Zeitreihenanalyse: Prognosen, die ihre Unsicherheit nennen
Eine Prognose ohne Spanne ist zunächst nur eine Behauptung. Die Zeitreihenanalyse zeigt, wie viel an Ihrem Absatz Muster und wie viel Zufall ist und was ein Prognosefehler kostet.
Zeitreihenanalyse: Definition und Abgrenzung
Zeitreihenanalyse ist die Untersuchung von Messwerten, die in fester zeitlicher Folge erhoben wurden, zum Beispiel der Absatz je Woche, der Auftragseingang je Tag oder der Rohstoffpreis je Handelstag. Sie zerlegt eine solche Messreihe in drei Bestandteile: den Trend als langfristige Richtung, die Saison als wiederkehrendes Muster und den Rest, der sich aus beidem nicht erklären lässt [1]. Aus Trend und Saison entsteht die Prognose, und am Rest lässt sich ablesen, wie unsicher sie ist.
Neben der Zerlegung stehen die ARIMA-Modelle, die einen Wert aus seinen Vorgängern und aus früheren Prognosefehlern erklären. Bekannt gemacht haben sie George Box und Gwilym Jenkins 1970 mit ihrem Lehrbuch „Time Series Analysis: Forecasting and Control“ [2].
Mit der Zeitreihenanalyse werden vor allem die Zeitreihenprognose, die Regression und die Anomalieerkennung verwechselt. Die Zeitreihenprognose, englisch Forecasting, ist ihre Anwendung auf die Zukunft, etwa als Bedarfsprognose. Eine gewöhnliche Regression setzt voraus, dass ihre Fehler, also die Abweichungen der Beobachtungen vom Modell, einander nicht beeinflussen, während eine Zeitreihe davon lebt, dass der Wert von heute mit dem von gestern und dem des Vorjahres zusammenhängt [3]. Die Anomalieerkennung kann dieselbe Zerlegung nutzen und prüft, ob der aktuelle Wert zum erwarteten Verlauf passt.
So funktioniert Zeitreihenanalyse
Am Anfang stehen eine saubere Reihe und eine einfache Referenz, erst danach kommt das Modell. Die Referenz ist das, was Ihre Planung ohne Modell ohnehin kann. Dazu gehört der Vorjahreswert, der den Wert derselben Woche des Vorjahres fortschreibt [4]. Er trifft die Saison, übersieht aber den Trend und ein Osterfest, das im Kalender wandert. Hinzu kommt der gleitende Durchschnitt, der die letzten Wochen mittelt und deshalb jeder Saisonspitze hinterherläuft. An diesen beiden Referenzen muss sich jedes Modell messen lassen, und wenn es sie nicht deutlich schlägt, ist es seinen Aufwand nicht wert.
| Schritt | Was passiert | Was dabei herauskommt |
|---|---|---|
| 1. Reihe aufbauen | Messwerte kommen auf einen festen Takt, Lücken und Ausreißer werden geklärt, Feiertage und Aktionen als Kalender ergänzt | eine lückenlose Reihe je Artikel, Kunde oder Anlage |
| 2. Zerlegen | die Reihe wird in Trend, Saison und Rest getrennt | ein Bild der Saisonalität und der Größe des Zufallsanteils |
| 3. Referenz festlegen | Vorjahreswert und gleitender Durchschnitt werden auf denselben Daten gerechnet | der Fehler, den es zu schlagen gilt, und der vor dem Backtest festgelegte Abstand, um den das Modell ihn schlagen muss |
| 4. Modell wählen | zur Wahl stehen ARIMA oder die exponentielle Glättung, die jüngere Werte stärker gewichtet. Bei vielen Einflussgrößen kommt maschinelles Lernen hinzu, etwa Gradient Boosting, das viele einfache Entscheidungsbäume kombiniert | eine Prognose je Woche und Horizont |
| 5. Rückwirkend prüfen | im Backtest prognostiziert das Modell vergangene Zeiträume und kennt dabei nur, was am jeweiligen Tag bekannt war | der Prognosefehler gegen die Referenz |
| 6. Spanne ausgeben und überwachen | die Prognose erscheint als Band aus Quantilen, also aus Mengen, die mit benannter Wahrscheinlichkeit nicht überschritten werden. Das Monitoring meldet, wenn der Ist-Wert das Band verlässt | eine Planungsvorlage mit benannter Unsicherheit |
Schritt 5 entscheidet über die Glaubwürdigkeit: In keine Prognose des Backtests darf eine Beobachtung eingehen, die am Prognosetag noch in der Zukunft lag [5]. Schritt 6 ist nötig, weil die Unsicherheit in der Regel mit dem Horizont wächst [6]. In den Beispielwerten unserer Logistikserie liegt der mittlere prozentuale Fehler der Flottenprognose in der ersten Woche bei 12 Prozent und in der vierten bei 22 Prozent.
Rechenbeispiel: Absatzprognose für ein saisonales Sortiment
Das folgende Beispiel ist eine Modellrechnung über ein fiktives Unternehmen aus unserer Schokoladenserie und enthält keine Kundenzahlen. Ein mittelständischer Schokoladenhersteller verkauft 12.000 Tonnen im Jahr bei 95 Millionen Euro Umsatz, mit Spitzen zu Weihnachten, zu Ostern und zum Valentinstag.
| Annahme | Wert |
|---|---|
| Abschreibungen auf Saisonware im Jahr | 570.000 Euro |
| Verlorener Umsatz durch Regallücken im Jahr | 1.140.000 Euro |
| Deckungsbeitrag am Umsatz | 30 Prozent |
| Sonderschichten und Expressfracht im Jahr | 250.000 Euro |
| Prognosefehler der Vorjahresmethode über zwölf Wochen (Beispielwert) | 21,8 Prozent |
| Prognosefehler des Modells im selben Zeitraum (Beispielwert) | 9,4 Prozent |
| Weniger Abschreibungen, zurückgewonnene Regallücken, weniger Eilkosten | 30, 25 und 30 Prozent |
Aus den drei Hebeln ergeben sich 171.000 Euro weniger Abschreibungen, 85.500 Euro zurückgewonnener Deckungsbeitrag und 75.000 Euro weniger Eilkosten, zusammen 331.500 Euro im Jahr. Der Betrag ist ein Bruttoeffekt vor Umsetzungskosten, also vor den Kosten für Einführung und Betrieb. Auch die beiden Prognosefehler sind Beispielwerte des Musterbetriebs und keine gemessenen Ergebnisse. In einem echten Vorhaben misst der Backtest den Prognosefehler. Wie viel Abschreibung dadurch wegfällt, bleibt auch dann eine Annahme, und deshalb gehört die Gegenprobe dazu:
| Szenario | Abschreibungen, Regallücken, Eilkosten | Bruttoeffekt im Jahr |
|---|---|---|
| vorsichtig | 20, 15 und 20 Prozent | 215.300 Euro |
| Modellrechnung | 30, 25 und 30 Prozent | 331.500 Euro |
| günstig | 40, 35 und 40 Prozent | 447.700 Euro |
Für Ihre eigene Überschlagsrechnung gilt:
Bruttoeffekt im Jahr = Abschreibungen × Reduktion + Umsatz in Regallücken × zurückgewonnener Anteil × Deckungsbeitrag am Umsatz + Eilkosten × Reduktion
Der mittlere Fehler allein sagt noch nicht, was eine Prognose kostet, weil eine zu hohe Prognose anders zu Buche schlägt als eine zu niedrige. Eine Tonne bringt im Musterbetrieb im Durchschnitt des Sortiments rund 7.917 Euro Umsatz. Fehlt sie im Regal, entgeht dem Betrieb der Deckungsbeitrag von 2.375 Euro. Wird sie zu viel produziert und nach der Saison abgeschrieben, sind ohne Restwert bis zu 5.542 Euro an variablen Kosten verloren. Eine überzählige Tonne kostet damit bis zu 2,3-mal so viel wie eine fehlende.
Deshalb liefert ein gutes Modell eine Spanne statt eines Punktwerts. Welche Menge die Planung darin wählt, hängt vom Verhältnis der beiden Kostensätze ab:
Zielquantil = Kosten je fehlender Tonne ÷ (Kosten je fehlender Tonne + Kosten je überzähliger Tonne)
Das Zielquantil gibt an, in wie vielen von 100 Saisons die produzierte Menge ausreichen soll. Bei 30 Prozent reicht sie in 30 von 100 Saisons, und in den übrigen 70 ist der Betrieb ausverkauft. Bei 50 Prozent plant er auf die Mitte der Prognose.
| Fall | Kosten je fehlender Tonne | Kosten je überzähliger Tonne | Zielquantil |
|---|---|---|---|
| Übermenge wird vollständig abgeschrieben | 2.375 Euro | 5.542 Euro | 30 Prozent |
| Übermenge lässt sich zum halben Preis absetzen | 2.375 Euro | 1.583 Euro | 60 Prozent |
| Übermenge wird abgeschrieben, jede fehlende Tonne verursacht zusätzlich rund 3.167 Euro Folgekosten | 5.542 Euro | 5.542 Euro | 50 Prozent |
Keine Zeile ist eine Empfehlung, denn die Rechnung beruht auf vier Annahmen. Erstens sind Preis und Marge der Durchschnitt des ganzen Sortiments. Zweitens gibt es nur eine einzige Produktionsentscheidung vor der Saison und keine Nachproduktion. Drittens sind die 5.542 Euro eine Obergrenze, weil ein Teil der variablen Kosten für nicht ausgelieferte Ware gar nicht anfällt. Viertens ist in den ersten beiden Zeilen der entgangene Deckungsbeitrag der einzige Schaden einer Regallücke.
Mit der vierten Annahme fehlt den ersten beiden Zeilen ein Posten, der in unserer Schokoladenserie als der größte gilt, obwohl er in keiner Tabelle steht: das Vertrauen der Handelsketten. Denn wer in der Saisonspitze nicht liefert, gefährdet seinen Regalplatz. Die dritte Zeile macht aus diesem Risiko eine Rechengröße. Verursacht eine fehlende Tonne neben dem Deckungsbeitrag weitere rund 3.167 Euro Folgekosten, liegt das Zielquantil auch ohne Restwert bei 50 Prozent. Die Schätzung dieser Folgekosten nimmt Ihnen die Formel zwar nicht ab, sie sorgt aber dafür, dass Vertrieb und Produktion über zwei Kostensätze sprechen.
Wann sich Zeitreihenanalyse lohnt und wann nicht
Zeitreihenanalyse lohnt sich unter drei Voraussetzungen. Die Historie muss mindestens zwei volle Saisonzyklen umfassen. In unserer Schokoladenserie sind es drei Jahre Absatzdaten. Außerdem müssen die Sondereinflüsse der Vergangenheit, vor allem Aktionen und Preisänderungen, mit Datum dokumentiert sein. Und schließlich braucht es in der Planung jemanden, der mit einer Spanne arbeiten will.
Vier Fehlschlüsse liegen nahe:
- „Der Durchschnittsfehler ist gut, also ist die Prognose gut.“ Eine Warengruppe kann den Schnitt gut aussehen lassen, während eine andere danebenliegt. Deshalb sollte der Fehler je Warengruppe ausgewiesen werden.
- „Was für die Summe gilt, gilt auch im Detail.“ In den Beispielwerten unserer Logistikserie liegt der Fehler der Flottenprognose für die nächste Woche bei 12 Prozent. Je Einzelkunde reicht er von 12 bis 28 Prozent, weil kleine Bestellmengen stärker vom Zufall abhängen.
- „Ein Modell, das die Vergangenheit gut beschreibt, warnt auch rechtzeitig.“ In unserer Forschung zu Soft Commodities bestand ein GARCH-Modell, ein Verfahren für schwankende Streuung, die üblichen Risikotests. Eine Frühwarnung lieferte es allerdings nicht, weil die geschätzte Volatilität der Bewegung folgte, statt ihr vorauszulaufen.
- „Die Prognose sieht auch die nächste Aktion kommen.“ Ein Modell kennt nur, was in der Historie steht. Eine Aktion, die der Handel kurzfristig ansetzt, kann deshalb keine Prognose vorwegnehmen.
Wir raten von einem Modell ab, wenn die Historie weniger als zwei volle Saisonzyklen umfasst, weil sich eine Saison aus einem einzigen Durchlauf nicht von einem Trend oder einem Einzelereignis trennen lässt. Ebenso raten wir ab, wenn Sortiment oder Kundenstamm gerade grundlegend wechseln oder das Modell die Vorjahresmethode im Backtest nicht deutlich schlägt. Im letztgenannten Fall bleibt die Planung bei der Vorjahresmethode.
Einen seriösen Anbieter erkennen Sie daran, dass er die einfache Referenz nennt, an der er sein Modell misst, den Backtest je Warengruppe zeigt und eine Spanne statt einer einzelnen Zahl liefert. Außerdem sagt er Ihnen vor dem Projekt, unter welchen Bedingungen er davon abrät.
Zeitreihenanalyse im Data-Science-Prozess
Im CRISP-DM-Prozess, dem Vorgehensmodell für Data-Science-Vorhaben in sechs Phasen, verteilt sich die Zeitreihenanalyse auf die Phasen 3 bis 5. In Phase 3, der Datenaufbereitung, entstehen die Reihe und die Saisonmerkmale. In Phase 4 wird das Modell mit der Referenz verglichen, und in Phase 5 zeigt der Backtest, ob sich der Vorsprung auch finanziell auszahlt.
Alle sechs CRISP-DM-Phasen im Überblick Phase 3: Datenaufbereitung Phase 4: Explorative Datenanalyse und Modellierung Phase 5: ModellvalidierungHäufige Fragen zur Zeitreihenanalyse
Was ist Zeitreihenanalyse einfach erklärt?
Zeitreihenanalyse untersucht Messwerte in ihrer zeitlichen Reihenfolge, etwa den Absatz je Woche. Sie trennt die Reihe in Trend, Saison und einen Rest, der sich nicht erklären lässt. Aus Trend und Saison entsteht eine Prognose, und der Rest zeigt, mit welcher Spanne Sie rechnen müssen.
Was ist der Unterschied zwischen Zeitreihenanalyse und Zeitreihenprognose?
Die Zeitreihenanalyse beschreibt eine Reihe, also die Richtung des Trends, die Stärke der Saisonalität und die Größe des Zufallsanteils. Die Zeitreihenprognose, auch Forecasting genannt, schreibt diese Bestandteile in die Zukunft fort. Jede belastbare Prognose setzt eine Analyse voraus. Umgekehrt muss eine Analyse nicht in einer Prognose enden.
Welche Daten braucht eine Zeitreihenanalyse?
Sie braucht eine Historie in festem Takt über mindestens zwei volle Saisonzyklen und dazu einen Kalender der Sondereinflüsse wie Aktionen, Preisänderungen und Feiertage. Im Rechenbeispiel dieser Seite sind das die Lieferungen an den Handel, der Abverkauf und der Aktionskalender. Ohne Kalender kann das Modell eine Aktionsspitze nicht von der Saison unterscheiden.
Welche Verfahren gehören zur Zeitreihenanalyse?
Die klassischen Verfahren sind exponentielle Glättung und ARIMA. Bei vielen Einflussgrößen kommt maschinelles Lernen hinzu, etwa Gradient Boosting oder neuronale Netze für Zeitreihen. Für schwankende Streuung gibt es GARCH-Modelle, für wechselnde Marktlagen Regime-Modelle. Welches Verfahren passt, entscheidet der Backtest gegen die einfache Referenz.
Was kostet ein Prognosefehler?
Ein Prognosefehler kostet je nach Richtung unterschiedlich viel. Zu viel Ware führt zu Abschreibungen oder Lagerkosten, zu wenig Ware kostet den entgangenen Deckungsbeitrag und im Handel womöglich den Regalplatz. Rechnen Sie deshalb beide Seiten getrennt. Aus dem Verhältnis der beiden Kostensätze folgt, wie oft die geplante Menge in 100 Saisons ausreichen soll.
Wie lange dauert es, bis eine Zeitreihenprognose im Betrieb läuft?
Die Dauer hängt vor allem an den Daten. Liegt die Historie sauber und mit Aktionskalender vor, ist ein Backtest gegen Ihre heutige Methode früh fertig. Müssen Artikelstämme bereinigt und Aktionen nacherfasst werden, bestimmt diese Arbeit den Zeitplan. Danach folgt die Einbindung in die wöchentliche Planungsrunde.
Womit beginnt ein Projekt zur Zeitreihenanalyse?
Es beginnt mit einer Geschäftsfrage und mit der Referenz. Zuerst wird beziffert, was Überbestand und Fehlmenge heute kosten. Dann wird gemessen, wie gut Ihre jetzige Planung prognostiziert, zum Beispiel die Vorjahresmethode. Erst wenn dieser Fehler bekannt ist, lässt sich sagen, ob ein Modell genug Vorsprung für einen Piloten verspricht.
Quellen
- Rob J. Hyndman, George Athanasopoulos: Forecasting: Principles and Practice, 3. Auflage, OTexts. Kapitel 3, Abschnitt 3.2 „Time series components“. https://otexts.com/fpp3/components.html
- Hyndman, Athanasopoulos, wie [1], Kapitel 9, Abschnitt 9.12 „Further reading“ und Abschnitt 9.5 „Non-seasonal ARIMA models“. https://otexts.com/fpp3/arima-reading.html
- Hyndman, Athanasopoulos, wie [1], Kapitel 7, Abschnitt 7.1 „The linear model“, Unterabschnitt „Assumptions“. https://otexts.com/fpp3/regression-intro.html
- Hyndman, Athanasopoulos, wie [1], Abschnitt 5.2 „Some simple forecasting methods“. https://otexts.com/fpp3/simple-methods.html
- Hyndman, Athanasopoulos, wie [1], Abschnitt 5.10 „Time series cross-validation“. https://otexts.com/fpp3/tscv.html
- Hyndman, Athanasopoulos, wie [1], Abschnitt 5.5 „Distributional forecasts and prediction intervals“. https://otexts.com/fpp3/prediction-intervals.html
Vertiefung
Messen Sie Ihre Planung an der einfachen Referenz
Mit Ihrer Absatzhistorie und zwei Kostensätzen lässt sich einschätzen, ob ein Prognosemodell Ihre heutige Planung schlagen kann.
Kostenloses Erstgespräch buchen