Was ist eine Prognose?

Prognosemethoden können qualitativ oder quantitativ sein:

Qualitative Methoden

Qualitative Prognosen stützen sich auf Marketingexperten, um kurzfristige Vorhersagen zu treffen. Qualitative Methoden können verwendet werden, wenn nicht genug historische Daten vorhanden sind. Dies sind zwei Beispiel-Anwendungsfälle:

• Marktforschungsmethoden wie Umfragen und Erhebungen ermitteln die Nachfrage der Konsumenten.
• Bei der Delphi-Modellierung werden Experten auf einem bestimmten Gebiet befragt, um ihre Meinungen einzuholen und Trends in diesem Bereich vorherzusagen.

Quantitative Methoden

Quantitative Prognosemodelle benutzen aussagekräftige Statistiken und historische Daten, um langfristige zukünftige Trends vorherzusagen. Im Folgenden finden Sie Beispiele für übliche quantitative Methoden:

• Bei der ökonometrischen Modellierung werden Finanzdaten, z. B. Kredit- und Investmentdaten, analysiert, um wichtige wirtschaftliche Veränderungen und ihre Auswirkungen auf das Unternehmen vorherzusagen.
• Der Indikatoransatz vergleicht Datenpunkte, um Zusammenhänge zwischen scheinbar unverbundenen Daten zu erkennen. So können beispielsweise Veränderungen des BIP zur Prognose der Arbeitslosenquote verwendet werden.
• In diesem Szenario werden die BIP-Daten als Leitindikator und die Arbeitslosenquote als nachlaufender Indikator bezeichnet.
• Bei der Prognose von Zeitreihen werden Daten analysiert, die über verschiedene Zeitintervalle gesammelt wurden, um künftige Trends vorherzusagen. 

Die Zeitreihenprognose ist eine Methode der Datenwissenschaft, die Machine Learning und andere Computertechnologien verwendet, um vergangene Beobachtungen zu untersuchen und die Werte von zukünftigen Zeitreihendaten vorherzusagen. Schauen wir uns einige Beispiele für Zeitreihenprognosen an:

• Astronomische Daten bestehen aus den sich über Jahrhunderte hinweg wiederholenden Bewegungen der Planeten. Man kann diese Daten verwenden, um astronomische Ereignisse wie Finsternisse und Kometen genau vorherzusagen.
• Für die Wetterprognose werden Wind- und Temperaturmuster benutzt, um Wetteränderungen vorherzusagen.
• Wissenschaftler können Geburtenraten und Migrationsdaten verwenden, um das Bevölkerungswachstum vorherzusagen.

Zeitreihenanalyse vs. Zeitreihenprognose

Bei der Zeitreihenanalyse werden die grundlegenden Ursachen der Zeitreihendaten untersucht. In diesem Bereich geht es darum, das „Warum“ eines Zeitreihen-Datensatzes zu verstehen. Die Analysten müssen häufig Annahmen machen und die Daten zerlegen oder aufschlüsseln, um aussagekräftige Statistiken und andere Merkmale zu erhalten.

Während es bei der Zeitreihenanalyse darum geht, den Datensatz zu verstehen, geht es bei der Prognose darum, ihn vorherzusagen. Dies sind die drei Schritte der prädiktiven Modellierung:

• Das Stellen einer Frage und das sammeln eines Beispielsatzes von Zeitreihendaten, die diese Frage für einen vergangenen Zeitraum beantworten.
• Das Trainieren der Computersoftware oder des Prognose-Algorithmus mit den Werten der Vergangenheit.
• Die Verwendung des Prognose-Algorithmus, um zukünftige Beobachtungen zu machen.

Prognosen liefern Unternehmen relevante und zuverlässige Informationen über die Gegenwart und die Zukunft. Im Folgenden beschreiben wir einige Anwendungsfälle der Prognosetechnologie:

Produktion – Wie verwendet More Retail Limited die Automatisierung zur Prognose des Produktabsatzes?

More Retail Ltd. (MRL) ist einer der vier größten Lebensmittel-Einzelhändler Indiens mit einem Umsatz von mehreren Milliarden USD. Sie verfügen über ein ausgedehntes Netz von Filialen und eine komplexe Lieferkette. Sie verließen sich bei der Abschätzung und Bestellung von Lagerbeständen auf das persönliche Urteil der Filialleiter, was jedoch für ein schlechteres Kundenerlebnis sorgte, insbesondere bei den Frischwaren. MRL verwendete die Prognose-Services von AWS, um ein automatisches Bestellsystem zu entwickeln, mit dem die Verschwendung von frischen Lebensmitteln um 30 % reduziert werden konnte.

Fertigung – Wie verwendet Foxconn Prognosen zur Steuerung der Nachfrage im Bereich der Fertigung?

Die Hon Hai Technology Gruppe (Foxconn) ist der weltweit größte Hersteller und Anbieter von Elektroniklösungen. Während der COVID-19-Pandemie musste sich Foxconn mit einer beispiellosen Volatilität der Kundennachfrage, des Angebots und der Kapazitäten außeinandersetzten. Das Unternehmen arbeitete mit dem Amazon Machine Learning Solutions Lab zusammen, um genaue Prognosen für die Nettobestellungen seiner Fabrik in Mexiko zu erstellen. Diese Prognosen führten zu jährlichen Einsparungen von über 500 000 USD.

Kundendienst – Wie setzt Affordable Tours Prognosen zur Verbesserung des Kundenerlebnisses ein?

Affordable Tours.com ist einer der größten Anbieter von begleiteten Touren, Kreuzfahrten, Flusskreuzfahrten und Aktivurlauben in den Vereinigten Staaten. Sie hatten Schwierigkeiten, Ressourcen für die Bearbeitung von Kundenanrufen zuzuweisen. An manchen Tagen waren zu viele Kundendienstmitarbeiter im Einsatz, an anderen zu wenige, was zu uneinheitlichen Kundenerlebnissen und einer erhöhten Quote an verpassten Anrufen führte. Sie benutzten Amazon Forecast, um das Kundenanrufs-Volumen besser vorherzusehen, und verbesserten ihre Quote der verpassten Anrufe um 20 %.