80–90 % Umsatzprognosegenauigkeit für einen führenden Agrarproduzenten

Ziele: Unser Kunde wollte die Produktionsplanung und die Lagerverwaltung auf der Grundlage einer genauen Vorhersage der Verkaufsmengen für jeden Kunden verbessern.    

Lösung: Die Dateningenieure von Infopulse haben eine Lösung für Absatzprognosen entwickelt, die auf Machine Learning basiert und eine durchschnittliche Genauigkeit von 80–90 % für wöchentliche und monatliche Prognosen aufweist.    

Vorteile: Die Produktionsplanung wird optimiert, die Lagerbestände, das Flächenmanagement und die Logistik verbessert und die Zeit für Absatzprognosen von Tagen auf wenige Minuten verkürzt.    

Gelieferte Dienstleistungen: Innovationsdienstleistungen, Intelligent Business, Intelligente Automatisierung, Smart Insights, KI/ML-Services, vorausschauende Analytik, BI und Data Analytics und erweiterte Analytik.    

Die Dateningenieure von Infopulse haben eine Lösung für Absatzprognosen entwickelt, die auf dem Prophet-Modell für wöchentliche Prognosen und dem XGBoost-Modell für monatliche Prognosen basiert.    

Die ML-basierten Absatzprognosemodelle, die Infopulse eingeführt hat, boten unserem Kunden eine Vielzahl von Vorteilen: 

• Bessere Absatzplanung: Eine genaue Absatzprognose hilft, Über- oder Unterproduktionen zu vermeiden und das Risiko von Fehlbeständen zu minimieren.
• Rationalisierung von Produktions- und Vertriebsprozessen: Durch genaue Absatzprognosen lassen sich die erforderlichen Produktionsmengen optimieren und die Logistik vereinfachen.
• Optimierte Lagerbestände und -flächen: Minimierung von Restbeständen, Abfall und Lagerung.
• Verbesserung des Serviceniveaus (falls nicht vorrätig): Die rechtzeitige Lieferung der erforderlichen Produktmengen an die Kunden wird sichergestellt.
• Effizientere Nutzung des Kapitals und höhere Gewinne: Die Produktion ist vollständig mit genauen Absatzprognosen koordiniert, sodass die Ressourcenverschwendung minimiert wird.
• Schnellere Prognosen: Verglichen mit manuellen Absatzprognosen hat unsere Lösung die Zeit für die Erstellung einer Absatzprognose von einigen Tagen auf wenige Minuten reduziert.
• Eine höhere Genauigkeit der Prognosen durch automatisierte Datenverarbeitung und die Auswahl eines präziseren Modells. Mit jedem neuen Datensatz, der von unseren Modellen verarbeitet wird, verbessert sich auch die Prognosegengenauigkeit.

Technische Informationen

Die Datenwissenschaftler von Infopulse begannen mit einer gründlichen Analyse des vom Kunden erhaltenen Datensatzes mit der Entwicklung der Lösung zur Absatzprognose. Für die Entwicklung der Prognosemodelle haben wir einen standardisierten, aber effektiven technologischen Ansatz gewählt und Python und Jupyter Notebook verwendet. Um Zeit bei der Entwicklung zu sparen und die Ergebnisse abzusichern, haben wir auch Azure ML verwendet, um unsere Modelle mit AutoML zu trainieren.

Nach Auswertung der erhaltenen Ergebnisse selektierte das Team die Modelle, die am leistungsfähigsten waren, erstellte die analytischen Berichte und präsentierte die Ergebnisse mit Microsoft Power BI:

• Basierend auf den Ergebnissen des Modelltrainings entschieden sich die Datenwissenschaftler von Infopulse für das Prophet-Modell mit wöchentlichen Prognosen. 4 von 28 prognostizierten Fällen wiesen eine Genauigkeit von bis zu 90% auf, während bei den restlichen 24 Fällen eine Genauigkeit von 80–89 % erreicht wurde.
• Das beste Modell für die monatliche Prognose ist XGBoost, das für 19 von 28 vorhergesagten Fällen eine Genauigkeit von bis zu 90 % erreicht, während 4 Fälle eine Genauigkeit von 80–89 % und die restlichen 5 eine Genauigkeit von weniger als 80% aufweisen.