Die meisten Bedarfsprognosen beruhen auf Verkaufshistorie. Die verrät Ihnen, was Sie ausgeliefert haben, und das ist ein brauchbarer Näherungswert für den Bedarf, bis man genauer hinsieht. Verkaufsdaten verbergen den Bedarf, den Sie nicht decken konnten, den Kunden, der vor dem leeren Regal stand und woanders kaufte, und sie hinken der Realität um genau die Zeit hinterher, die der Buchabschluss braucht.
IoT verändert die Eingangsdaten. Ein vernetzter Spender, ein überwachter Behälter, eine erfasste Leitung und ein verfolgter Anlagenteil messen alle den Verbrauch, während er passiert, dort wo er passiert. Das kommt dem wahren Bedarf näher als eine Rechnung, und es trifft in Echtzeit ein statt zum Monatsende. Der Haken ist, dass rohe Verbrauchsmesswerte noch keine Prognose sind, sondern der Rohstoff dafür, und den Datenstrom in eine Zahl zu verwandeln, mit der das Unternehmen planen kann, erfordert ein paar gezielte Schritte. Hier ist der Weg.
Warum IoT-Daten die bessere Grundlage für den Bedarf sind
Verkaufszahlen beantworten die Frage ‘Was haben wir verkauft?’. Verbrauchsdaten beantworten die Frage ‘Was haben die Leute tatsächlich genutzt?’, und die Lücke zwischen beiden ist genau die Information, die eine Bedarfsprognose braucht. Ein Verkaufsautomat, der Bestände meldet, zeigt den Bedarf auch für den Artikel, der mittags ausverkauft war und den Rest des Tages keine Verkäufe mehr erzeugt hat. Ein überwachter Tank am Kundenstandort zeigt dessen echte Verbrauchsrate, nicht nur den Zeitpunkt der Bestellungen.
Weil das Signal an der Quelle und in Echtzeit gemessen wird, aktualisiert es sich auch weit schneller als eine verkaufsgetriebene Prognose. Sie sehen eine Bedarfsverschiebung, sobald sich der Verbrauch bewegt, nicht Wochen später, wenn das Nachbestellmuster sie endlich abbildet. Für alles, was sich schnell umschlägt, ist diese Geschwindigkeit der Vorteil.
Schritt eins: aus Messwerten eine Bedarfsreihe machen
Rohe IoT-Daten sind noch kein Bedarf. Ein Füllstandssensor meldet, wie voll ein Tank ist; Bedarf ist, wie schnell er sich leert. Der erste Schritt ist also, aus der Zustandsreihe eine Verbrauchsreihe abzuleiten: Füllstände zu einer Verbrauchsrate differenzieren, Ausgabeereignisse zählen oder den gemessenen Durchfluss pro Zeitraum summieren. Das ist eine unkomplizierte Umformung in einer TagoIO Analysis, die die Rohvariable liest und eine saubere Verbrauchsvariable pro Stunde oder pro Tag schreibt.
Machen Sie diese Schicht richtig, denn alles Nachgelagerte prognostiziert die abgeleitete Reihe, nicht die Rohmesswerte. Behandeln Sie hier auch die offensichtlichen Fallen: eine Nachfüllung sieht aus wie negativer Verbrauch und muss herausgefiltert werden, und eine Sensorlücke darf nicht als Nullbedarf gelesen werden.
Schritt zwei: die Bedarfsreihe prognostizieren
Mit einer sauberen Verbrauchsreihe wird daraus gewöhnliche Zeitreihenprognose. Bedarf trägt meist eine starke Saisonalität, Tageszeit, Wochentag und oft ein Jahresmuster, also ist ein saisonales Modell der richtige Ausgangspunkt, und es gilt dieselbe Steigerung wie bei jeder IoT-Prognose: zuerst die saisonale Basislinie, maschinelles Lernen erst dann, wenn ein Signal von mehreren Treibern abhängt und das einfachere Modell messbar versagt hat.
Bedarfsprognosen profitieren besonders von externen Treibern. Wetter bewegt den Verbrauch vieler Produkte. Aktionen, Feiertage und lokale Ereignisse bewegen ihn stark. Wo Sie diese Daten haben, speisen Sie sie ein, denn ein Bedarfssprung rund um ein bekanntes Ereignis ist nur dann vorhersagbar, wenn das Modell weiß, dass das Ereignis kommt.
Schritt drei: pro Einheit prognostizieren, dann aggregieren
Eine einzelne verschmolzene Bedarfszahl verbirgt die Detailtiefe, die der Betrieb braucht. Das stärkere Muster ist, auf Einheitenebene zu prognostizieren, pro Maschine, pro Standort, pro SKU, mithilfe von Tags ein Skript über die gesamte Flotte laufen zu lassen und dann zu aggregieren. Das gibt Ihnen sowohl die Summe für die Planung als auch die Aufschlüsselung für das Handeln: welche Standorte im Aufwärtstrend liegen, welches Produkt wo bald knapp wird.
Das Aggregieren von Prognosen auf Einheitenebene ist tendenziell auch genauer, als die verschmolzene Summe direkt zu prognostizieren, weil das Muster jeder Einheit sauberer ist als die verrauschte Summe, und es erlaubt Ihnen, jedes lokale Signal an die Person zu leiten, die darauf reagiert.
Von der Prognose zur Entscheidung
Eine Bedarfsprognose rechtfertigt ihre Kosten, wenn sie Bevorratung, Produktion und Distribution steuert. Nachschub: Bestand an die Maschine oder den Standort schicken, von dem die Prognose sagt, dass er knapp werden wird, bevor es passiert. Produktionsplanung: Ausstoß gegen den prognostizierten Bedarf planen statt gegen die Verkäufe des letzten Monats. Distribution: Bestand dort positionieren, wo der Bedarf im Trend liegt, nicht dort, wo er war.
Auf TagoIO ist die Schleife vertraut. Geräte melden den Verbrauch, eine geplante Analysis leitet die Bedarfsreihe ab und prognostiziert sie pro Einheit, und die Vorhersagen werden als Variablen zurückgeschrieben, die Dashboards, Alerts und nachgelagerte Systeme über die API speisen. Mit TagoIO Analytics wohnt die wetter- und ereignisbewusste Bedarfsprognose direkt neben den Verbrauchsdaten.
Fangen Sie mit einem Produkt und einer Entscheidung an
Wählen Sie ein Produkt, bei dem Fehlbestände oder Überbestände Sie Geld kosten, leiten Sie seine Verbrauchsreihe ab, prognostizieren Sie sie pro Einheit und verdrahten Sie die Prognose mit einer Entscheidung, Nachschub zeigt meist am schnellsten seinen Wert. Beweisen Sie es an einer Produktlinie, dann skalieren Sie denselben tagbasierten Ansatz über den ganzen Katalog.
IoT liefert Ihnen den Bedarf, an der Quelle in Echtzeit gemessen. Sehen Sie, wie TagoIO Analytics diesen Datenstrom in eine Prognose verwandelt, mit der das Unternehmen planen kann.
TagoIO Analytics erstellt das Nachfragemodell für Sie, ganz ohne Code. Melden Sie sich unter sight.tago.io/login mit Ihrem TagoIO-Konto an und trainieren Sie in wenigen Minuten eine Prognose auf Basis Ihrer Verbrauchsdaten, inklusive Anomalieerkennung und ohne Data Scientist.
