Comparison of traditional and AI-based methods to forecast parts demand

Diese Studie vergleicht klassische, statistische Bedarfsprognose-Methoden mit KI-basierten Vorhersagemodellen. Es wird analysiert, ob KI-basierte Ansätze den Bedarf genauer vorhersagen können als klassische, statistische Verfahren. Des weiteren wird untersucht, ob es spezifische Bedarfsmuster gibt, die dazu führen, dass für diese Muster KI-Modelle eine genauere Vorhersage erzeugen können als klassische Modelle. Außerdem wird ermittelt, ob es auch Teile gibt, deren Bedarf zu unregelmäßig ist, um mit einem der betrachteten Modelle vernünftige Vorhersagen erzeugen zu können. Um diese Fragen zu beantworten wird die Bedarfshistorie von 30 verschiedenen Teilen, die vom Energieinfrastruktur-Zuliefererunternehmen Aqotec verwendet werden, analysiert. Es werden monatliche Vorhersagen und eine Jahresprognose auf Basis von Holt-Winters und SARIMA Modellen sowie auf Basis von zwei neuronalen Netzen erzeugt. Die Ergebnisse werden vorwiegend mittels Gewichtetem Mittleren Absoluten Fehler (Weighted Mean Absolute Percentage Error) evaluiert und mit der Vorhersage eines naiven Baseline-Modells verglichen. Die Ergebnisse zeigen, dass keines der Modelle universell für alle Teile und sowohl für die monatliche als auch für die Jahresprognose klar am besten funktioniert. Es gibt keine gesamte Gruppe an Teilen, für die KI-Modelle eine genauere Vorhersagequalität erreichen. Es gibt jedoch einzelne Teile, für die KI-basierte Modelle zu genaueren Vorhersagen führen. Über alle Teile hinweg jedoch können die genauesten monatlichen Prognosen mit Hilfe der SARIMA Modelle erzeugt werden. Keines der Modelle führt zu zufriedenstellenden monatlichen Vorhersagen für jene Teile, deren Bedarf besonders unregelmäßig ist, wobei die Gewichteten Mittleren Absoluten Fehler teilweise bei circa 100% liegen. Für die Jahresmenge hingegen kann auch für die meisten dieser Teile eine zufriedenstellende Prognose erzeugt werden. Diese Studie vergleicht verschiedene Modelle zur Bedarfsvorhersage auf Basis von echten Industriedaten. Sie zeigt somit auch die Herausforderungen auf, genaue Bedarfsprognosen für verschiedenste Teile mit teilweise sehr unregelmäßigen Bedarfsmustern zu erzeugen. Außerdem wird gezeigt, dass komplexere, KI-basierte Modelle nicht immer genauere Ergebnisse liefern als klassische, statistische Ansätze.