienen zur Durchführung der Ex-Post-Prognose. Weiterhin wird ein Sigma-Faktor benötigt, dieser gibt die Toleranz für die Ausreißerkorrektur an. Je kleiner der Sigma-Faktor ist, desto kleiner ist die Toleranz. Somit wird auch eine größere Anzahl von Ausreißer automatisch korrigiert. Anhand der Ex-Post-Prognose, der mittleren absoluten Abweichung der Ex-Post-Prognose und des Sigma-Faktors wird der Toleranzbereich für die Ausreißerkorrektur ermittelt. Liegt ein Wert außerhalb des Toleranzbereichs, wird der Wert auf den prognostizierten Wert der Ex-post-Prognose korrigiert. Welches Prognosemodell bei der Ex-Post-Prognose zum Einsatz kommt, hängt vom Prognosemodell ab. Bei einer automatischen Modellauswahl werden die Schritte 2 und 3 durchgeführt, um ein passendes Prognosemodell zu finden.
  • Ausreißerkontrolle mit der Medianmethode: Funktioniert ähnlich wie die vorherige Methode, nur dass für die Ex-Post-Prognose die Medianmethode verwendet wird. Die Medianmethode sortiert die Werte der Größe nach und nimmt den Wert in der Mitte. Wären z. B. die Vergangenheitsdaten 10, 11, 12, 15, 17, ist der Median 12. Der Median wird für Grund-, Trendwert und Saisonindex ausgerechnet. Anhand dieser Werte kann die Medianmethode für jede Periode einen Erwartungswert ermitteln. Mit dem Erwartungswert und dem Sigma-Faktor kann nun der Toleranzbereich berechnet werden.

Schritt 2: Test der Vergangenheitsdaten

Um das richtige Prognoseverfahren ermitteln zu können, müssen die Vergangenheitsdaten verschiedenen Tests unterzogen werden. Anhand der Ergebnisse findet die Modellauswahl für die Prognose statt. Im Folgenden werden die verschiedenen Tests erläutert. Diese basieren auf den aus Schritt 1 korrigierten Vergangenheitsdaten. Zu berücksichtigen ist, dass für den Test der Vergangenheitsdaten mindestens 2 Saisonzyklen benötigt werden. Die Praxis zeigt, dass ein Test der Vergangenheitsdaten mit 3 bis 4 Zyklen besser funktioniert.
Um zu überprüfen, ob die Bedarfe unregelmäßig sind, wird getestet aus wie vielen Nullwerten die Vergangenheit besteht. Sind z. B. 66 % der Vergangenheitswerte Nullwerte, wird davon ausgegangen, dass der Bedarf unregelmäßig ist. Oft stellt sich bei diesem Test die Frage, ab wie vielen Nullwerten angenommen wird, dass die Vergangenheitswerte unregelmäßig sind. Ist beispielsweise ein Wert von 30 % besser? In der Praxis zeigt sich, dass der Schwellwert individuell festgelegt und durch kundeneigene Logik ergänzt werden muss. Fällt der Test auf einen unregelmäßigen Bedarf positiv aus, werden keine weiteren Tests mehr durchgeführt. Dadurch, dass die Bedarfe unregelmäßig sind, kann nur die Croston-Methode zum Einsatz kommen (mehr dazu in Schritt 3).

Im nächsten Schritt wird durch einen Portmanteau-Test überprüft, ob eine starke Streuung der Vergangenheitsdaten vorliegt. Liegt eine zu starke Streuung vor, ist es schwierig, für das System ein Prognosemodell auszuwählen. Fällt der Portmanteau-Test positiv aus, findet kein Saison- und Trendtest mehr statt. Durch die starke Streuung kann ein Saison- bzw. Trendverlauf ausgeschlossen werden.Fällt der Portmanteau-Test negativ aus, wird ein Saisontest durchgeführt. Dazu werden zuerst vorhandene Trends aus den Vergangenheitsdaten entfernt. Danach wird der Autokorrelationskoeffizient berechnet. Beträgt dieser über 0,3, ist der Saisontest positiv. Ab wann der Saisontest positiv ist, kann auch individuell festgelegt werden. Nach dem Saisontest folgt der Trendtest, dazu werden die Vergangenheitsdaten von möglichen Saisoneffekten bereinigt (wenn der Saisontest zuvor positiv ausgefallen ist). Die Bestimmung des Trendeffekts erfolgt mit dem Trendsignifikanzparameter. Dabei wird der Parameter ausgehend von den Saisoneffekten bestimmt. Fällt der Saisontest negativ aus, wird der Trendtest über die komplette Vergangenheit durchgeführt. Ist der Saisontest hingegen positiv, wird der Test über die Anzahl der Perioden in einer Saison durchgeführt.

Schritt 3: Modellselektion

Aufbauend auf den Tests der Vergangenheitsdaten aus Schritt 2, wird anhand des Testergebnisses eine Modellselektion vorgenommen.
Sind die Bedarfe unregelmäßig, wird die Croston-Methode verwendet, diese ermittelt die mittlere Bedarfshöhe und die mittlere Dauer zwischen den Nachfragen. Bei der Prognose wird dann die mittlere Bedarfshöhe anhand der mittleren Dauer verteilet. Ist beispielsweise die mittlere Bedarfshöhe 5 Stück und die mittlere Dauer 3 Wochen, wird für den Prognosehorizont alle 3 Wochen ein Bedarf von 5 erzeugt. Haben die Vergangenheitsdaten eine starke Streuung, ist eine automatische Modellselektion schwierig. Daher wählt hier das System das Konstantmodell mit der exponentiellen Glättung 1. Ordnung aus. Für die Berechnung der Prognose werden die vorgehenden Prognosewerte, die letzten Vergangenheitswerte und der Glättungsfaktor Alpha herangezogen. Ein großer Alpha-Faktor berücksichtigt die Vergangenheit weniger als ein kleiner Alpha-Faktor.

Fällt der Trendtest positiv aus und der Saisontest negativ, werden folgende Modelle selektiert:

  • Konstantmodell mit exponentieller Glättung 1. Ordnung: Wird standardmäßig immer mit in die Modellauswahl mit einbezogen.
  • Trendmodell: Aufbauend auf der exponentiellen Glättung wird ein Grundwert und ein Trendwert berechnet. Daraus leiten sich die Prognosewerte für den Prognosehorizont ab. Hierbei wird ein Glättungsfaktor Alpha für den Grundwert und Glättungsfaktor Beta für den Trendwert herangezogen.
  • Lineare Regression: Diese Methode kann zur Prognose von Trends verwendet werden. Dabei berücksichtigt die lineare Regression alle Vergangenheitsdaten gemeinsam und legt eine Gerade mit dem kleinstmöglichen Fehler hindurch. Die Verwendung von Glättungsfaktoren entfällt bei dieser Methode.

Ist der Saisontest positiv und der Trendtest negativ, werden das Konstantmodell und das Saisonmodell selektiert. Beim Saisonmodell ist zu berücksichtigen, dass es hier auch den Glättungsfaktor Alpha gibt, aber nicht den Glättungsfaktor Beta. Da sich der Beta-Faktor auf den Trend bezieht, aber der Trendtest negativ ist, wird dieser Faktor nicht benötigt. Stattdessen wird der Glättungsfaktor Gamma für den Saisonindex benötigt. So wird bei einem kleinen Gammawert der Saisonindex stark geglättet. Änderungen beim saisonalen Verhalten werden mit einem kleinen Gamma-Faktor in der Prognose langsamer berücksichtigt.

Sind sowohl Trend- und Saisontest positiv, werden folgende Modelle selektiert:

  • Konstantmodell mit exponentieller Glättung 1. Ordnung: Wird standardmäßig immer mit in die Modellauswahl mit einbezogen.
  • Trend-Saison-Modell: Baut auf der exponentiellen Glättung auf, dabei werden die Glättungsfaktoren Alpha, Beta und Gamma berücksichtigt.
  • Saisonale lineare Regression: Dazu wird zunächst für jede Periode in der Vergangenheit ein Saisonindex berechnet. Darauf aufbauend wird ein mittlerer Saisonindex ermittelt, dieser wird danach mit einem Glättungsfaktor geglättet. Die Vergangenheitsdaten werden anschließend gemäß der saisonalen Indizes korrigiert und eine lineare Regression durchgeführt. Die berechneten Saisonindizes werden auf die Ergebnisse der linearen Regression angewendet, dies ergibt dann das Ergebnis der Prognose.

Schritt 4: Modellauswahl

Nachdem die relevanten Modelle selektiert sind, wird als Nächstes überprüft, welches der selektierten Modelle am besten geeignet ist. Das Modell mit dem geringsten Fehlermaß wird ausgewählt.
Je nach dem, ob ein Konstant-, Trend-, Saison- oder Trendsaisonmodell ausgewählt wird, können entsprechend die Faktoren Alpha, Beta und Gamma parametrisiert werden. Um hier die optimalen Parameter zu finden, testet das System die verschiedenen Kombinationen durch. Dazu muss für jeden Faktor eine Unter- und Obergrenze festgelegt werden (z. B. 0,1 bis 0,5). Daneben benötigt das System noch eine Schrittweite, um die verschiedenen Möglichkeiten zwischen Unter- und Obergrenze durchzutesten. Bei einer Untergrenze von 0,1, einer Obergrenze von 0,5 und einer Schrittweite von 0,1, werden die Kombinationen 0,1, 0,2, 0,3, 0,4 und 0,5 durchgetestet. Für jede Kombination wird die mittlere absolute Abweichung (MAD) berechnet (Fehlermaß). Die Kombination mit dem geringsten MAD sind die Besten. Darüber hinaus können auch andere Fehlermaße zur Parameterfindung ausgewählt oder eigene definiert werden.

Ein Beispiel für eine Modellauswahl wäre folgendes: Wenn der Trendtest positiv und der Saisontest negativ ist, kämen das Konstantmodell, das Trendmodell und die lineare Regression in Frage (vgl. Schritt 3). Für das Konstantmodell und das Trendmodell müssten die besten Parameter automatisch ermittelt werden. Anschließend würde das Modell mit dem geringsten Fehlermaß ausgewählt.

Schritt 5: Prognose

Anhand des ausgewählten Modells findet nun die Prognose statt. Hierzu werden die Prognose selbst und eine Ex-Post-Prognose durchgeführt. Um nicht bei jedem Prognoselauf die Schritte 2 bis 4 durchführen zu müssen, bietet das System die Möglichkeit die Prognoseeinstellungen für eine Merkmalskombination abzuspeichern (z. B. Produkt und Lokation). So muss das System nicht jedes Mal die Schritte 2 bis 4 durchlaufen, was Laufzeit spart. Nur wenn ein bestimmtes Fehlermaß überschritten wird und damit ersichtlich wird, dass die momentanen Prognoseeinstellungen kein gutes Ergebnis hervorbringen, werden erneut die Schritte 2 bis 4 durchlaufen. Nach einer Prognose können noch Korrekturen notwendig sein (z. B. Arbeitstagekorrektur; vgl. dazu Schritt 1).

Schritt 6: Kontrolle der Prognosequalität

Nachdem eine Prognose durchgeführt ist, muss festgestellt werden, wie die Prognosegenauigkeit ist. Dazu findet ein Vergleich der Ex-Post-Prognose mit den Vergangenheitsdaten statt. Zum Vergleich stehen unterschiedliche Fehlermaße zur Verfügung. Standardmäßig werden folgende Fehlermaße unterstützt:

  • Fehlersumme (ET): Ist die Summe der absoluten Abweichung zwischen Ex-Post-Prognose und Vergangenheitswerten.
  • Mittlere absolute Abweichung (MAD): Fehlersumme dividiert durch die Anzahl der Perioden.
  • Mittlerer quadratischer Fehler (MSE): Quadrierung der absoluten Abweichung zwischen Ex-Post-Prognose und Vergangenheitswerten. Danach eine Division durch die Anzahl der Perioden.
  • Wurzel des mittleren quadratischen Fehlers (RMSE): Wurzel aus MSE.
  • Mittlerer absoluter prozentualer Fehler (MAPE): Für jede Periode wird der APE berechnet. Dazu wird die absolute Abweichung zwischen Ex-Post-Prognose und Vergangenheitswert durch den Vergangenheitswert dividiert. Danach wird die Summe des APEs gebildet und durch die Anzahl der Perioden dividiert.
  • Mittlerer prozentualer Fehler (MPE): Wie MAPE nur, dass nicht die absolute Abweichung sondern nur die Abweichung genommen wird.

Zusätzlich zu diesen Fehlermaßen können auch eigene Fehlermaße definiert werden. Damit der Planer erkennt, ob eine Prognose gut oder schlecht ist, kann das System Ausnahmemeldungen erzeugen, sogenannte Alerts. Dazu kann im Prognoseprofil für einzelne Fehlermaße eine Obergrenze hinterlegt werden. Wird diese Obergrenze überschritten, wird ein Alert erzeugt. Im Alert-Monitor kann der Planer die Alerts selektieren und kategorisieren. Je nachdem, wie stark die Obergrenze überschritten wird, kann das System eine Informationsmeldung, Warnmeldung oder Fehlermeldung ausgeben. Anhand der Alerts muss der Planer nun die Prognose korrigieren (Prognoseeinstellungen oder Vergangenheitsdaten). Dazu kann er z. B. eine interaktive Prognose durchführen und eine manuelle Auswahl der Prognosemethode vornehmen. Passt die Prognose wieder, kann der Planer die Werte übernehmen und an die Absatzplanung freigeben. Soll beim nächsten automatischen Prognoselauf die manuelle interaktive Prognose nicht überschrieben werden, können die Ergebnisse fixiert werden.

Fazit

SAP APO DP ermöglicht eine große Anzahl von Produkten, Lokationen und Märkten automatisiert zu prognostizieren (siehe Schritt 1 bis 5). Durch das Alert-Handling ist es dem Planer möglich, sich auf die Produkte zu konzentrieren, mit denen die automatisierte Prognose ein Problem hat (siehe Schritt 6). Hält man sich vor Augen, dass ein Planer die Schritte 1 bis 6 manuell z. B. in Excel durchführen müsste, hätte er einen erheblichen Aufwand. Weiterhin ermöglicht SAP APO DP eine einfache Freigabe der Prognose nach R/3, SNP (Supply Network Planning) oder in andere ERP-Systeme. Die Prognose in APO DP bildet so eine wertvolle Ausgangsbasis für die operative Weiterverarbeitung in Disposition, Produktion und Einkauf.

Orbis ist ein international tätiges Business Consulting-Unternehmen und unterstützt internationale Konzerne und mittelständische Unternehmen bei der IT-Strategie, der Systemauswahl und Optimierung der Geschäftsprozesse sowie der Systemimplementierung und Systemintegration.

Daten / Marketing Tech / Programmatic