Genaue Nachfrageprognosen sind von signifikanter Bedeutung für Unternehmen in Supply Chains. Dies gilt insbesondere für Unternehmen, die Produkte auf Lager produzieren oder für Handelsunternehmen. Diese müssen die Kundennachfrage in regelmäßigen Intervallen prognostizieren, weshalb automatische Prognoseverfahren notwendig sind. 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 Vorteile der beiden Ansätze wird in diesem Buch 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 evaluiert und erzielt im Durchschnitt signifikant bessere Prognosen als etablierte Verfahren aus dem Stand der Forschung.
Dr.-Ing. Mirko Kück arbeitet als Data Scientist und Lehrbeauftragter. Seine Dissertation, die mit dem Wissenschaftspreis Logistik 2023 der Bundesvereinigung Logistik (BVL) ausgezeichnet wurde, entstand im Rahmen seiner Tätigkeit als Wissenschaftlicher Mitarbeiter am BIBA - Bremer Institut für Produktion und Logistik an der Universität Bremen.
