Vorhersage von Kundennachfrage.
Demand Forecasting in der Logistik.
In diesem Projekt haben wir eine Machine Learning Model Factory zur Prognose von Kundennachfrage im B2B-Bereich entwickelt und in die IT-Struktur des Kunden implementiert.
Herausforderung.
Die Kenntnis der Nachfragestruktur der eigenen Kunden bietet viele Möglichkeiten, interne und externe Prozesse sowie Abläufe generell zu optimieren. Unser Kunde, ein internationales Logistik-Unternehmen, stand vor der Herausforderung, Transportbedarfe für seine Kunden bereits einige Tage im Vorfeld identifizieren zu müssen. Somit kann eine entsprechende Allokation der Transportressourcen rechtzeitig geplant werden, sodass keine Engpässe in der Lieferkette des Kunden entstehen.
Ansatz.
Zur Vorhersage der voraussichtlichen Transportbedarfe wurden im ersten Schritt eine detaillierte Analyse der Daten sowie Klassifikationen der entsprechenden Zeitreihen vorgenommen. Wie im B2B Bereich häufig anzutreffen, zeigten nicht alle Kunden ein stabiles, saisonales Muster, sondern unterschieden sich sehr stark, sodass eine einzelne Modellspezifikation keine zufriedenstellende Forecasting Performance lieferte. Aus diesem Grund haben wir eine Model Factory, bestehend aus verschiedenen Modelltypen, entwickelt, die täglich vollautomatisch das am besten passende Modell zur Prognose des Kunden selektiert. Die Selektion basiert auf Backtests der Modelle sowie auf Bootstrap Resamples der vorhandenen Zeitreihendaten.
Ergebnis.
Die Ergebnisse der vollautomatischen Prognosen werden täglich in die internen Reporting- und Dashboardsysteme des Kunden eingespeist, wo sie vom jeweiligen Sachbearbeiter als Decision Support zur tatsächlichen Disposition bis heute erfolgreich genutzt werden.
Projekt Info.
Branche: Logistik
Thema: Forecasting
Tools: SQL, R
Aufwand: 1 Monat
Projektlaufzeit: 1,5 Monate
STATWORX Kontakt.
Ihr Ansprechpartner:
Fabian Müller
Leiter Data Science
Download Case.
Downloaden Sie diese Case Study als PDF zur weiteren Verwendung.