Planzahlenmodelle entwerfen

Mit Prognosemodellen können Sie Kacheln anordnen und konfigurieren, um die von einem Planungsprofil erstellte Prognose zu definieren. Jedes Modell stellt ein Flussdiagramm dar, das die vom Modell durchgeführte Berechnung grafisch darstellt.

Bedarfsplanungs-Algorithmen

Die Bedarfsplanung umfasst drei beliebte Algorithmen zur Bedarfsprognose: Auto-ARIMA, ETS und Prophet. Der von Ihnen verwendete Bedarfsprognose-Algorithmus hängt von den spezifischen Merkmalen Ihrer historischen Daten ab.

• Auto-ARIMA funktioniert am besten, wenn die Daten stabilen Mustern folgen.
• Fehler, Trend und Saisonalität (ETS) ist eine vielseitige Wahl für Daten, die Trends oder Saisonalität aufweisen.
• Prophet funktioniert am besten mit komplexen, realen Daten.

Die Bedarfsplanung bietet außerdem sowohl ein Best-Fit Modell (das automatisch den besten der verfügbaren Algorithmen für jede Produkt- und Dimensionskombination auswählt) als auch die Möglichkeit, eigene benutzerdefinierte Modelle zu entwickeln und zu verwenden.

Wenn Sie diese Algorithmen und ihre Stärken verstehen, können Sie fundierte Entscheidungen treffen, um Ihre Lieferkette zu optimieren und die Kundennachfrage zu erfüllen.

In diesem Abschnitt wird beschrieben, wie jeder Algorithmus funktioniert und wie er für verschiedene Arten historischer Nachfragedaten geeignet ist.

Best-Fit-Modell

Das Best-Fit-Modell ermittelt automatisch, welcher der anderen verfügbaren Algorithmen (Auto-ARIMA, ETS oder Prophet) für jede Produkt- und Dimensionskombination am besten zu Ihren Daten passt. Auf diese Weise können unterschiedliche Modelle für unterschiedliche Produkte verwendet werden. In den meisten Fällen empfehlen wir die Verwendung des am besten passenden Modells, da es die Stärken aller anderen Standardmodelle kombiniert. Das folgende Beispiel zeigt wie.

Angenommen, Sie verfügen über historische Nachfragezeitreihendaten, die die in der folgenden Tabelle aufgeführten Dimensionskombinationen enthalten.

Produkt	Shop
H	1
H	2
b	1
b	2

Wenn Sie eine Prognoseberechnung mit dem Prophet-Modell durchführen, erhalten Sie die folgenden Ergebnisse. In diesem Beispiel verwendet das System immer das Prophet-Modell, unabhängig vom berechneten mittleren absoluten prozentualen Fehler (MAPE) für jede Produkt- und Dimensionskombination.

Produkt	Shop	Planzahlenmodell	Mittlerer absoluter prozentualer Fehler (MAPE)
H	1	Prophet	0.12
H	2	Prophet	0.56
b	1	Prophet	0.65
b	2	Prophet	0.09

Wenn Sie eine Prognoseberechnung mit dem ETS-Modell durchführen, erhalten Sie folgende Ergebnisse. In diesem Beispiel verwendet das System immer das ETS-Modell, unabhängig vom berechneten MAPE für jede Produkt- und Dimensionskombination.

Produkt	Shop	Planzahlenmodell	Mittlerer absoluter prozentualer Fehler (MAPE)
H	1	ETS	0.18
H	2	ETS	0.15
b	1	ETS	0.21
b	2	ETS	0.31

Wenn Sie eine Prognoseberechnung mit dem am besten passenden Modell durchführen, optimiert das System die Modellauswahl für jede Produkt- und Dimensionskombination. Die Auswahl ändert sich auf Grundlage von Mustern, die in den historischen Verkaufsdaten gefunden wurden.

Produkt	Shop	Prophet MAPE	Auto-ARIMA MAPE	ETS-MAPE	Bestes Prognosemodell	Beste Passform MAPE
H	1	0.12	0.34	0.18	Prophet	0.12
H	2	0.56	0.23	0.15	ETS	0.15
b	1	0.65	0.09	0.21	Auto-ARIMA	0.09
b	2	0.10	0.27	0.31	Prophet	0.10

Die folgende Grafik zeigt die Gesamtumsatzprognose für alle Dimensionen (alle Produkte in allen Geschäften) für die nächsten neun Monate, die mithilfe von drei verschiedenen Prognosemodellen ermittelt wurde. Die grüne Linie stellt das am besten passende Modell dar. Da bei der Best-Fit-Methode für jede Produkt- und Dimensionskombination das beste Prognosemodell ausgewählt wird, werden Ausreißer vermieden, die durch die Erzwingung eines einzigen Modells für alle Dimensionskombinationen entstehen könnten. Im Ergebnis ähnelt die insgesamt am besten passende Prognose einem Durchschnitt der Einzelmodellprognosen.

Legende:

• Rot = Einziger Prophet
• Blau = Nur ETS
• Grün = Beste Passform

Auto-ARIMA: Die Freude des Zeitreisenden

Der Auto-ARIMA-Algorithmus ist wie eine Zeitmaschine: Er nimmt Sie mit auf eine Reise durch vergangene Nachfragemuster, damit Sie fundierte Vorhersagen über die Zukunft treffen können. Auto-ARIMA verwendet eine Technik, die als autoregressiver integrierter gleitender Durchschnitt (ARIMA) bekannt ist. Diese Technik kombiniert drei Schlüsselkomponenten: Autoregression, Differenzierung und gleitende Durchschnitte. Der Auto-ARIMA-Algorithmus identifiziert automatisch die beste Kombination dieser Komponenten, um ein Prognosemodell zu erstellen, das zu Ihren Daten passt.

Auto-ARIMA funktioniert besonders gut mit Zeitreihendaten, die über die Zeit ein stabiles Muster zeigen, wie zum Beispiel saisonale Schwankungen oder Trends. Wenn Ihr historischer Bedarf einem einigermaßen konsistenten Pfad folgt, könnte Auto-ARIMA Ihre bevorzugte Prognosemethode sein.

ETS: Der Formwechsler

Fehler, Trend und Saisonalität (ETS) ist ein vielseitiger Algorithmus zur Nachfrageprognose, der sich an die Form Ihrer Daten anpasst. Es kann seinen Ansatz basierend auf den Merkmalen Ihrer historischen Nachfrage ändern. Daher eignet er sich für eine Vielzahl von Szenarien.

Der Name ETS ist eine Abkürzung für die drei wesentlichen Komponenten, in die der Algorithmus die Zeitreihendaten zerlegt: Fehler (Error), Trend und Saisonalität. Durch das Verständnis und die Modellierung dieser Komponenten generiert ETS Prognosen, die die zugrunde liegenden Muster in Ihren Daten erfassen. Er funktioniert am besten mit Daten, die klare saisonale Muster, Trends oder beides zeigen. Daher ist es eine ausgezeichnete Wahl für Unternehmen, deren Produkte oder Dienstleistungen saisonabhängig sind.

Prophet: Der visionäre Vorhersage-Guru

Prophet wurde vom Forschungsteam von Facebook entwickelt. Es handelt sich um einen modernen und flexiblen Vorhersagealgorithmus, der die Herausforderungen realer Daten bewältigen kann. Es ist besonders effektiv beim Umgang mit fehlenden Werten, Ausreißern und komplexen Mustern.

Prophet zerlegt die Zeitreihendaten in mehrere Komponenten, beispielsweise Trend, Saisonalität und Feiertage, und passt dann für jede Komponente ein Modell an. Dieser Ansatz ermöglicht es Prophet, die Nuancen in Ihren Daten genau zu erfassen und zuverlässige Prognosen zu erstellen. Prophet ist ideal für Unternehmen mit unregelmäßigen Nachfragemustern oder häufigen Ausreißern oder für Unternehmen, die von besonderen Ereignissen wie Feiertagen oder Werbeaktionen betroffen sind.

Benutzerdefinierter Azure Machine Learning-Algorithmus

Wenn Sie über einen benutzerdefinierten Microsoft Azure Machine Learning-Algorithmus verfügen, den Sie mit Ihren Prognosemodellen verwenden möchten, können Sie ihn in der Bedarfsplanung nutzen.

Erstellen und Anpassen eines Prognosemodells

Um ein Prognosemodell zu erstellen und anzupassen, müssen Sie zunächst ein vorhandenes Prognoseprofil öffnen. (Weitere Informationen finden Sie unter Arbeiten mit Prognoseprofilen.) Anschließend können Sie das Modell, das das ausgewählte Profil verwendet, vollständig anpassen, indem Sie Kacheln hinzufügen, entfernen und anordnen sowie für die einzelnen Optionen Einstellungen konfigurieren.

Gehen Sie folgendermaßen vor, um ein Prognosemodell zu erstellen und anzupassen.

1. Wählen Sie im Navigationsbereich Vorgänge>Planungsprofile aus.
2. Wählen Sie das Prognoseprofil aus, für das Sie ein Prognosemodell erstellen oder anpassen möchten.
3. Auf der Registerkarte Prognosemodell ist oben im Flussdiagramm immer mindestens eine Kachel (vom Typ Eingabe ) vorhanden. Das Modell wird von oben nach unten verarbeitet und die letzte Kachel muss eine Kachel vom Typ Speichern sein. Fügen Sie Kacheln nach Bedarf hinzu, entfernen Sie sie, ordnen Sie sie an und konfigurieren Sie die Einstellungen für jede Kachel. Richtlinien finden Sie in der Abbildung nach diesem Verfahren.
4. Wenn Sie mit dem Entwurf Ihres Prognosemodells fertig sind, klicken Sie oben rechts auf die Schaltfläche Validieren . Das System führt einige Tests durch, um zu überprüfen, ob Ihr Modell funktioniert, und gibt dann Feedback. Beheben Sie alle Probleme, die der Validierungstest meldet.
5. Arbeiten Sie weiter, bis Ihr Modell fertig ist. Wählen Sie dann im Aktivitätsbereich Speichern aus.
6. Wenn Sie Ihr Prognosemodell als Voreinstellung speichern möchten, damit es verfügbar ist, wenn Sie und andere Benutzende neue Prognoseprofile erstellen, wählen Sie die Schaltfläche Als Modellvorlage speichern oben rechts aus.

Die folgende Abbildung zeigt die Informationen und Steuerelemente, die für Kacheln in einem Prognosemodell verfügbar sind.

Legende:

1. Kachelsymbol – Ein Symbol, das den Zweck der Kachel darstellt.

2. Kacheltyp – Der Kacheltyp. Dieser Text beschreibt normalerweise die Art der Rollen, Berechnungen oder anderen Aktionen, die die Kachel darstellt.

3. Kachelname – Der Name, der der Kachel zugewiesen wird. Manchmal können Sie diesen Text manuell in den Einstellungen der Kachel eingeben. Normalerweise gibt es jedoch den Wert einer der Einstellungen an, die für die Kachel konfiguriert wurden.

4. Kachelaktionen – Öffnen Sie ein Menü mit Aktionen, die Sie auf der Kachel ausführen können. Obwohl einige dieser Aktionen spezifisch für den Kacheltyp sind, sind die meisten für alle Kacheln gleich. Wenn Aktionen abgeblendet angezeigt werden, können sie aufgrund der aktuellen Position der Kachel oder aus einem anderen kontextbezogenen Grund nicht verwendet werden. Hier sind einige häufige Aktionen, die verfügbar sind:

   • Einstellungen – Öffnet ein Dialogfeld, in dem Sie Einstellungen für die Kachel konfigurieren können.
   • Entfernen – Entfernt die Kachel.
   • Nach oben verschieben und Nach unten verschieben – Positionieren Sie die Kachel im Flussdiagramm neu.
   • Auf „Durchlassen“ einstellen – Eine aktuell aktivierte Kachel vorübergehend deaktivieren, ohne sie oder ihre Einstellungen zu löschen.
   • ‚Durchgang‘ aufheben – Eine aktuell deaktivierte Kachel wieder aktivieren.

5. Kachel hinzufügen – Fügen Sie an der ausgewählten Stelle eine neue Kachel hinzu.

Prognosekacheltypen

In diesem Abschnitt wird der Zweck der einzelnen Prognosekacheltypen beschrieben. Außerdem wird erläutert, wie die einzelnen Typen verwendet und konfiguriert werden.

Eingabekacheln

Eingabekacheln stellen die Zeitreihen dar, die als Eingabe für das Prognosemodell dienen. Die Zeitreihe ist diejenige, die auf der Registerkarte Eingeschlossen der Registerkarte Eingabedaten aufgeführt ist. Sie können den Namen nicht bearbeiten.

Eingabekacheln haben nur ein Feld, das Sie festlegen können: Fehlende Werte ausfüllen.

Ausreißerkacheln bearbeiten

Ausreißer behandeln Kacheln identifizieren und kompensieren Ausreißer-Datenpunkte in der Eingabe. Diese Datenpunkte gelten als Anomalien, die ignoriert oder geglättet werden sollten, um zu verhindern, dass sie die Prognoseberechnung beeinträchtigen.

Die Kacheln „Ausreißer behandeln“ haben die folgenden Felder, die Sie festlegen können:

• Ausreißer behandeln – Auswählen eine der folgenden Optionen:

  • Interquartilsabstand (IQR)
  • Saisonale und Trendzerlegung mit Löss (STL)

• Interquartilsabstandsmultiplikator – Dieses Feld ist nur verfügbar, wenn das Feld Ausreißer behandeln auf IQR gesetzt ist.

• Korrekturmethoden – Dieses Feld ist nur verfügbar, wenn das Feld Ausreißer behandeln auf IQR gesetzt ist.

• Saisonalitätshinweis – Dieses Feld ist nur verfügbar, wenn das Feld Ausreißer behandeln auf STL gesetzt ist.

Prognosekacheln

Prognosekacheln wenden einen ausgewählten Prognosealgorithmus auf die Eingabezeitreihe an, um eine Prognosezeitreihe zu erstellen.

Prognosekacheln haben nur ein Feld, das Sie festlegen können: Modelltyp. Verwenden Sie es, um den zu verwendenden Prognosealgorithmus auszuwählen. Weitere Informationen zu den einzelnen verfügbaren Algorithmen finden Sie im Abschnitt Bedarfsplanungs-Algorithmen. Folgende Optionen stehen für Algorithmen zur Auswahl:

• ARIMA – Autoregressiver integrierter gleitender Durchschnitt
• ETS – Fehler, Trend, Saisonalität
• Prophet – Facebook Prophet
• Am besten passendes Modell

Finanzen und Betrieb – Azure Machine Learning-Kacheln

Wenn Sie bereits Ihre eigenen Azure Machine Learning-Algorithmen zur Bedarfsprognose im Lieferkette-Management verwenden (wie unter Übersicht zur Bedarfsprognose beschrieben), können Sie diese weiterhin verwenden, während Sie die Bedarfsplanung verwenden. Setzen Sie einfach eine Kachel Finanzen und Betrieb – Azure Machine Learning in Ihrem Prognosemodell anstelle einer Prognose-Kachel.

Informationen zum Einrichten der Bedarfsplanung zum Verbinden und zum Verwenden Ihrer Azure Machine Learning-Algorithmen finden Sie unter Verwenden Ihrer eigenen benutzerdefinierten Azure Machine Learning-Algorithmen in der Bedarfsplanung.

Ein-/Ausphasen-Kacheln

Phase-in/Phase-out-Kacheln ändern die Werte einer Datenspalte in einer Zeitreihe, um die schrittweise Einführung eines neuen Elements (z. B. eines neuen Produkts oder Lagers) oder die schrittweise Abschaffung eines alten Elements zu simulieren. Die Berechnung der schrittweisen Einführung/Ausgliederung erfolgt über einen bestimmten Zeitraum und verwendet Werte aus derselben Zeitreihe (entweder aus derselben Datenspalte, die angepasst wird, oder aus einer anderen Datenspalte, die ein ähnliches Element darstellt).

Für die Kacheln „Phase ein/aus“ können Sie die folgenden Felder festlegen:

• Schritt name – Der spezifische Name der Kachel. Diese Namevwird auch im Flussdiagramm angezeigt.
• Beschreibung – Eine kurze Beschreibung der Kachel.
• Erstellt von – Der Benutzer, der die Kachel erstellt hat.
• Regelgruppe – Der Name der Regelgruppe, die die von der Kachel durchgeführte Berechnung definiert.

Wenn Sie Ihr Prognosemodell einrichten, wirkt sich die Position der Kachel Phase in/out auf das Berechnungsergebnis aus. Um die Phase-in/Out-Berechnung auf die historischen Verkaufszahlen anzuwenden, platzieren Sie die Kachel Phase-in/Out vor der Kachel Prognose (wie auf der linken Seite der folgenden Abbildung gezeigt). Um die Phase-in/Out-Berechnung auf das prognostizierte Ergebnis anzuwenden, platzieren Sie die Kachel Phase-in/Out nach der Kachel Prognose (wie auf der rechten Seite der folgenden Abbildung gezeigt).

Weitere Informationen zur Phase-in/Out-Funktionalität, einschließlich Einzelheiten zum Einrichten Ihrer Phase-in/Out-Regelgruppen, finden Sie unter Phase-in/Out-Funktionalität zum Simulieren geplanter Änderungen verwenden.

Kacheln speichern

Mit den Kacheln „Speichern“ wird das Ergebnis des Prognosemodells als neue oder aktualisierte Reihe gespeichert. Alle Prognosemodelle müssen mit einer einzigen Speichern-Kachel enden.

Die Prognosezeitreihe wird gemäß den Einstellungen gespeichert, die Sie jedes Mal konfigurieren, wenn Sie einen Prognoseauftrag ausführen, wie unter Arbeiten mit Prognoseprofilen beschrieben.