Bayesianischer Forecast auf TM1-Daten

Ein Predictive Forecast nutzt stochastische Modelle, um zukünftige Entwicklungen effizienter zu prognostizieren, als es traditionelle Verfahren ermöglichen. Die Prognosen basieren auf historischen Daten, können im Spezialfall aber auch Echtzeitsysteme als Quelle besitzen. Die Vorhersagen können durch menschliche Interventionen und Maßnahmen adäquat an spezielle, im Modell nicht vorhergesehene Gegebenheiten, angepasst werden. Mit den Methoden des Predictive Forecast werden Prognosen exakter, Maßnahmenplanung realistischer und die Unternehmenssteuerung effizienter.

Die herkömmlichen Forecast-Strategien

Der Forecast ist der besonders dynamische Bereich zwischen dem fertigen PLAN und dem nachrückenden IST. Die einfachste Methode ersetzt die Planwerte sukzessiv durch eintreffende Ist-Werte und präzisiert so die Entwicklung des Jahresergebnisses.

Eine Verbesserung wird erreicht, indem eintreffende Erkenntnisse über die Zukunft fortlaufend den ursprünglichen Plan präzisieren. Eine weitere Ausbaustufe könnte eine kurzfristige Maßnahme-Planung im FC-Bereich sein. Diese unterschiedlichen Methoden sind vielfach erprobte Bestandteile unserer TM1-nativen Paladin-Lösungen.

Unser Bayesian-Forecast-System

Ein entscheidender Vorteil liegt darin, dass keine Einzelwerte, sondern ganze Wahrscheinlichkeits-Verteilungen prognostiziert werden. Dadurch, dass viele der in der Praxis verwendeten Forecast-Methoden als dynamisch lineares Modell formulierbar sind, sind diese als Spezialfälle (z.B. ARIMA und MLR) in unserer Lösung enthalten. Unser System kann durch entsprechende Parametrisierung auf eine große Bandbreite von Anwendungen angepasst werden.

Unser Bayesian-Forecast-System bietet eine automatische Anpassung auf die Dynamik einer Zeitreihe durch Cross-Validierung gegen Vergangenheitsdaten. Daraus folgend kann sich unser System sowohl an langfristige Trends als auch an kurzfristige Saisonaliäten anpassen, wie sie beispielsweise bei Monatswerten im Rechnungswesen auftreten.

Die flexible Wissens-Repräsentation in Form von Wahrscheinlichkeitsverteilungen erlaubt es dem System, von Experten zu lernen, die ihre Zukunftsvorhersagen meist statistisch ausdrücken (z.B. "mit 60 Prozent Sicherheit liegt unser Auftragswert für Produkt X im nächsten Monat zwischen 100.000 Euro und 150.000 Euro").