Bedarfsvorhersage

Mit univarianten oder multivarianten Methoden können wir Zeitreihen von Verbrauch, Produktion oder Ausgaben vorhersagen. Diese werden in sogenannte ETL-Prozesse zur Datenverarbeitung integriert und die Algorithmen, die die besten Ergebnisse liefern, ausgewählt, um stets die besten Vorhersagen für den Absatz und damit für die Bedarfe bis auf Komponentenebene zu liefern.

Ziele

• Erstellen von Vorhersagen, die Informationen über die Zukunft auf operativer Ebene liefern
• Bereitstellung eines Werkzeugs, das bei der Entscheidungsfindung auf Management-Ebene hilft
• Bereitstellung von Geschäftswissen zur kontinuirlichen Analyse

Die Nachfrage nach einem Produkt/Dienstleistung zu kennen, war schon immer ein sehr wichtiger Faktor in allen Unternehmen. Von kleinen Geschäften in der Nachbarschaft bis hin zu großen Logistikunternehmen, Elektrizitätswerken, etc.. Der Übergang von Geschäftsentscheidungen auf der Grundlage rein von menschlicher Erfahrung hin zur Datenanalyse in Tabellenkalkulationen erfolgt aktuell durch die Implementierung von „Machine Learning“-Algorithmen. Diese sind in der Lage, all diese Berechnungen zu automatisieren und in großem Maßstab (den Menschen) die bessere Entscheidungsgrundlage zu liefern.

Was wir tun

Nachdem wir das Unternehmen und die Besonderheiten seiner Daten im Detail kennen, werden explorative Analysen durchgeführt, um zu ermitteln, welche Algorithmen, mit welchen Konfigurationen geeignet sind um die besten Prognosen darzustellen. Nach der Anwendung verschiedener Algorithmen prüft das System selbst, welcher der zutreffendste ist, der daraufhin operativ verwendet werden soll. Schließlich werden die finalen Daten ausgewertet, mittels Dashboard visualisiert und die wichtigsten KPIs hervorgehoben, welche die Entscheidungsfindung im Tagesgeschäft unterstützen.

Wie wir es tun

Explorative Analyse

Wir analysieren die Qualität der Daten und stellen die Informationen auf verschiedene Arten dar (Linienpunkte, Histogramme, Boxplots), um den größten Wert zu identifizieren und ihn mit dem Geschäftswissen des Kunden abzustimmen. Dieser Schritt wird mit der Python-Bibliothek „pandas“ durchgeführt.

Algorithmus-Auswahl

Wir verwenden verschiedene Algorithmen (Naive, SNaive, HoltsWinter, STLF, Forecast, VAR, Prophet) oder bei Bedarf auch neue (z.B. neuronale Netze vom Typ LSTM). Wir fahren mit der Validierung der Algorithmen unter Verwendung von Fehlermetriken fort, um den am besten geeigneten auszuwählen.

Datenauswertung

Wir erstellen intuitive Dashboards zur Visualisierung der Ergebnisse, welche an die Bedürfnisse und Anforderungen des Kunden angepasst werden. So können datengetriebene Entscheidungen getroffen und ggf. mit den Erfahrungen der Mitarbeiter kombiniert werden.