Machine-Learning-Lösungen

Forecasting & Zeitreihen

Nachfrage-, Risiko- und Kapazitätsprognosen, die Ihre heutige Baseline schlagen, ehrlich backgetestet, bevor jemand damit plant.

Backtest anfragen

Prognosen, mit denen man planen kann

Jedes Unternehmen prognostiziert, meist im Spreadsheet: letztes Jahr plus ein Prozentsatz. Die Frage ist nicht, ob ML prognostizieren kann, sondern ob es Ihr heutiges Vorgehen deutlich genug schlägt, um Entscheidungen zu ändern: Bestände, Personalplanung, Cash-Planung, Risikolimits. Jedes Forecasting-Projekt beginnt bei uns mit der Messung Ihrer aktuellen Baseline, denn das ist die Zahl, die zu schlagen ist.

Die Arbeit läuft über Backtesting: Modelle werden auf Ihrer Historie trainiert und so bewertet, als wären sie das letzte Jahr gelaufen, Quartal für Quartal, nur mit dem Wissensstand von damals. Kein Leakage, keine handverlesenen Zeitfenster. Fehlermetriken sehen Sie pro Produkt, Region oder Segment, bevor irgendetwas die Planung berührt.

In Produktion kommen Prognosen nach Zeitplan, über eine API oder direkt in Ihre Planungstabellen, mit Unsicherheitsbändern statt Einzelwerten. Das Monitoring vergleicht Prognosen laufend mit den Ist-Werten und meldet Verschlechterung früh, und Retraining ist eine geplante Pipeline, kein Rettungsprojekt.

Was Sie gewinnen

Baseline zuerst

Wir messen die Genauigkeit Ihrer heutigen Prognose vor dem Modellieren, damit die Verbesserung eine echte Zahl ist, keine Behauptung.

Ehrliches Backtesting

Walk-Forward-Evaluation auf Ihrer Historie mit strikten Stichtagen, genau so, wie das Modell live gelaufen wäre.

Unsicherheit inklusive

Bänder und Quantile statt einzelner Punkte, damit Sicherheitsbestand und Personalplanung das tatsächliche Risiko abbilden.

Granular, wo es zählt

Prognosen pro SKU, Standort oder Segment, mit abgestimmten Hierarchien, damit die Teile zur Summe passen.

Läuft von selbst

Geplantes Retraining, automatische Datenchecks und Drift-Alerts halten die Prognose frisch, ohne Data Scientist in Rufbereitschaft.

Machine Learning

Von der Baseline zur Live-Prognose

Baseline messen

Wir quantifizieren Genauigkeit und Kosten der heutigen Prognose und klären, welche Entscheidungen bessere Zahlen ändern würden.

Kandidaten backtesten

Klassische Statistik, Gradient Boosting und tiefe Modelle treten auf Ihrer Historie unter identischen Regeln an.

In die Planung einbinden

Prognosen landen dort, wo entschieden wird: ERP, Planungstabellen oder eine API, mit Unsicherheitsbändern.

Überwachen und nachtrainieren

Genauigkeit wird live gegen Ist-Werte verfolgt, mit Alerts und geplantem Retraining, wenn sich die Welt verschiebt.

Was Sie bekommen

Backtest-Report: Modelle im Vergleich zu Ihrer heutigen Baseline

Forecasting-Pipeline mit geplantem Retraining

Prognose-API oder direkte Integration in Planungstools

Genauigkeitsmonitoring mit Alerts gegen Ist-Werte

Dokumentation und Runbook für Ihr Team

Antworten auf Ihre Fragen

Unsere Nachfrage ist volatil. Funktioniert das trotzdem?

Volatilität ist der Grund für Quantilprognosen: Sie beziffern die Unsicherheit, statt sie zu verstecken. Der Backtest zeigt ehrlich, was vorhersagbar ist und was Rauschen, und schon eine moderate Fehlerreduktion rechnet sich meist über Bestände oder Personal.

Wie viel Historie brauchen wir?

Zwei bis drei Jahre bilden Saisonalität gut ab, kürzere Historien funktionieren mit externen Signalen und Lernen über Produkte hinweg. Die Machbarkeitsstudie läuft auf dem, was Sie haben, und berichtet, was es trägt.

ML-Prognose oder das Urteil der Planer?

Beides. Das Modell verarbeitet Tausende Zeitreihen konsistent; Planer übersteuern mit Wissen, das den Daten fehlt, und Übersteuerungen werden erfasst, damit Sie lernen, wann welche Seite gewinnt.