In unsicheren COVID-19-Zeiten unterstützen smarte Forecast-Analytics-Lösungen Demand-Planer und Forecast-Analysten dabei, stabile Baseline-Forecasts  zu erstellen.

In unserem letzten Artikel haben wir beschreiben, wie sich die Demand-Planung in der Coronavirus-Pandemie meistern lässt, d.h. welche Aktivitäten kurzfristig zu priorisieren sind und worauf man sich langfristig konzentrieren sollte. Heute wollen wir einen Blick auf den statistischen Forecast werfen,erie auch als Baseline-Forecast bezeichnet wird. Ein stabiler und genauer statistischer Baseline-Forecast ist der wichtigste Input für jeden Demand-Planungsprozess. Er reduziert den manuellen Planungsaufwand für Ihre Vertriebsmitarbeiter und ermöglicht es ihnen, sich auf die Sicherung und Steigerung des Umsatzes zu konzentrieren. In diesen unsicheren Zeiten reicht eine univariate Zeitreihenprognose nicht mehr aus, um einen stabilen und genauen Baseline-Forecast zu erstellen. In diesem Artikel erläutern wir, warum in Zeiten wie diesen externe Faktoren bei statistischen Prognosen berücksichtigt werden müssen und wie ein smartes Support-Tool Forecast-Analysten und Demand-Planer bei der Bewältigung der Krise unterstützen kann.

Einschränkungen univariaten Zeitreihen in der Coronakrise

Es gibt drei Hauptgründe, warum univariate Zeitreihenanalysen in unsicheren Coronazeiten zu kurz greifen:

  1. Langsamkeit durch manuellen Aufwand. Traditionell wurden univariate Zeitreihenmodelle bevorzugt, da solche Modelle nur eine Variable benötigen und Prognosen schnell erstellt werden können. Die Geschwindigkeit ist wichtig, wenn Sie sehr schnell auf neue Informationen reagieren (z.B. bei der Prognose von Aktienkursen auf den Finanzmärkten) oder große Datenmengen verarbeiten müssen (für Ihr Portfolio mit Tausenden verschiedener SKUs). Der Geschwindigkeitsvorteil von univariaten Modellen war in jüngster Zeit jedoch nicht mehr gegeben. Tatsächlich mussten Unternehmen, die sich während der Coronakrise ausschließlich auf die univariaten Zeitreihenmodelle verließen, viel Zeit für manuelle Anpassungen ihrer Modell-Outputs aufwenden.
  2. Eigene historische Perspektive. Sie projizieren das Verhalten einer Zeitreihe nur auf Ihre eigene Vergangenheit, aber nicht auf andere Reihen. Hier verpassen Sie möglicherweise wichtige kausale Modellierungen oder Darstellungen wahrer Beziehungen zwischen verfügbaren Variablen. Für ein Einzelhandelsunternehmen beispielsweise könnte das einfache Hinzufügen einer Variable, die  seine geschlossenen Geschäfte repräsentiert, zu seiner Bedarfsanalyse das Zeitreihenmodell bereits leistungsfähiger machen.
  3. Kontinuierliche Überprüfung. Die Verwendung univariater Zeitreihenmodelle in einer Umgebung, die sich so schnell verändert, erfordert von den Planern eine kontinuierliche Überprüfung ihrer Schätzungen, idealerweise sogar täglich. Den Modellen fehlt mindestens ein zusätzlicher Erklärungsfaktor, der Abweichungen abdeckt und weniger Revisionen gewährleisten könnte.

All diese Einschränkungen lassen sich durch die Verwendung eines alternativen Modellierungs-Setups vermeiden, z.B. eine multivariate Analyse. Neben dem Hinzufügen weiterer unternehmensrelevanter Daten könnten Sie auch den Einbezug externer Daten in Ihr Modell in Betracht ziehen.

Was zusätzliche interne und externe Daten für den Forecast bedeuten

Wie in unserem Artikel über das Demand Management der nächsten Generation beschrieben, müssen Unternehmen die nächste Stufe des Demand Managements erreichen, um Veränderungen in einem volatilen Umfeld besser antizipieren zu können. Die COVID-19-Pandemie hat die Volatilität des Marktumfelds verstärkt, was Unternehmen bei ihren Initiativen zur Nachfrageplanung berücksichtigen müssen. Das Hinzufügen interner und externer Daten im Forecast ist eine praktikable Lösung, wenn unerwartete und instabile Nachfragemuster auftreten.

Best-Practice-Beispiele legen nahe, dass das Prognosemodell interne Treinber beinhalten sollte, dessen sich das Unternehmen bewusst ist und über die es ein gewisses Maß an Kontrolle hat hat. Beispiele sind Produktionskostenfaktoren, Produktverkaufspreise oder Werbeaktionen. Eine andere Kategorie würde externe Marktfaktoren wie das Investitionsniveau der Branche oder andere makroökonomische Indikatoren umfassen, die sich verzögert auf das Nachfrageniveau auswirken und in der multivariaten Forecast-Analyse verwendet werden können. Die Kombination dieser Faktoren erklärt die Nachfrageschwankungen auf sehr gute Weise und führt zu  hervorragenden Ergebnissen.

Eine Möglichkeit ist die Erstellung von Kurzfristprognosen, bei denen aktuelle Daten z.B. der Johns Hopkins University oder der Centers for Disease Control and Prevention, die den Coronavirus-Ausbruch verfolgen, verwendet werden. Ein weiterer wichtiger Faktor könnte das Hinzufügen zusätzlicher Daten aus Ihrem Ökosystem und Ihrer Lieferkette sein, die Nachfrageverschiebungen und damit verbundene Lieferengpässe quasi in Echtzeit erfassen – Daten von Verkaufsstellen, verfügbare Bestände, Kapazitätsengpässe usw.

Darüber hinaus muss Ihre mittelfristige Prognose auf verschiedenen Szenarien und Ihrer potenziellen Antwort auf jede Option basieren, unabhängig davon, wie massiv der Grad der Störung im schlimmsten Fall sein könnte. Wir operieren in unsicheren Zeiten, in denen die Nachfrage verwirrende Zahlen zeigen könnte, das Angebot ungewiss und die Kapazitäten begrenzt sind. Im Unterschied zu früher müssen die Demand-Planung viel häufiger durchgeführt und Entscheidungen in kürzester Zeit getroffen werden.

An diesem Punkt sind Forecast-Analysten die Wegbereiter, und  Tools wie der COVID-19 Impact Analyzer helfen dabei, Szenario- oder sogar probabilistische Forecasts zu erstellen.

Denjenigen, die bis dato noch keine externen Daten für Forecasts eingesetzt haben, bietet Abbildung 1 eine nützliche Checkliste für ein mögliches Vorgehen. Darüber hinaus empfehlen wir dringend die Verwendung eines Tools wie den CAMELOT COVID-19 Impact Analyzer für das Supply Chain Management, das externe Faktoren in Prognosen einbezieht und Demand-Planern auf diese Weise hilft, erfolgreich durch die Krise zu navigieren.

Abbildung 1: Checkliste für die Demand-Planung in Coronazeiten

Warum genau haben wir den Analyzer entwickelt, wie funktioniert er und was sind die Vorteile?

WARUM? Wir haben den Analyzer entwickelt, um unsere Kunden und andere Unternehmen in diesen schwierigen Zeiten unterstützen – mit  einer kostenlosen, innovativen Lösung , mit deren Hilfe sich die Auswirkungen der COVID-19-Krise auf die Lieferketten besser analysieren lassen. Für uns als Supply-Chain-Experten ist es jetzt an der Zeit, unser Wissen zu teilen, um anderen zu helfen, Lieferketten am Laufen zu halten und das Konzept der offenen Innovation zu unterstützen.

WIE? Es ist wichtig zu verstehen, wie der Analyzer Forecast-Analysten, Demand-Planer sowie andere verwandte Funktionen im Forecast  unterstützen kann. Derzeit befinden sich viele Unternehmen mitten in Coronavirus-spezifischen Meetings und kämpfen damit, mit datengestützten Entscheidungen auf die Krise zu reagieren. Anstatt Vertriebsexperten zu befragen und detaillierte Pläne manuell anzupassen, kann der COVID-19 Impact Analyzer schnell faktenbasierte Einblicke in die Nachfrage individuell pro Produkt-Land geben – vor und nach dem ersten COVID-19-Ausbruch. Diese Ergebnisse bilden die Grundlage für weitere Supply-Chain-Szenarien und Planungen, dieden Unternehmen helfen, auf die sich täglich ändernden Situationen zu reagieren. Darüber hinaus kann der Analyzer auf der Grundlage der neuesten Machine-Learning-Algorithmen eine kurzfristige Prognose für die kommenden vier Wochen erstellen.

WAS? Was wird durch den COVID-19 Impact Analyzer erreicht und wie funktioniert er? Es handelt sich um eine einsatzbereite Data-Science-Lösung auf der Grundlage von R & Shiny. Dieser Aufbau hat sich bei mehreren Kunden bewährt, um schnell Webanwendungen zu erstellen, die für die Benutzer sehr intuitiv sind und helfen, schnell datengesteuerte Erkenntnisse zu generieren. Für die Einbindung externer Datenquellen nutzt die Anwendung nicht nur historische Verkaufsdaten, sondern auch Echtzeitdaten der Johns Hopkins University sowie das Google Search Behavior. Dies ermöglicht es uns, mit Machine-Learning-Algorithmen sehr präzise kurzfristige Forecasts zu erstellen.

Werfen wir einen kurzen Blick auf die Anwendung des Analyzers:

  1. Benutzer laden historische Verkaufsdaten auf Produkt-Länder-Ebene in Wochen-Buckets hoch, die in einer Excel-Datei gespeichert sind. Nach dem Hochladen erhalten die Benutzer einen Übersichtsbericht über das, was sie hochgeladen haben, sowie einen Fehlerbehandlungsbericht für den Fall, dass etwas schief gelaufen ist.
    Es ist wichtig zu beachten, dass CAMELOT keine der hochgeladenen Daten speichert. Sie werden sofort gelöscht, wenn der Benutzer das System verlässt
  2. In der „Demand Impact“ Maske können die Anwender Auswirkungen auf die Nachfragevor und nach der Coronavirus-Pandemie analysieren. Dies zeigt uns, wie das Nachfragemuster beeinflusst wurde und ob es zu einer signifikanten Veränderung des üblichen Verhaltens gekommen ist. Die Ergebnisse lassen sich direkt herunterladen und in der täglichen Arbeit weiter verwenden.
  3. In der Maske „Demand Forecasting“ können die Benutzer nun Machine-Learning-basierte Prognosen erstellen. Die Haupttreiber, die unser Algorithmus neben den Verkaufsdaten berücksichtigt, sind die von der Johns Hopkins University gemeldeten Coronafälle und -todesfälle sowie das Google-Suchverhalten für jedes Land individuell. Basierend auf diesen Faktoren wird für jede Produkt-Länderkombination ein kurzfristiger Forecast erstellt. Die Ergebnisse lassen sich ebenfalls direkt herunterladen.

Demand-Planer sind mit den Auswirkungen dieser Pandemie konfrontiert und werden sich weiterhin durch die dringenden Herausforderungen, die die Krise an sie stellt, kämpfen. Organisationen lernen, wie sie das Ausmaß von Störungen besser planen, vorhersagen und reduzieren können, indem sie die erforderlichen Fähigkeiten entwickeln, um schnell und sicher auf künftige Ereignisse reagieren zu können. Wir sind davon überzeugt, dass unser COVID-19 Impact Analyzer Ihnen helfen wird, sich in diesen unsicheren Zeiten zurechtzufinden, und wir laden Sie ein, ihn sofort zu benutzen!

Empfohlene Artikel

CRM

Adressdaten: CRM vs. persönliche Vernetzung in XING & LinkedIn

„Wer seine Adressen pflegt, ebnet den Weg zum Erfolg“, diese Weisheit ist uns allen im Vertrieb bekannt – wie aber gehen wir …

weiterlesen
MDG

Erfüllen von DSGVO-Anforderungen mit SAP MDG

Die DSGVO steht bei den meisten großen und mittleren Unternehmen in der EU auf der Tagesordnung. Daher suchen diese Unternehmen …

weiterlesen
Procurement

Der Einkauf: vom Nebendarsteller zum strategischen Helden durch Automatisierung?

Wie Automatisierung dazu beitragen kann, das Wertversprechen des Einkauf zu verbessern. Der Einkaufsfunktion steht eine Transformation bevor und der zündende …

weiterlesen

Denken Sie Ihre Value Chain neu mit uns

Kontaktieren Sie uns