Einführung des MMF Agents für Bedarfsplanungsteams
von Ryuta Yoshimatsu , Puneet Jain, Lourdes Angélica Martinez Medina, Lucas Bruand und Dael Williamson
*Die Bedarfsprognose in Unternehmen ist für Altsysteme zu komplex geworden – Millionen von Zeitreihen, die Zunahme von SKUs und enge Planungszyklen haben sowohl die Technologie als auch die für den Betrieb verfügbaren Fachkräfte überholt
*Der MMF Agent ist ein geführter KI-Workflow auf Basis von Genie Code, der das Multi-Modell-Prognose-Framework von Databricks zugänglich macht, ohne dass tiefgehendes Data-Science-Fachwissen erforderlich ist
*Teams, die den MMF Agent nutzen, verkürzen die tagelange Einrichtung auf wenige Stunden, erstellen sauberere Trainingsdaten und erzielen Verbesserungen bei der Multi-Modell-Genauigkeit, die bisher nur Unternehmen mit spezialisierten Prognose-Experten vorbehalten waren
Nachfrageprognosen standen schon immer im Mittelpunkt der Planung im Einzelhandel und im CPG-Bereich. Sie prägen Bestandsentscheidungen, beeinflussen Produktionspläne, steuern Investitionen in Verkaufsförderung und bestimmen die Rahmenbedingungen für jedes darauffolgende S&OP-Gespräch. Wenn die Prognose falsch ist, steigen die Kosten schnell an, was zu Lieferengpässen, Überbeständen, Margenverlusten und nachgelagerten Störungen führt, die sich sowohl auf die Lieferkette als auch auf die Vertriebsteams auswirken.
Was sich in den letzten Jahren geändert hat, ist nicht die Bedeutung der Prognose. Es ist der Schwierigkeitsgrad.
Vor einem Jahrzehnt konnte ein Nachfrageplaner, der mit einigen tausend SKUs über eine Handvoll Kanäle hinweg arbeitete, die Prognosequalität mit einer Kombination aus statistischen Modellen, Tabellenkalkulationen und mühsam erworbenem internem Wissen steuern. Diese Welt existiert für die meisten Einzelhandels- und CPG-Unternehmen nicht mehr. Die SKU-Explosion, das rasante Wachstum von E-Commerce-Kanälen, die regionale Fragmentierung und die Zunahme von Aktions-SKUs mit kurzem Lebenszyklus haben Prognoseumgebungen geschaffen, für die die meisten Altsysteme nie ausgelegt waren.
Wo ein Planer früher Hunderte von Zeitreihen verwaltete, umfassen die Prognoseprobleme von Unternehmen heute routinemäßig Hunderttausende, manchmal weit mehr. Jede Zeitreihe hat ihr eigenes Saisonalitätsprofil, ihre eigenen Signal-Rausch-Eigenschaften und ihre eigene Empfindlichkeit gegenüber externen Variablen wie Werbeaktionen, Wetter und makroökonomischen Bedingungen. Die statistischen Verfahren, die bei kleineren Datenmengen gute Dienste geleistet haben, lassen sich bei diesem Volumen und dieser Vielfalt schlichtweg nicht zuverlässig verallgemeinern. Die Genauigkeit nimmt ab. Das Ausnahmenmanagement wird unhaltbar. Die Prognose verliert ihre Aussagekraft als Planungsgrundlage.
Die Antwort, auf die sich die meisten hochentwickelten Prognoseteams geeinigt haben, ist ein Multi-Modell-Ansatz: Anstatt ein einzelnes Verfahren auszuwählen und einheitlich anzuwenden, bewerten Sie eine Reihe von Modellen anhand Ihrer tatsächlichen Daten und lassen die Ergebnisse entscheiden, welches für jede Zeitreihe am besten abschneidet. In der Praxis führt dies zu einer spürbar besseren Genauigkeit, stellt aber auch eine neue Herausforderung dar.
Die Durchführung einer präzisen Multi-Modell-Prognosebewertung auf Unternehmensebene ist keine Aufgabe, die man einem Business Analysten oder einem neu eingestellten Data Scientist übertragen kann. Sie erfordert fundierte Kenntnisse statistischer Prognosemethoden, moderner Ansätze für maschinelles Lernen und Deep Learning sowie zunehmend der Klasse von Foundation Models auf Basis von Transformer-Architekturen, die sich in den letzten Jahren als vielversprechendes Werkzeug für die Zeitreihenvorhersage etabliert haben. Zudem ist die Fähigkeit erforderlich, eine verteilte Recheninfrastruktur in der Größenordnung zu konfigurieren und zu betreiben, die für die Verarbeitung von Millionen von Zeitreihen innerhalb eines Planungszyklus benötigt wird.
Dieses Fachwissen ist rar gesät. Nachfrageplanungsabteilungen konkurrieren mit allen anderen Unternehmensbereichen um Data-Science-Talente, und die spezifische Kombination aus Fachwissen im Prognosebereich und Vertrautheit mit verteilten Systemen, die diese Arbeit erfordert, ist wirklich selten. Teams, die darüber verfügen, sind produktiv. Teams, denen es fehlt, sind entweder in veralteten Ansätzen gefangen, die hinter modernen Alternativen zurückbleiben, oder sie hängen von einem einzigen Experten ab, dessen Weggang ein echtes organisatorisches Risiko darstellt.
Selbst für Unternehmen, die über die entsprechenden Talente verfügen, kann sich die Einrichtung eines ordnungsgemäßen Prognose-Experiments (Konfigurieren von Rechenressourcen, Aufbereiten und Bereinigen von Daten, Auswählen von Bewertungsparametern, Durchführen von Backtests, Interpretieren von Ergebnissen) über Tage oder Wochen hinziehen, bevor ein einziger Modellvergleich abgeschlossen ist. In einer Planungsumgebung, in der der Rhythmus in Wochen gemessen wird, ist diese Zykluszeit oft einfach zu langsam.
Im Jahr 2024 veröffentlichte Databricks Many Model Forecasting (MMF), ein Open-Source-Framework, das für die skalierbare Multi-Modell-Zeitreihenprognose entwickelt wurde. MMF integriert mehr als 35 Prognosemodelle aus führenden Open-Source-Bibliotheken, darunter statistische Ansätze von statsforecast und sktime, Deep-Learning-Modelle von neuralforecast sowie Foundation-Zeitreihenmodelle von Chronos und TimesFM. Anstatt sich auf ein einziges Verfahren festzulegen, ermöglicht MMF Teams, alle Verfahren gleichzeitig anhand ihrer eigenen Daten zu bewerten, wobei automatisch das leistungsstärkste Modell für jede Zeitreihe ausgewählt wird.
Das Framework läuft nativ auf Databricks und nutzt verteiltes Rechnen, um das Volumen zu verarbeiten, das die Prognoseprobleme von Einzelhandels- und CPG-Unternehmen erfordern. Dutzende von Unternehmen betreiben heute Produktions-Pipelines auf MMF für Planungsentscheidungen, die sich direkt auf den Umsatz und die Bestandsinvestitionen auswirken. Verbesserungen der Genauigkeit und eine Reduzierung des manuellen Prognoseaufwands waren durchgängige Ergebnisse bei diesen Implementierungen.
Aber MMF blieb ein Werkzeug für Experten. Die Hürde war nie das Framework selbst. Es war die Tiefe des Wissens, die erforderlich war, um es korrekt einzurichten, fundierte Entscheidungen über die Rechenkonfiguration, die Datenaufbereitung und das Evaluierungsdesign zu treffen und die Ergebnisse so zu interpretieren, dass sie tatsächlich als Grundlage für Planungsentscheidungen dienen konnten. MMF machte Prognosen auf Expertenniveau schneller. Es machte sie jedoch noch nicht allgemein zugänglich.
Der MMF Agent schließt diese Lücke. Basierend auf Genie Code, dem AI-Codierungsassistenten von Databricks, bettet der MMF Agent das MMF-Framework in einen interaktiven, geführten Workflow ein, der Teams durch die gesamte Prognose-Pipeline von den Rohdaten bis zur bereitgestellten Prognose führt, ohne dass dafür tiefgehendes technisches Fachwissen erforderlich ist.
Der Agent arbeitet in fünf Phasen. Er beginnt mit der Untersuchung der Eingangsdaten, identifiziert Qualitätsprobleme, behandelt fehlende Werte sowie Anomalien und stellt sicher, dass alles für die Prognose-Engine korrekt strukturiert ist. Anschließend profiliert und klassifiziert er die Zeitreihen im Datensatz und trennt prognostizierbare Reihen von solchen mit unzureichendem Signal. Dieser Schritt wird bei der manuellen Ausführung von MMF leicht übersprungen, verbessert jedoch durchgängig sowohl die Genauigkeit als auch die Recheneffizienz, da die Ressourcen dort eingesetzt werden, wo sie die größte Wirkung erzielen. Von dort aus konfiguriert der Agent die geeignete Recheninfrastruktur für die zu bewertenden Modelle, führt die Prognose-Jobs aus, übernimmt die Nachbereitung sowie die Modellauswahl und präsentiert die Ergebnisse in Begriffen, die sich auf die Geschäftsergebnisse beziehen, die für das Planungsteam tatsächlich von Bedeutung sind. Die kurze Anleitung unten zeigt einen Nachfrageplaner, der mit dem MMF Agent in Genie Code jede dieser Phasen durchläuft.
Was dies von einer einfachen Automatisierung eines Workflows unterscheidet, ist die Interaktivität des Agenten. Er nutzt die Integration von Genie Code in Unity Catalog, um die gesamte Datenumgebung des Unternehmens zu verstehen. Dadurch kann er fundierte Empfehlungen dazu abgeben, welche Datensätze verwendet werden sollen, wie Trainingsdaten mit relevanten externen Variablen angereichert werden können und wie Metriken zur Prognosegenauigkeit in geschäftlichen Begriffen zu interpretieren sind. Ein Planungsverantwortlicher, der sein Geschäft versteht, aber kein Data Scientist ist, kann mit dem MMF Agent in der Sprache der Nachfrageplanung (Aktionen, Saisonalität, Kanalmix, Planungshorizonte) interagieren und erhält Empfehlungen, die sowohl auf Best Practices für Prognosen als auch auf den Besonderheiten seiner Daten basieren.
Der unmittelbarste Vorteil ist die Geschwindigkeit. Einrichtungs- und Experimentierarbeiten, die zuvor tagelange Arbeit qualifizierter Data Scientists erforderten, können nun in wenigen Stunden erledigt werden. Diese Verkürzung ist in einer Planungsumgebung von Bedeutung, da Teams so mehr Experimente durchführen, mehr Modellkonfigurationen testen und schneller reagieren können, wenn sich die Marktbedingungen ändern. Dies ist von entscheidender Bedeutung, wenn historische Muster keine verlässlichen Wegweiser mehr sind.
Auch die Prognosegenauigkeit verbessert sich in der Regel. Die Schritte zur Datenaufbereitung und Reihenklassifizierung, durch die der MMF Agent die Teams führt, liefern sauberere Trainingsdaten und eine gezieltere Modellauswahl, als dies mit manuellen Ansätzen üblicherweise der Fall ist.
Die wohl weitreichendste Veränderung ist jedoch die Reichweite. Nachfrageplanungsteams, die nicht über eigene Data Scientists für Prognosen verfügen, können nun mit einer methodischen Genauigkeit arbeiten, die zuvor unerreichbar war. Die Hürde des Fachwissens, die die Multi-Modell-Prognose auf Unternehmen mit spezialisierten Talenten beschränkte, ist nicht mehr das, was sie einmal war. Dies öffnet den Ansatz für ein viel breiteres Spektrum von mittelständischen Einzelhandels- und CPG-Unternehmen.
Für Teams mit ausgeprägtem technischem Fachwissen erleichtert der MMF Agent zudem die Anpassung des Frameworks. MMF war schon immer Open Source, aber in der Praxis verfügten nur wenige Teams über das Fachwissen, um es zu modifizieren. Wenn der Agent Zugriff auf den Quellcode und die entsprechenden Anleitungsfunktionen hat, kann er Entwickler in verständlicher Sprache durch Änderungen führen: das Hinzufügen einer neuen Modellklasse, das Anpassen der Backtesting-Logik und das Integrieren einer geschäftsspezifischen Genauigkeitsmetrik. Modifikationen, die einst tiefes Framework-Wissen erforderten, werden so für einen weitaus größeren Kreis von Entwicklern zugänglich.
MMF und MMF Agent sind ab heute verfügbar. Die MMF Agent-Skills sind im Many Model Forecasting GitHub-Repository verfügbar, zusammen mit der Dokumentation und Beispiel-Notebooks, die den gesamten Workflow abdecken. Installieren Sie die Skills in Genie Code oder eine lokale Agenten-Umgebung, und Ihr Assistent übernimmt den Rest.
Für Führungskräfte in der Bedarfsplanung, die mit ihrem vorhandenen Team und ihren Tools bessere Prognosen erzielen möchten, lohnt es sich, eine Stunde Zeit in die Erkundung zu investieren.
(Dieser Blogbeitrag wurde mit KI-gestützten Tools übersetzt.) Originalbeitrag
Abonnieren Sie unseren Blog und erhalten Sie die neuesten Beiträge direkt in Ihren Posteingang.