Search

Genaue Nachfrageprognosen sind von signifikanter Bedeutung für produzierende Unternehmen. Dies gilt insbesondere für Unternehmen, die Produkte auf Lager produzieren. Solche Unternehmen müssen die Kundennachfrage in regelmäßigen Intervallen basierend auf Zeitreihen früherer Kundenbestellungen prognostizieren, weshalb automatische Prognoseverfahren notwendig sind. Nach dem No Free Lunch Theorem existiert kein Prognoseverfahren, welches für alle Datensätze besser prognostiziert als alle anderen Verfahren. Daher sollte pro Zeitreihe entweder ein individuelles Prognosemodell selektiert werden oder es sollten die Prognosen mehrerer Modelle kombiniert werden. Alle bisher entwickelten Verfahren lassen sich entweder als reine Selektions- oder als reine Kombinationsansätze klassifizieren und es existieren bislang keine hybriden Verfahren zwischen Selektion und Kombination. Zur Nutzung der jeweiligen Vorteile der beiden Ansätze wird in der vorliegenden Arbeit ein hybrides Verfahren vorgestellt, das für jede Zeitreihe datengetrieben entweder selektiert oder kombiniert. Das sogenannte Selbinationsverfahren besteht aus einem Meta-Modell zur Schätzung der Eignungswahrscheinlichkeiten verschiedener Prognoseverfahrenskandidaten und einer Selektionsfunktion, die auf Basis der Eignungswahrscheinlichkeiten sowie einer sogenannten Hybriditätsgrenze ein oder mehrere Prognoseverfahren selektiert. Das neuartige Verfahren wird in einer umfassenden empirischen Studie anhand eines gängigen industriellen Datensatzes evaluiert und erzielt im Durchschnitt signifikant bessere Prognosen als gängige Verfahren aus dem Stand der Forschung. Dabei erreicht das Selbinationsverfahren insbesondere eine höhere Prognosegüte als alle Originalteilnehmer und Benchmarks der NN3-Competition. In einer darauffolgenden Lagerbestandssimulation erzielt das Selbinationsverfahren den besten Kompromiss aus erreichtem Servicegrad und mittlerem benötigten Sicherheitsbestand. Insgesamt bietet das neuartige Selbinationsverfahren großes Potenzial für produzierende Unternehmen zur Prognose der Kundennachfrage. Aufgrund der automatischen Funktionsweise besteht zusätzlich die Möglichkeit, das Verfahren in zukünftigen Studien auf andere Forschungsgebiete zu übertragen.