Fazit

Januschowski und Kolassa (2019) bieten eine Klassifizierung der Prognoseprobleme, die auf die Entscheidungen ausgerichtet sind, die Unternehmen treffen müssen, einschließlich strategischer, taktischer und operativer Entscheidungen. Jeder Entscheidungsebene werden entsprechende Prognoseaufgaben zugewiesen.

Operative und taktische Prognosen sind deshalb problematisch, da sie großen Datenmengen und in der Regel einen hohen Automatisierungsgrad erfordern. Diese Probleme lassen sich mithilfe verschiedener Prognosemethoden lösen. Lokale Prognosemethoden eignen sich in der Regel gut zum Lösen strategischer Prognoseprobleme, auf Deep Learning basierende Methoden sind für operative Prognoseprobleme geeignet, und alle dazwischen liegenden Probleme können durch ein wenig Experimentieren gelöst werden. Obwohl in diesem Whitepaper operative Prognoseprobleme erörtert werden, vertritt Amazon Forecast keinerlei Meinung zu den vorgeschlagenen Modellen und bietet Modelle, mithilfe derer sowohl strategische als auch operative und taktische Prognoseprobleme gelöst werden können.

Der Prozess zum Lösen von operativen Prognoseproblemen lässt sich in grundlegende Schritte unterteilen, angefangen bei der Datenerfassung und -aufbereitung bis hin zum Erstellen und Bereitstellen von Modellen. Im Allgemeinen ist es am sinnvollsten, den Prozess eher als einen iterativen und nicht als einen linearen Prozess zu betrachten. Da Modelle und Anwendungsfälle beispielsweise zu einem besseren Verständnis beitragen, kann es sinnvoll sein, sich noch einmal die Phase der Datenerfassung anzusehen. Die Modellentwicklung ist an sich ebenfalls ein hochiterativer Prozess.

Ein vereinfachter Prozess zur Entwicklung eines produktionsreifen Prognosemodells.