Beruflich

Forecasting-Pipeline & Monitoring-App

Monatliche Absatz- und Umsatzprognosen für den Vertrieb – automatisch, für hunderte Zeitreihen gleichzeitig. Statt eines einzigen Modells treten für jede Zeitreihe mehrere Modelle gegeneinander an, das beste gewinnt. Ein Monitoring zeigt, wie gut die Prognosen sind, und warnt, wenn sie schlechter werden.

Python
SQL
Qlik
Zeitreihen
Machine Learning

So funktioniert die Pipeline

Vertriebsdaten aus dem Data Warehouse laden – pro Kanal und Produktgruppe eine Zeitreihe
Daten prüfen: Lücken schließen, Retouren berücksichtigen, Reihen ohne aktuelle Verkäufe aussortieren
Saisonfaktoren pro Monat berechnen (geglättet über mehrere Jahre) und die Daten saisonbereinigen
Für jede Zeitreihe mehrere Modelle trainieren und im Rückblick-Test (Holdout) vergleichen
Das beste Modell prognostiziert die nächsten Monate; die Saison wird wieder aufgeschlagen
Top-down-Verteilung auf Kanäle und Unterkategorien, inklusive Umsatz brutto/netto und Rohertrag

Modelle im Wettbewerb

Theta-Methode – stark bei ruhigen Reihen mit Trend
Exponentielle Glättung (ETS / Holt-Winters)
Strukturelle Zeitreihenmodelle (Unobserved Components)
Lineare und robuste Regression (Huber) für den Trend
Pro Zeitreihe gewinnt das Modell mit dem kleinsten Fehler im Rückblick-Test – der „Model-Mix“ zeigt, welches wie oft gewinnt

Monitoring

Genauigkeit insgesamt und pro Zeitreihe: WAPE (gewichteter prozentualer Fehler) und Bias (systematisch zu hoch oder zu niedrig?)
Automatische E-Mail-Warnung, wenn der Fehler eine Schwelle überschreitet
Monitoring-App in Qlik: Prognose und Ist im Vergleich – nach Kategorie, gegenüber dem Vorjahr und über verschiedene Prognose-Horizonte

Mein Anteil

Konzept, Umsetzung und Betrieb der Pipeline in Python
Datenbereitstellung per SQL aus dem Data Warehouse
Monitoring-App in Qlik

Technik

Python: pandas, NumPy, statsmodels, scikit-learn
SQL / Exasol
Qlik Sense