ML-basierte Absatzprognose mit Frühindikatoren
-
David Hellmers López
David Hellmers López, M. Sc., geb.1998, ist Consultant im Bereich AI & Data und Absolvent des Masterstudiums Management & Engineering (M. Sc.) am Institut für Produktionstechnik und -systeme (IPTS) der Leuphana Universität Lüneburg.
Kathrin Julia Kramer, M. Sc., geb. 1991, ist Wissenschaftliche Mitarbeiterin und Doktorandin im Bereich Produktionsmanagement am Institut für Produktionstechnik und -systeme (IPTS) der Leuphana Universität Lüneburg.
and
Matthias Schmidt
Prof. Dr.-Ing. habil. Matthias Schmidt, geb. 1978, studierte Wirtschaftsingenieurwesen an der Leibniz Universität und promovierte am Institut für Produktionsanlagen und Logistik (IFA) der selbigen Universität. Seit 2018 ist er Inhaber des Lehrstuhls für Produktionsmanagement am Institut für Produktionstechnik und -systeme (IPTS) der Leuphana Universität und übernahm zusätzlich 2019 die Leitung des Instituts.
Abstract
In einem von Unsicherheit geprägten Marktumfeld zu agieren stellt Unternehmen vor Herausforderungen. Verfahren des maschinellen Lernens (ML) bieten unter Einbeziehung von externen Frühindikatoren eine Möglichkeit, langfristige Absatzprognosen präziser als herkömmliche statistische Prognoseverfahren zu erstellen. Dieser Beitrag zeigt das Potenzial von ML unter Einbeziehung von externen Faktoren (z. B. Konjunkturdaten) für die Absatzprognosen eines Produkts von einem Chemieunternehmen auf.
Abstract
Operating in an environment characterised by uncertainty poses challenges for companies. machine learning (ML) methods, with the inclusion of external factors, offer the possibility of producing long-term demand forecasts more precisely than conventional statistical forecasting methods. In this paper, the potential of ML with the inclusion of leading indicators (e. g. economic data) for the demand forecasts of one product of a chemical company is shown.
Funding statement: Hinweis Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).
About the authors
David Hellmers López, M. Sc., geb.1998, ist Consultant im Bereich AI & Data und Absolvent des Masterstudiums Management & Engineering (M. Sc.) am Institut für Produktionstechnik und -systeme (IPTS) der Leuphana Universität Lüneburg.
Kathrin Julia Kramer, M. Sc., geb. 1991, ist Wissenschaftliche Mitarbeiterin und Doktorandin im Bereich Produktionsmanagement am Institut für Produktionstechnik und -systeme (IPTS) der Leuphana Universität Lüneburg.
Prof. Dr.-Ing. habil. Matthias Schmidt, geb. 1978, studierte Wirtschaftsingenieurwesen an der Leibniz Universität und promovierte am Institut für Produktionsanlagen und Logistik (IFA) der selbigen Universität. Seit 2018 ist er Inhaber des Lehrstuhls für Produktionsmanagement am Institut für Produktionstechnik und -systeme (IPTS) der Leuphana Universität und übernahm zusätzlich 2019 die Leitung des Instituts.
Literatur
1 Sagaert, Y. R.; Aghezzaf, E.-H.; Kourentzes, N.; Desmet, B.: Temporal Big Data for Tactical Sales Forecasting in the Tire Industry. INFORMS Journal on Applied Analytics 48 (2018) 2, S. 121–129 DOI:10.1287/inte.2017.090110.1287/inte.2017.0901Search in Google Scholar
2 Brühl, B.; Hülsmann, M.; Borscheid, D.; Friedrich, C. M.; Reith, D: A Sales Forecast Model for the German Automobile Market Based on Time Series Analysis and Data Mining Methods. In: Perner, P. (Hrsg.): Advances in Data Mining – Applications and Theoretical Aspects. Springer-Verlag, Berlin, Heidelberg 2009, S. 146–160 DOI:10.1007/978-3-642-03067-3_1310.1007/978-3-642-03067-3_13Search in Google Scholar
3 Sagaert, Y. R.; Kourentzes, N.; de Vuyst, S.; Aghezzaf, E.-H.; Desmet, B.: Incorporating Macroeconomic Leading Indicators in Tactical Capacity Planning. Intern. Journal of Production Economics 209 (2019), S. 12–19 DOI:10.1016/j.ijpe.2018.06.01610.1016/j.ijpe.2018.06.016Search in Google Scholar
4 Sangasoongsong, A.; Bukkapatnam, S. T.; Kim, J.; Iyer, P. S.; Suresh, R. P.: Multi-step Sales Forecasting in Automotive Industry Based on Structural Relationship Identification. International Journal of Production Economics 140 (2012) 2, S. 875–887 DOI:10.1016/j.ijpe.2012.07.00910.1016/j.ijpe.2012.07.009Search in Google Scholar
5 Niu, Y.: Walmart Sales Forecasting Using XGBoost Algorithm and Feature Engineering. In: Proceedingsof the International Conference on Big Data &; Artificial Intelligence &; Software Engineering (ICBASE). Bangkok, Thailand 2020, S. 458–461 DOI:10.1109/ICBASE51474.2020.0010310.1109/ICBASE51474.2020.00103Search in Google Scholar
6 Boone, T.; Ganeshan, R.; Jain, A.; Sanders, N. R.: Forecasting Sales in the Supply Chain: Consumer Analytics in the Big Data Era. International Journal of Forecasting 35 (2019) 1, S. 170–180 DOI:10.1016/j.ijforecast.2018.09.00310.1016/j.ijforecast.2018.09.003Search in Google Scholar
7 Currie, C. S. M.; Rowley, I. T.: Consumer Behaviour and Sales Forecast Accuracy: What's Going on and how Should Revenue Managers Respond? Journal of Revenue and Pricing Management (2010) 9, S. 374–376 DOI:10.1057/RPM.2010.2210.1057/RPM.2010.22Search in Google Scholar
8 Sagaert, Y. R.; Aghezzaf, E.-H.; Kourentzes, N.; Desmet, B.: Tactical Sales Forecasting Using a Very Large sSet of Macroeconomic Indicators. European Journal of Operational Research 264 (2018) 2, S. 558–569 DOI:10.1016/j.ejor.2017.06.05410.1016/j.ejor.2017.06.054Search in Google Scholar
9 Fry, C.; Brundage, M.: The M4 forecasting competition – A Practitioner’s View. International Journal of Forecasting 36 (2020) 1, S. 156–160 DOI:10.1016/j.ijforecast.2019.02.01310.1016/j.ijforecast.2019.02.013Search in Google Scholar
10 Fildes, R.; Goodwin, P.; Lawrence, M.; Nikolopoulos, K.: Effective Forecasting and Judgmental Adjustments: An Empirical Evaluation and Strategies for Improvement in Supply-chain Planning. International Journal of Forecasting 25 (2009) 1, S. 3–23 DOI:10.1016/j.ijforecast.2008.11.01010.1016/j.ijforecast.2008.11.010Search in Google Scholar
11 Bauer, M.; Kiefer, D.; Grimm, F.: Sales Forecasting Under Economic Crisis: A Case Study of the Impact of the COVID19 Crisis to the Predictability of Sales of a Medium-Sized Enterprise. In: Zimmermann, A.; Howlett, R. J.; Jain, L. C.; Schmidt, R. (Hrsg.): Human Centred Intelligent Systems – Proceedings of KES-HCIS 2021 Conference. Springer-Verlag, Singapore 2021, S. 163–172 DOI:10.1007/978-981-16-3264-8_1610.1007/978-981-16-3264-8_16Search in Google Scholar
12 Chase, C.: AI/Machine Learning Is Disrupting Demand Forecasting. In: Chase, C. W. (Hrsg.): Consumption-Based Forecasting and Planning. Wiley-VCH Verlag, USA 2021, S. 135–183 DOI:10.1002/9781119809890.ch510.1002/9781119809890.ch5Search in Google Scholar
13 Bontempi, G.; Ben Taieb, S.; Le Borgne, Y.-A.: Machine Learning Strategies for Time Series Forecasting. In: Aufaure, M. A.; Zimányi, E. (Hrsg.): Business Intelligence – Lecture Notes in Business Information Processing. Springer-Verlag, Berlin, Heidelberg 2013, S. 62–77 DOI:10.1007/978-3-642-36318-4_310.1007/978-3-642-36318-4_3Search in Google Scholar
14 Kuvulmaz, J.; Usanmaz, S.; Engin, S. N.: Time-Series Forecasting by Means of Linear and Nonlinear Models. In: Gelbukh, A.; Albornoz, Á. de und Terashima-Marín, H. (Hg.): MICAI 2005: Advances in Artificial Intelligence. Springer-Verlag, Berlin, Heidelberg 2005, S. 504–513 DOI:10.1007/11579427_5110.1007/11579427_51Search in Google Scholar
15 Crone, S. F.; Lessmann, S.; Pietsch, S.: Forecasting with Computational Intelligence – An Evaluation of Support Vector Regression and Artificial Neural Networks for Time Series Prediction. In: Proceedings of the 2006 IEEE International Joint Conference on Neural Network Proceedings. 16-21 July 2006, Vancouver, Bc, Canada 2006, S. 3159–3166 DOI:10.1109/IJCNN.2006.24729910.1109/IJCNN.2006.247299Search in Google Scholar
16 Leenatham, A.; Khemavuk, P.: Demand Forecasting Using Artificial Neural Network Based on Quantitative and Qualitative Data. In: Proceedings of the 1st International Conference on Big Data Analytics and Practices (IBDAP). 25-26 September 2020, Bangkok, Thailand 202, S. 1–6 DOI:10.1109/IBDAP50342.2020.924561410.1109/IBDAP50342.2020.9245614Search in Google Scholar
17 Petropoulos, F.; Makridakis, S.; Assimakopoulos, V.; Nikolopoulos, K.: ‘Horses for Courses’ in Demand Forecasting. European Journal of Operational Research 237 (2014) 1, S. 152–163 DOI:10.1016/j.ejor.2014.02.03610.1016/j.ejor.2014.02.036Search in Google Scholar
18 Ramos, P.; Santos, N.; Rebelo, R.: Performance of state space and ARIMA models for consumer retail sales forecasting. Robotics and Computer-Integrated Manufacturing 34 (2015), S. 151–163 DOI:10.1016/j.rcim.2014.12.01510.1016/j.rcim.2014.12.015Search in Google Scholar
19 Zhu, X.; Ninh, A.; Zhao, H.; Liu, Z.: Demand Forecasting with Supply-Chain Information and Machine Learning: Evidence in the Pharmaceutical Industry. Production and Operations Management 30 (2021) 9, S. 3231–3252 DOI:10.1111/poms.1342610.1111/poms.13426Search in Google Scholar
20 Rožanec, J.; Kazic, B.; Škrjanc, M.; Fortuna, B.; Mladenić, D.: Automotive OEM Demand Forecasting: A Comparative Study of Forecasting Algorithms and Strategies. Applied Sciences 11 (2021) 15, S. 1–19 DOI:10.3390/app1115678710.3390/app11156787Search in Google Scholar
21 Verstraete, G.; Aghezzaf, E.-H.; Desmet, B.: A Leading Macroeconomic Indicators’ Based Framework to Automatically Generate Tactical Sales Forecasts. Computers &; Industrial Engineering 139 (2019), 106169 DOI:10.1016/j.cie.2019.10616910.1016/j.cie.2019.106169Search in Google Scholar
22 Moroff, N. U.; Kurt, E.; Kamphues, J.: Machine Learning and Statistics: A Study for assessing innovative Demand Forecasting Models. Procedia Computer Science 180 (2021), S. 40–49 DOI:10.1016/j.procs.2021.01.12710.1016/j.procs.2021.01.127Search in Google Scholar
23 Feng, Q.; Shanthikumar, J. G.: How Research in Production and Operations Management May Evolve in the Era of Big Data. Production and Operations Management (2018) 9, S. 1670–1684 DOI:10.1111/poms.1283610.1111/poms.12836Search in Google Scholar
24 Studer, S.; Bui, B.; Drescher, C.; Hanuschkin, A.; Winkler, L.; Peters, S.; Müller, K.-R.: Towards CRISP-ML(Q): A Machine Learning Process Model with Quality Assurance Methodology. Machine Learning and Knowledge Extraction 3 (2021) 2, S. 392–413 DOI:10.3390/make302002010.3390/make3020020Search in Google Scholar
25 Armstrong, J.: Selecting Forecasting Methods. SSRN Electronic Journal (2009) DOI:10.2139/ssrn.194124710.2139/ssrn.1941247Search in Google Scholar
26 Gonçalves, J. N.; Cortez, P.; Carvalho, M. S.; Frazão, N. M.: A Multivariate Approach for Multi-step Demand Forecasting in Assembly Industries: Empirical Evidence from an Automotive Supply Chain. Decision Support Systems 142 (2021), Art.-Nr. 113452 DOI:10.1016/j.dss.2020.11345210.1016/j.dss.2020.113452Search in Google Scholar
27 Chase, C.: Next Generation Demand Management. 1. Aufl., John Wiley &; Sons, Ltd., Hoboken, New Jersey 2016 DOI:10.1002/978111944959110.1002/9781119449591Search in Google Scholar
28 Hyndman, R. J.; Koehler, A. B.: Another Look at Measures of Forecast Accuracy. International Journal of Forecasting 22 (2006) 4, S. 679–688 DOI:10.1016/j.ijforecast.2006.03.00110.1016/j.ijforecast.2006.03.001Search in Google Scholar
© 2023 Walter de Gruyter GmbH, Berlin/Boston, Germany
Articles in the same Issue
- Inhalt
- Editorial
- Auf dem Weg zur intelligenten Fabrik
- Fabrikplanung
- Level of Coordination in der Fabrikplanung
- Digitaler Wertstrom
- Universelle Datenschnittstelle für digitale Wertstromdienste
- Monitoring
- Überwachung von Werkzeugverschleiß
- Prozessüberwachung
- Klassifizierung von Prozesszuständen beim Bohren
- Ökologische Nachhaltigkeit
- Mit Künstlicher Intelligenz zu mehr Nachhaltigkeit
- Lieferketten
- Bewertungsmaß für die Resilienz als Kriterium für die Zuliefererauswahl
- Lieferkettengesetz ist im Januar in Kraft getreten
- Intralogistik
- Automatisierte Förderanlagenlayoutoptimierung für modulare Fördersysteme
- Maschinelles Lernen
- ML-basierte Absatzprognose mit Frühindikatoren
- Wirtschaftlichkeit
- Stufenmodell zur Wirtschaftlichkeitsbewertung
- Blockchain-Technologie
- Shared Economy & 3D-Druck: Einfach. Nachhaltig. Sicher.
- 5G-Campusnetze
- Private 5G-Campusnetze für den industriellen Einsatz in der Intralogistik
- Virtuelle Prüfung
- Wertschöpfung in Industrie 4.0
- Digitalisierung
- Digitalisierung: Krise verändert Fokus und Budgets
- Künstliche Intelligenz
- KI-Engineering für die Produktion im Kontext von Datenräumen
- Assistenzsysteme
- Digitale Arbeitsanweisungen basierend auf dem Digitalen Zwilling
- Vorschau
- Vorschau
Articles in the same Issue
- Inhalt
- Editorial
- Auf dem Weg zur intelligenten Fabrik
- Fabrikplanung
- Level of Coordination in der Fabrikplanung
- Digitaler Wertstrom
- Universelle Datenschnittstelle für digitale Wertstromdienste
- Monitoring
- Überwachung von Werkzeugverschleiß
- Prozessüberwachung
- Klassifizierung von Prozesszuständen beim Bohren
- Ökologische Nachhaltigkeit
- Mit Künstlicher Intelligenz zu mehr Nachhaltigkeit
- Lieferketten
- Bewertungsmaß für die Resilienz als Kriterium für die Zuliefererauswahl
- Lieferkettengesetz ist im Januar in Kraft getreten
- Intralogistik
- Automatisierte Förderanlagenlayoutoptimierung für modulare Fördersysteme
- Maschinelles Lernen
- ML-basierte Absatzprognose mit Frühindikatoren
- Wirtschaftlichkeit
- Stufenmodell zur Wirtschaftlichkeitsbewertung
- Blockchain-Technologie
- Shared Economy & 3D-Druck: Einfach. Nachhaltig. Sicher.
- 5G-Campusnetze
- Private 5G-Campusnetze für den industriellen Einsatz in der Intralogistik
- Virtuelle Prüfung
- Wertschöpfung in Industrie 4.0
- Digitalisierung
- Digitalisierung: Krise verändert Fokus und Budgets
- Künstliche Intelligenz
- KI-Engineering für die Produktion im Kontext von Datenräumen
- Assistenzsysteme
- Digitale Arbeitsanweisungen basierend auf dem Digitalen Zwilling
- Vorschau
- Vorschau
