Die Wahrscheinlichkeit der Auftragseingänge valide vorhergesagt: welches Unternehmen träumt nicht hiervon?
In Bezug auf den Prognosehorizont und die Validierung KI-basierter Langfristprognosen stellen sich viele grundlegende Fragen. Professoren in Baden-Württemberg haben das Privileg, nach Semestern durchgängiger Lehre ein Forschungssemester zur Bearbeitung z.B. solcher Grundlagenfragestellungen zu nehmen. Hierfür können sie entweder in klassischen Forschungseinrichtungen tätig sein, oder aber in Unternehmen. Im Wintersemester 19/20 durften wir Prof. Dr. Christof Mosler von der Hochschule für Technik Stuttgart bei Spicetech willkommen heißen. Christof unterrichtet IT-Management, Software Engineering und Datenschutz für die Studiengänge Informatik und Wirtschaftsinformatik. Darüber hinaus ist er Datenschutzbeauftragter und Beauftragter für Partnerhochschulen.
Christof unterstützte uns bei der Erprobung unseres Predictive Analytics-Tool PREDECY in neuen Bereichen. Auch gab er zahlreiche Impulse und alternative Konzepte zur Optimierung der Architektur. Ein Schwerpunkt ist die Definition für Maßnahmen zur Erhöhung der gleichzeitigen Systemperformance. Dies bewirkt, dass statt täglicher Prognosen auch über längere Zeiträume stündliche Prognosen kalkuliert sind. Daneben überarbeitete er die Architektur zur Schnittstellenimplementierung: Diese ermöglicht einerseits das Hochladen von Kundendaten (z.B. neue Produkte, historische Umsatzdaten, Einflussparameter wie beispielsweise Marketingkalender), andererseits das Abrufen von Prognosedaten zum Transfer in die Zielsysteme/ ERP-Systeme der Kunden.
Ein weiterer Schwerpunkt war die Analyse des Limits des Prognosehorizonts von PREDECY. Allen voran die Konzeptentwicklung für Langfristprognosen für den Use Case Logistik: Lagerverwaltung und Lieferungen müssen oft Monate im Voraus geplant werden. Jedoch werden die Prognosen umso ungenauer, je weiter sie in der Zukunft liegen. Für einen Logistikkonzern konzipierte Christof zusammen mit einem Automobilzulieferer eine KI-Konfiguration, welche Tageswerte auf einen Gesamtwert zum Monatsende kumuliert, und sowohl Ziel- als auch Ungenauigkeitswerte lernt. Hier wurden verschiedene mittelfristige Einflussvektoren getestet, darunter z.B. Aktienkurse.
Was steht nun in den Büchern in fünf Monaten? Wie lässt sich die Wahrscheinlichkeit der Auftragseingänge quantifizieren?
Im Rahmen des auf realen Daten basierenden Proof-of-Concepts konnten wir tatsächlich Absatzzahlen prognostizieren, die über bis zu sechs Monate in die Zukunft blicken lassen. Zwei geschätzte Vorteile: Zum einen zeigen die Prognosen klar an, für welche Produkte oder Dienstleistung die Unsicherheit hoch ist. Zum anderen liegen die Prognosen im Validierungszeitraum im Mittel bereits im Proof-of-Concept besser als die bis dato vorgenommenen menschlich zusammengetragenen Forecasts.
Nach diesem halben Jahr der sowohl fachlich als auch persönlich sehr bereichernden Zusammenarbeit freuen wir uns auf die weitere gemeinsame Kooperation und bedanken uns herzlich.