Article

Wie ein Modell zur statistischen Prognose in SAP IBP erstellt wird

Dieser Blogeintrag thematisiert die mittelfristige und langfristige Prognose des Bedarfs mithilfe statistischer Prognosemodelle.
Erschienen

Januar 2020 (Dezember 2017)

Möchten Sie den Artikel auf Englisch lesen?
Kontakt

Author

Preben Holst Nielsen

Statistische Prognosemodelle sollten für die mittelfristige und langfristige Bedarfsplanung eingesetzt werden. Ohne Prognose besteht nur eine eingeschränkte Entscheidungsbasis für Fragen wie etwa, welche Produkte produziert werden, welche ausgeliefert werden und welche in den Lagerbestand fließen sollen. SAP IBP bietet Prognoseverfahren sowohl für den mittel- und langfristigen, als auch für den kurzfristigen Planungshorizont – bekannt als Demand Sensing. Neuprodukt-Einführungen werden mit Phase-in-, auslaufende Produkte mit Phase-out Kurven geplant. In Kombination mit Entscheidungen sind dies essenzielle Informationen, um eine bestmögliche Absatzprognose zu gewährleisten. Dieser Artikel geht auf die mittelfristige und langfristige Prognose mithilfe von statistischen Prognosemodellen ein.

Ein statistisches Prognosemodell in SAP IBP umfasst drei Schritte

Wenn ein Prognosemodell erstellt wird, werden zuerst die gewünschten Prognosealgorithmen bestimmt und festgelegt, welche Input- und Output Kennzahlen verwendet werden. An dieser Stelle wird entschieden, wie die Absatzprognose berechnet wird, welche historischen Daten in die Kalkulation einfließen und wo die Prognoseresultate gespeichert werden. Das heißt, das Prognosemodell ist lediglich ein Behälter für die Funktionalität. Im Prognosemodell selbst kann nicht definiert werden, wann die Berechnung ausgeführt wird oder auf welcher Aggregationsebene die Absatzprognose stattfinden soll.

Das Prognosemodell besteht aus drei Schritten: Vorverarbeitungsschritt, Prognoseschritt und Nachbearbeitungsschritt. Welche Schritte für das individuelle Prognosemodell nötig sind, kann frei gewählt werden.

Screenshot from a forecast model created in IBP

Bereinigung historischer Daten

Die Kennzahllogik in SAP IBP kann für die Bereinigung historischer Daten verwendet werden. Dies ist in unserem ersten Blogeintrag beschrieben. Innerhalb der Kennzahllogik wird festgelegt, wie zum Beispiel negative Werte behandelt werden und ob eine Kennzahl für manuelles Überschreiben benötigt wird. Auch ein Algorithmus im Prognosemodell kann für die Korrektur von Ausreißern und das Ersetzen fehlender Werte verwendet werden.

Mittels Ausreißerkorrektur wird definiert, welche Methode zur Identifikation von Ausreißern implementiert wird und wie Ausreißer ersetzt werden.

Einfache statistische Prognose

SAP IBP bietet eine Vielzahl statistischer Prognosemodelle. Bei der Wahl des Prognosemodells ist unbedingt zu beachten: Ein Prognosemodell kann sehr gut zu historischen Daten passen, doch das garantiert nicht, dass es auch die beste Wahl für Prognosen des zukünftigen Bedarfs ist. Unserer Ansicht nach bringt es einen größeren Mehrwert, sich auf den richtigen Input zu fokussieren, anstatt durch Analyse, Pflege und häufige Wechsel zwischen Prognosemodellen in Komplexität zu versinken.

By following a clear and transparant decision tree when determining the statistical forecast approach, we get a robust and transparent baseline forecast

Eine einfache exponentielle Glättung mit einem niedrigen Alpha-Koeffizienten erzeugt eine konstante Zukunftsprognose, wobei der Alpha-Wert die Reaktivität des Modells bestimmt. Die Saisonalität sollte dabei nicht ignoriert werden. Wird Saisonalität erwartet, sollte sich dies auch im Prognosemodell widerspiegeln. Für drastische Veränderungen auf Bedarfsseite und die Darstellung langfristiger Trends ist es unerlässlich, Eingaben von Vertrieb und Marketing zu erhalten. Diese Logik sollte in Kennzahlen erstellt werden und so in eine vollständige Bedarfsprognose einfließen.

Die Bedarfsprognose bewerten

Im Nachbearbeitungsschritt wird definiert, mit welchen Fehlerkennzahlen die Prognose ausgewertet werden soll. Der Gesamtprognosefehler setzt sich aus drei Elementen zusammen: Nachfrageabweichung, Verzerrung (Bias) und Prognoseabweichung. Die Trennung dieser Elemente und ein strukturierter Ansatz in der Bewertung sind die Schlüssel zur Verringerung des Prognosefehlers.

Das Prognosemodell ausführen

Bei der Erstellung eines Prognosemodells können dem Modell Planungskombinationen zugeordnet oder das Modell mit Planungsfiltern ausgeführt werden. So lassen sich Planungskombinationen mit Prognosemodellen kombinieren. Ein Prognosemodell kann vom Excel-Frontend ausgeführt oder als wiederkehrender Job in der Web-Benutzeroberfläche eingerichtet werden.

Bei der Ausführung des Modells wird die Aggregationsebene definiert. Soll das Prognosemodell detailliert für Produkt, Standort und Kundenkombination oder auf Produktfamilien- und Regionsebene ausgeführt werden? Liegt die Aggregationsebene höher als die Basisplanungsebene der Eingabekennzahl, wird der Aggregationsmodus der Kennzahlen verwendet, und die Daten werden aufsummiert, bevor die Berechnung erfolgt.

Statistical Forecasting Operator

Ist der Job abgeschlossen, lassen sich die Prognosewerte in der definierten Output-Kennzahl überprüfen. Die Basis für die Bedarfsprognose ist nun erstellt. Zusätzliche Informationen aus Vertrieb und Marketing können in weiteren Kennzahlen hinzugefügt werden und die Bedarfsplanung vervollständigen.