SAP IBP: Wie man das passende Vorhersagemodell auswählt

SAP IBP Vorhersagemodell
© r2 studio - stock.adobe.com
Bewerten
4 Bewertungen,
Durchschnitt 4,8

SAP IBP ist ein hilfreiches Tool für die Bestandsplanung und bietet effiziente Prognosefunktionen. Eines der häufigsten Probleme bei der Anwendung ist die Auswahl des passenden Vorhersagemodells.

Verschiedene Vorhersagemodelle von SAP IBP:

  • Exponentielle Glättung
  • Gradientenverstärkung von Entscheidungsbäumen
  • Multiple lineare Regression
  • Crostons-Methode
  • Einfacher Durchschnitt
  • Gleitender einfacher Durchschnitt
  • Auto-ARIMA/SARIMA
  • Browns exponentielle Glättung

Jedes der oben genannten Prognosemodelle entspricht einem bestimmten Zweck und passt daher auf unterschiedliche Entwicklungsszenarien. Diese sind in den historischen Daten enthalten, so dass die Verkaufshistorie Rückschlüsse auf Saisonalität, Trends oder auch beides zulässt.

Was heißt Saisonalität?

Von Saisonalität spricht man, wenn sich im Jahresverlauf Änderungen in Nachfrage und Absatz zeigen. Zum Beispiel: Wenn wir Eiscreme verkaufen, stellen wir fest, dass der Verkauf im Sommer steigt und im Winter zurückgeht. Das ist ein klassisches Beispiel für ein saisonales Muster.  

Was heißt Trend?

Von Trend spricht man, wenn sich die Verkaufszahlen im Zeitverlauf kontinuierlich in eine bestimmte Richtung verändern. Wenn es beispielsweise ein Produkt gibt, dessen Umsatz jeden Monat steigt, bezeichnet man das als Aufwärtstrend.

So gehen Sie bei der Auswahl des Prognosemodells vor

Abgesehen von solchen simplen Beispielen, ist es in den meisten Unternehmen nicht einfach zu analysieren, welches Muster die historischen Verkaufsdaten haben. SAP IBP hat dafür eine Anwendung, mit der sich Profile zur Prognoseautomatisierung verwalten lassen. Diese Funktion macht es Anwendern leichter, Muster in den Daten zu analysieren und auf dieser Basis das passende Vorhersagemodell auszuwählen. Im Folgenden stellen wir die einzelnen Schritte vor, wie Sie dabei vorgehen:

1. Öffnen Sie die App „Profile für Prognoseautomatisierung verwalten“ und klicken Sie auf „Anlegen“

2. Geben Sie den Planungsbereich und die Berechnungsebenen an. Das wichtigste Feld ist „Eingabe für Analyse“. Hier geben Sie die Kennzahl an, mit der das System das Muster analysieren soll, zum Beispiel Ist-Menge, Ist-Menge + Fakturierte Menge oder Fakturierte Menge.

In unserem Beispiel verwenden wir die Kennzahl Ist-Menge als Grundlage für die gesamte Berechnung. Wir geben auch die Berechnungsebene an, mit der IBP kalkulieren soll. Die Periodizität gibt an, in welchen Zeiträumen IBP die Daten berücksichtigen soll, wie zum Beispiel Tage, Wochen oder Monate.

3. Nun legen wir die historischen Perioden fest. Dieser Wert definiert, wie viele historische Daten für die Berechnung berücksichtigen sollen. Dieser Wert schließt den aktuellen Monat aus.

In unserem Beispiel haben wir 104 Wochen gewählt, das System berücksichtigt folglich historische Daten aus genau diesem Zeitraum.

4. Als nächstes füllen Sie die folgenden Felder aus, die SAP IBP für die Musteranalyse benötigt:

  • Sensitivität von Saisonalitätstests: Der Standardwert dieses Feldes beträgt 0,2. Dies ist der Auto-Korrelationskoeffizienz. Je niedriger der Wert ist, desto besser erkennt das System die Saisonalität.
  • Signifikanz des Trendtests: Der Standardwert dieses Feldes ist 0,5. Dies ist der Kehrwert der Wahrscheinlichkeit. Bei einem Wert von 0,7 beispielsweise bedeutet das, dass das System den Trend mit 93% Wahrscheinlichkeit berechnet.
  • Wahrscheinlichkeit für Weißes-Rauschen-Test: Weißes Rauschen nennt man das Maß für zufällige Unterschiede in einer kontinuierlichen Zeitreihe. Wenn wir diesen Wert auf 0,8 einstellen, bedeutet das, dass die Zeitreihe nur dann als unregelmäßig angesehen wird, wenn ein weißes Rauschen mit einer Sicherheit von 80% oder mehr identifiziert wird.

Nachdem diese Einstellungen abgeschlossen sind, speichern Sie das Profil.

5. Um die Analyse der Zeitreihe basierend auf den Profileinstellungen zu starten, wählen Sie das Profil aus und klicken Sie auf „Jetzt ausführen“

6. Es öffnet sich ein Fenster mit dem Titel „Neuer Job“. Geben Sie einen Jobnamen an und wählen Sie den Profilobjektnamen aus. Achten Sie darauf, dass die Option „Zeitreihenanalysen“ bei den Analyseeinstellungen ausgewählt ist. Klicken Sie auf „Einplanen“, um den Job zu starten.

7. Sie sehen nun, dass der Anwendungsjob läuft.

8. Nachdem der Job abgeschlossen ist, kehren Sie zurück zur App „Profile für Prognoseautomatisierung verwalten“. Wählen Sie das Profil aus und klicken Sie auf „Analyseergebnisse anzeigen“

9. Das Ergebnis der Analyse wird angezeigt und die Details stellen sich wie folgt dar:

  • Zeitreiheneigenschaft: Kontinuierlich, Kontinuierlich mit Saisonalität, Kontinuierlich mit Saisonalität und Trend, etc.
  • Saisonalität: Additiv oder Multiplikativ
  • Länge der Saison
  • Trend: Ja/Nein
  • Trendrichtung
  • Weißes Rauschen

10. Mithilfe dieser Daten sind wir nun in der Lage, das passende Prognosemodell für unsere Zwecke zu identifizieren. Die folgende Tabelle erklärt einige dieser Modelle:

Muster Algorithmus Notizen
Reife Produkte mit stabilem Umsatz Einfache exponentielle Glättung Der typische Wertebereich für Alpha ist 0,1 bis 0,5. Es definiert den Einfluss der aktuellen Daten auf die prognostizierte Nachfrage. Ein größeres Alpha führt zu einer schnelleren Reaktion der Prognose auf Änderungen der Daten.
Trend Doppelte exponentielle Glättung Der typische Wertebereich für Alpha und Beta liegt bei 0,1 bis 0,5. Ein größeres Beta führt zu einer schnelleren Reaktion des Trends auf Veränderungen in den Daten.
Trend und Saisonalität Dreifache exponentielle Glättung Der Algorithmus benötigt mindestens zwei vollständige saisonale Zyklen von Informationen über die Nachfrageentwicklung. Wenn der Beta-Koeffizient nicht angegeben wird, arbeitet der Algorithmus als rein saisonales exponentielles Glättungsmodell.
Intermittierender Bedarf Croston-Methode Sie können die Croston-Methode nur dann zu einem Prognosemodell hinzufügen, wenn fehlende Werte in den vergangenen Daten durch Null ersetzt werden.
Ausgereifte Produkte mit relativ stabilen Verkaufszahlen Einfacher Durchschnitt Es wird eine konstante Prognose erstellt.
Ausgereifte Produkte mit relativ stabilen Verkaufszahlen Einfacher gleitender Durchschnitt Beim einfachen gleitenden Durchschnitt wird ein Durchschnitt der Zeitreihenwerte berechnet, die in aufeinanderfolgenden Teilmengen von Zeiträumen gemessen werden.
Ausgereifte Produkte mit relativ stabilen Verkaufszahlen Gewichteter Durchschnitt Der gewichtete Durchschnittsalgorithmus multipliziert jeden historischen Kennzahlwert mit einem vordefinierten Gewicht und dividiert die Summe dieser multiplizierten Werte durch die Summe der Gewichte.

Eine genaue Zuordnung des passenden Modells setzt einige Kenntnisse über Statistik voraus. Um das passende Modell zu kennen, muss man verstehen, wie verschiedene Modelle funktionieren und wann man sie anwendet. Holen Sie sich im Zweifelsfall Unterstützung von einem Experten, damit Sie verwertbare Ergebnisse erhalten.

Alternativ ist es auch möglich, mit Hilfe der App „Prognosemodell zuordnen“ einzelnen Kombinationen von Planungsobjekten unterschiedliche Prognosemodelle zuzuordnen, falls man beispielsweise einem bestimmten Zeitraum ein anderes Modell zuordnen will. Die Zuordnungen werden automatisch gespeichert.

Klicken Sie dazu auf den Bearbeiten-Button und wählen Sie ein Prognosemodell aus. Die Zuordnungen werden automatisch gespeichert. Nach Anklicken des Buttons öffnet sich ein neues Fenster, in dem Sie die Modelle wie unten beschrieben auswählen können. In diesem Beispiel haben wir uns für das Modell „Best Fit“ entschieden.

Als nächstes können Sie den Grund für die Zuordnungsänderung auswählen und dann auf Zuordnen klicken.

Im folgenden Screenshot sehen Sie, dass das Modell dem jeweiligen Planungsobjekt zugeordnet worden ist:

Um die Prognose zu erstellen, müssen Sie sicherstellen, dass für den Anwendungsjob das Feld „Modellzuordnungen“ wie im folgenden Screenshot angekreuzt ist und die richtige Planungsebene ausgewählt ist.

Ergebnis

Sie erhalten eine genaue Prognose, die Sie wie im Screenshot als Excel-Tabelle einsehen können. Diese Tabelle können Sie nun für Ihre Planung nutzen.

Projektbericht: Effektive Planung in der Praxis - SAP IBP bei Falken Tyre Europe

Wenn man für mehrere Absatzmärkte mit sehr unterschiedlichen Bedingungen Bedarfsprognosen erstellen muss, ist es sehr schwierig, passende Vorhersagen zu treffen. Die Experten von SALT Solutions haben Falken Tyre Europe bei dieser Herausforderung mit SAP IBP unterstützt und passende Vorhersagemodelle bestimmt. Falken Tyre Europe ist jetzt in der Lage, die Bedarfe der einzelnen Absatzmärkte besser vorherzusagen, und hat zudem Bestände reduziert und die Lieferbereitschaft erhöht. Mehr dazu erfahren Sie im Projektbericht!

Keine Updates
mehr verpassen:
1
© r2 studio - stock.adobe.com

Zurück