Warum setzen Bedarfsplaner maschinelles Lernen nicht ein?

Olga ist eine Prognostikerin mit Erfahrung in der Vorhersage neuer Produktverkäufe für große Einzelhandelskunden. Derzeit arbeitet sie bei HAVI als Senior Manager, North America Forecasting. Ihr Fachgebiet ist die Untersuchung dessen, was Werbeaktionen erfolgreich macht: Waren, Medien, digitale Werbung, Preistaktiken und Verbraucherpräferenzen. Sie hat einen Bachelor-Abschluss in Wirtschaftswissenschaften von der Nationalen Technischen Universität der Ukraine und einen Master-Abschluss in Finanzökonomie von der Carleton University in Ottawa, Kanada.

Wir alle wissen, dass maschinelles Lernen (ML) und KI die Analytics- und Data-Science-Community begeistern. Jede Prognoseabteilung mit etwas Selbstachtung entwickelt ML-Algorithmen, um vorherzusagen, wer klicken, kaufen, lügen oder sterben wird (um den Titel von Eric Siegels bahnbrechender Arbeit zu diesem Thema zu verwenden). Alle Analytics-Konferenzen und Veröffentlichungen sind voller KI-Schlagworte.

Aber wenn es um die praktische Umsetzung geht, sind die meisten Nachfrageforscher eher zurückhaltend bei der Implementierung von maschinellem Lernen. Warum das? Geht es beim maschinellen Lernen nicht nur um Vorhersagen, was im wahrsten Sinne des Wortes eine Aufgabe von Prognostikern ist? Lassen Sie uns die Chancen und Fallstricke der Anwendung maschinellen Lernens in der Prognose untersuchen.

Es gibt einen subtilen Unterschied in der Art und Weise, wie Prognose und ML „Vorhersage“ definieren. Wenn Prognostiker „Vorhersage“ sagen, meinen wir eine Vorhersage über die Zukunft. Zu den traditionellen Prognosemethoden gehören Zeitreihenmodellierung, algebraische Gleichungen und qualitative Beurteilungen. Daher sind herkömmliche Prognosen teilweise manuell und zeitaufwändig und können durch menschliches Urteilsvermögen beeinflusst werden. Die Ergebnisse sind jedoch leicht zu interpretieren und es handelt sich um einen agilen Prozess; Der Prognostiker weiß, woher die Zahlen kommen, und kann bei Bedarf problemlos Korrekturen vornehmen. Darüber hinaus können herkömmliche Prognosen mit begrenzten Daten durchgeführt werden.

Maschinelles Lernen oder statistische Modellvorhersage bezieht sich auf die Vorhersage der Vergangenheit. Das klingt etwas kontraintuitiv, aber die Idee besteht darin, die „Vorhersage“ des Modells mit der Realität zu vergleichen und den Unterschied oder Fehler zu messen. Diese Fehler werden zur Feinabstimmung des Modells zur Vorhersage der Zukunft verwendet. Folglich sind Modellvorhersagen stark von der bisherigen Leistung abhängig und lassen sich kaum verfeinern. Außerdem ist die Interpretierbarkeit von Modellen sehr begrenzt. Ein weiterer zu berücksichtigender Faktor ist, dass ML von Natur aus viele Daten erfordert. Auf der anderen Seite ist maschinelles Lernen schnell und automatisiert sowie objektiv und frei von menschlichem Urteilsvermögen.

Algorithmen für maschinelles Lernen und KI wurden für eine digitale Welt mit nahezu unbegrenzten Daten zu Kundenklicks, Einkäufen und Browsing-Daten entwickelt. Wie wir wissen, leisten diese Algorithmen hervorragende Arbeit, wenn es darum geht, uns zu Wiederholungskäufen, zum Kauf von Gratisartikeln und zur Anmeldung für Treueprogramme zu verleiten. Die versunkenen Kosten für Prognosefehler (Umsatzverluste) sind relativ gering. Darüber hinaus ist jeder Fehler eine Chance für den Machine-Learning-Algorithmus, sich zu verbessern.

Der reale Marktplatz unterscheidet sich jedoch deutlich vom digitalen Marktplatz. Die Daten hier können sich auf Kassenverkäufe, Treueprogrammdaten oder Versanddaten beschränken. Die versunkenen Kosten von Vorhersagefehlern können recht hoch sein, da Restaurants und Einzelhändler in großen Mengen einkaufen. Außerdem können sich Vorhersagen nicht von selbst verbessern, da es keine automatische Rückkopplungsschleife gibt. Aus diesen Gründen verlassen sich viele stationäre Einzelhändler und ihre Lieferanten immer noch auf traditionelle Prognosemethoden. Dies bedeutet nicht, dass maschinelles Lernen keine Möglichkeiten zur Verbesserung von Prognosen bieten kann, es gibt jedoch einige Überlegungen, die berücksichtigt werden müssen, bevor man sich an maschinelles Lernen wagt.

Jeder Algorithmus für maschinelles Lernen erfordert viele Daten. Mit vielen Daten meine ich nicht Datumsangaben oder Variablen. Modelle für maschinelles Lernen laufen auf definierten Beobachtungsebenen – das können Kunden, Filialen usw. sein. Sie benötigen mindestens tausend davon (wenn nicht Tausende), damit maschinelles Lernen funktioniert. Wenn die Stichprobe auf nur 10 Geschäfte beschränkt ist, ist es wahrscheinlich besser, auf maschinelles Lernen zu verzichten und stattdessen Zeitreihentechniken zu verwenden. Ein weiterer zu berücksichtigender Faktor sind die Kosten für die Datenpflege. Ist es leicht verfügbar oder muss es manuell eingegeben werden? Müssen die Daten bearbeitet werden? Wäre das ein einmaliger Aufwand oder ein fortlaufender Prozess, der Personal- und Computerressourcen erfordert? Wie hoch wären die Kosten für die Speicherung von Daten über die Jahre hinweg?

Maschinelles Lernen ist von Natur aus eine Black Box. Vorhersagen können beispielsweise durch eine Abstimmung von Tausenden von Entscheidungsbäumen generiert werden. Sie können farbige Histogramme verwenden, um die Gewichtung jedes Faktors im Modell darzustellen. Diese Diagramme sehen auf Präsentationsfolien sehr schick aus, sind aber alles andere als intuitiv. Wenn die Kosten einer falschen Vorhersage Millionen von Dollar betragen, sind Unternehmen möglicherweise besser mit Zeitreihen und Arithmetik vertraut, die sie verstehen, als mit einem raffinierten Black-Box-Algorithmus. Dies gilt insbesondere für neue Produkte ohne Verkaufsdaten oder begrenzte Testdaten.

Es gibt einige Problemumgehungen, um maschinelles Lernen zu verstehen. Das Experimentieren mit Parametern könnte ein guter Indikator für die Robustheit der Ergebnisse sein. Wenn eine geringfügige Änderung der Modelleingaben oder -spezifikationen zu erheblichen Änderungen der Vorhersagen führt, kann dies ein Warnsignal sein.

Letztendlich kann die Vertrauenswürdigkeit des Modells durch Tests anhand neuer Daten nachgewiesen werden. Wir müssen nicht unbedingt die Vor- und Nachteile von Algorithmen verstehen, wenn wir vom Endergebnis überzeugt sind. Die Belastbarkeit dieses Arguments kann von Ihrer Zielgruppe abhängen. In der Regel sind Analytics-Experten mit der Verwendung von Machine-Learning-Vorhersagen vertraut, solange sie getestet werden. Führungskräfte in der Lieferkette sind möglicherweise vorsichtiger, wenn es darum geht, Geschäftsentscheidungen auf der Grundlage von Blackboxen zu treffen. Eine gute Plausibilitätsprüfung besteht darin, traditionelle Prognosemethoden parallel zum maschinellen Lernen auszuführen. Wenn zwischen den Ergebnissen ein möglicher Unterschied besteht, liegt möglicherweise ein Problem mit dem Modell vor oder eine wichtige Überlegung wurde bei der Erstellung einer herkömmlichen Prognose ausgelassen.

Es versteht sich von selbst, dass maschinelles Lernen, wenn es richtig eingerichtet ist, wunderbar effizient ist. Man muss lediglich Eingaben machen und den Knopf drücken. Der Teil „richtig einrichten“ kann je nach Vorhersageziel und verfügbaren Daten relativ einfach oder äußerst schwierig sein. Wiederholte Produkte mit umfangreicher Historie können selbst mit sofort einsatzbereiten ML-Paketen wie SAS oder Azure leicht vorhergesagt werden, sofern die Daten leicht verfügbar sind. Vorhersagen für neue Produkte erfordern möglicherweise komplizierte Proxy-Algorithmen zur Lösung begrenzter Daten. Dies erfordert möglicherweise die Entwicklung von ML-Algorithmen von Grund auf. Darüber hinaus besteht möglicherweise auch die Notwendigkeit, Daten aus verschiedenen Quellen zu verarbeiten, um sie in den Algorithmus einzuspeisen. Dies kann erhebliche Investitionen erfordern, um entweder Auftragnehmer einzustellen, das Analyseteam zu erweitern oder Druck auf vorhandene Ressourcen auszuüben. Bevor Unternehmen ein Data-Science-Team zusammenstellen, sollten sie darüber nachdenken, wie oft der Algorithmus verwendet wird, welche Effizienzgewinne erzielt werden und welche Rechenressourcen für das Projekt erforderlich sind.

Prognosen sind der Grundstein der Geschäftsplanung. Jegliche Änderungen am Prognoseprozess können Auswirkungen auf andere Geschäftsbereiche wie Finanzen und Lieferkette haben. Typischerweise basieren herkömmliche Prognosemethoden auf einem Top-Down-Ansatz. Eine Prognose wird aggregiert erstellt und dann nach Filiale/Zeitraum usw. aufgeschlüsselt. Diese Aufschlüsselungen können später für Finanzziele oder Bedarfsplanung auf Filialebene verwendet werden. ML Forecast nutzt von Natur aus einen Bottom-up-Ansatz. Eine Vorhersage wird auf Filial-/Zeitraumebene erstellt und später aggregiert. Bei der Umstellung von der traditionellen Prognose auf ML müssen Unternehmen einen reibungslosen Übergang in allen Phasen der Geschäftsplanung gewährleisten. Wenn dieser Übergang nicht richtig durchgeführt wird, kann es zu Diskrepanzen zwischen der ML-Prognose und den Finanzzielen und Lieferplänen kommen.

Zusammenfassend lässt sich sagen, dass ML ein großartiges Instrument zur Rationalisierung von Prognosen ist. Wie jedes Werkzeug hat es seine Anwendungen, Vorteile, Kosten und Risiken. Beim Einsatz von ML für Prognosen sollten Unternehmen ihre Daten, Geschäftsanforderungen, Entscheidungskultur und Planungsworkflows berücksichtigen. Ein guter Ausgangspunkt könnte das Ausprobieren von ML an Ihren Daten mithilfe von Online-Standardlösungen wie Azure und SAS sein. Die meisten dieser Lösungen verfügen über Schritt-für-Schritt-Schulungsvideos, die Ihnen dabei helfen, einen ML-Algorithmus an Ihre Daten anzupassen. Das Experimentieren mit diesen Lösungen kann bei der Entscheidung helfen, ob ML ein gutes Werkzeug für die Prognose Ihres Unternehmens ist und ob eine Standardlösung ausreicht oder Bedarf an einer Eigenentwicklung besteht. Selbst wenn sich herausstellt, dass ML aus irgendeinem Grund nicht zu Ihrem Unternehmen passt, gehen keine Investitionen verloren und es werden einige analytische Erkenntnisse gewonnen.

Dieser Artikel erschien erstmals in der Sommerausgabe 2023 des Journal of Business Forecasting. Um Zugriff auf das Journal zu erhalten, müssen Sie IBF-Mitglied werden und es vierteljährlich an Ihre Haustür liefern lassen, zusammen mit einer Vielzahl von Mitgliedschaftsvorteilen, darunter ermäßigte Konferenzen und Schulungen, exklusive Workshops und Zugriff auf die gesamte IBF-Wissensbibliothek.

maschinelles Lernen