Eine Sache, die ich an der KI-Bewegung interessant finde, ist der kreative Einsatz von Daten und Algorithmen, um alte Probleme auf neue Weise zu lösen oder neue Probleme zu lösen.
Mein Kollege Vikram Srinivasan hat in einem früheren Blog-Beitrag über ein solches neues Problem gesprochen: AI verändert alles, was wir über die Prognose der Nachfrage gedacht haben.
Vik diskutierte, wie KI mit zusätzlichen Daten und neuen Algorithmen zur Verbesserung der Bedarfsprognose beiträgt. Er ging tiefer und erwähnte einen Bereich, den ich als völlig neues Problem einstufen würde: kurzfristige Prognosen.
Was ist eine kurzfristige Prognose? Ich würde es als Versuch beschreiben, die nächste Bestellung Ihres Kunden vorherzusagen. Dieses Problem tritt noch häufiger bei Verkäufern über schnell wachsende E-Commerce-Kanäle auf. Das heißt, wenn Sie ein Hersteller sind, der über Amazon, Walmart.com, Home Depot.com usw. verkauft, möchten Sie wissen, was er nächste Woche (oder in den nächsten Tagen) bei Ihnen bestellen wird.
Mit der herkömmlichen Prognose (auch mit der durch KI verbesserten traditionellen Prognose) können Sie Produktion, Lagerbestand und Kapazität besser planen. Und es zeigt Ihnen, wann Sie mit einem Anstieg der Nachfrage (wie bei der Saisonalität) rechnen müssen und welches Wachstum Sie planen sollten.
Kurzfristige Prognosen sind anders. Hier sind unsere Ziele kurzfristig und taktisch. Wir kümmern uns einfach darum, wie die nächste Bestellung aussehen wird. Das ist uns wichtig, weil wir so gemessen und bestraft werden. Wenn die Bestellung für 100 eingeht und wir nur 50 liefern, fallen Strafen an. Und wenn wir den Auftrag in einer Woche kürzen, können wir in den kommenden Wochen mit noch mehr Volatilität rechnen.
E-Commerce-Einzelhändler bieten eine längerfristige Prognose der voraussichtlichen Nachfrage nach Produkten. Diese Prognose ist jedoch in der Regel auf globaler Ebene (über alle Standorte hinweg aggregiert) und nicht sehr zuverlässig. Hersteller werden oft von den sehr unregelmäßigen Bestellungen auf Standortebene überrascht, die sie jede Woche erhalten.
In Wahrheit verfügen E-Commerce-Händler häufig über einen Algorithmus für maschinelles Lernen, mit dem diese Bestellungen aufgegeben werden. Die Algorithmen berücksichtigen nicht nur die erwartete Verbrauchernachfrage, sondern berücksichtigen auch Dinge wie die Anzahl der Besucher der Produktwebseiten, ob der Artikel kürzlich nicht vorrätig war und wie sich der Anbieter im Allgemeinen entwickelt hat.
Wie können Hersteller mithalten? Was ist, wenn sie Feuer mit Feuer bekämpften? Oder maschinelles Lernen mit maschinellem Lernen in diesem Fall. Wenn Hersteller lernen könnten, diese Auftragsalgorithmen rückzuentwickeln, könnten sie ihre Einblicke in kommende Aufträge erheblich verbessern und den Betrieb proaktiv anpassen, um nicht unvorbereitet zu bleiben.
AI kann dabei helfen, diese Algorithmen zurückzuentwickeln. Es sagt voraus, wie die Bestellung aussehen wird, indem dieselben Daten verwendet werden, über die der Einzelhändler verfügt - oder zumindest die Daten, die der E-Commerce-Einzelhändler derzeit mit seinen Anbietern teilt.
In diesem Sinne hängt dieses Problem auch eng mit dem Marketing-KI-Problem der Bereitstellung der nächstbesten Aktion oder dem Markt-KI-Problem der Abgabe einer Empfehlung zusammen. Letztendlich suchen wir nach unserem Algorithmus, der uns sagt, wie die nächste Aktion aussehen wird.
Für kurzfristige Prognosen sind sowohl interne Daten (frühere Bestellungen, vorherige Lieferleistung) als auch Daten aus dem E-Commerce-Händlerportal (nicht vorrätige Informationen, Informationen zum Seitenaufruf, Preisänderungen für das Produkt) erforderlich.
KI eröffnet viele neue Probleme, die es zu lösen gilt. Und mit dem anhaltenden Anstieg des E-Commerce werden Bereiche wie kurzfristige Prognosen immer häufiger.
Mike Watson ist Senior Vice President Betriebskostenanalyse Abteilung von Lamasoft. Mit einem Doktortitel in Wirtschaftsingenieurwesen und mehr als 20 Jahren Erfahrung in der Leitung globaler Geschäftsteams bei LogicTools, ILOG und IBM bringt Mike umfassende Erfahrung in den Bereichen Analyse und Optimierung der Lieferkette in das Team ein. Er kombiniert technisches Know-how mit einem persönlichen Ansatz, um Kunden bei der Entwicklung und Implementierung erfolgreicher Unternehmenslösungen zu unterstützen.
Quelle: https://logisticsviewpoints.com/2020/05/19/near-term-forecasting-ai/
