Herausforderung
Die Kenntnis der Nachfragestruktur der eigenen Kund:innen bietet viele Möglichkeiten, interne und externe Prozesse sowie Abläufe generell zu optimieren. Unser Kunde, ein internationales Logistik-Unternehmen, stand vor der Herausforderung, Transportbedarfe für seine Kund:innen bereits einige Tage im Vorfeld identifizieren zu müssen. Unter dieser Voraussetzung kann eine entsprechende Allokation der Transportressourcen rechtzeitig geplant werden, sodass keine Engpässe in der Lieferkette des Kunden entstehen.
Ansatz
Zur Vorhersage der voraussichtlichen Transportbedarfe wurden im ersten Schritt eine detaillierte Analyse der Daten sowie Klassifikationen der entsprechenden Zeitreihen vorgenommen. Wie im B2B-Bereich häufig anzutreffen, zeigten nicht alle Kund:innen ein stabiles, saisonales Muster, sondern unterschieden sich sehr stark in ihrem Verhalten, sodass eine einzelne Modellspezifikation keine zufriedenstellende Forecasting-Performance lieferte. Aus diesem Grund haben wir eine Model Factory, bestehend aus verschiedenen Modelltypen, entwickelt, die täglich vollautomatisch das passendste Modell zur Prognose des Kunden selektiert. Die Selektion basiert auf Backtests der Modelle sowie auf Bootstrap Resamples der vorhandenen Zeitreihendaten.
Ergebnis
Die Ergebnisse der vollautomatischen Prognosen werden täglich in die internen Reporting- und Dashboardsysteme des Kunden eingespeist, wo sie vom jeweiligen Sachbearbeitenden als Decision Support bis heute erfolgreich zur Disposition genutzt werden.