Erstellung von Bedarfsprognosen durch Künstliche Neuronale Netze am Beispiel von ...

137 Pages·2013·30.15 MB·German

by  Bianca Ott

Bachelorarbeit
Bianca O(cid:425)
Erstellung von Bedarfsprognosen durch Künstliche Neuronale Netze
am Beispiel von Backmengenempfehlungen im Einzelhandel
FakultätTechnikundInforma(cid:415)k FacultyofEngineeringandComputerScience
StudiendepartmentInforma(cid:415)k DepartmentofComputerScience
Bianca O(cid:425)
Erstellung von Bedarfsprognosen durch Künstliche Neuronale Netze
am Beispiel von Backmengenempfehlungen im Einzelhandel
BachelorarbeiteingereichtimRahmenderBachelorprüfung
imStudiengangAngewandteInforma(cid:415)k
amDepartmentInforma(cid:415)k
derFakultätTechnikundInforma(cid:415)k
derHochschulefürAngewandteWissenscha(cid:332)enHamburg
BetreuenderPrüfer:Prof.Dr.rer.nat.MichaelNeitzke
Zweitgutachter:Prof.Dr.StefanSarstedt
Eingereichtam:13.05.2013
Bianca O(cid:425)
Erstellung von Bedarfsprognosen durch Künstliche Neuronale Netze
am Beispiel von Backmengenempfehlungen im Einzelhandel
S(cid:415)chworte
KünstlichesNeuronalesNetz,Bedarfsprognose,Zeitreihenprognose,kausalePrognose
Kurzzusammenfassung
ZuverlässigeBedarfsprognosenentscheidenimEinzelhandelo(cid:332)überGewinnoderVerlust.Bei
einergeringenGewinnmargeistesunerlässlich,dasseinerseitseineausreichendeAnzahleines
Ar(cid:415)kelsvorrä(cid:415)gist,damitalleKäuferdengewünschtenAr(cid:415)kelvorfindenaberandererseitsso
wenigAbschri(cid:332)enwiemöglichproduziertwerden.DievorliegendenBachelorarbeituntersucht
inwiefernsichKünstlicheNeuronaleNetzedazueignendenBedarfanBackwareninFilialen
einesEinzelhandel-DiscountersfürdenFolgetagzuverlässigzuprognos(cid:415)zieren.Voraussetzung
dafür ist eine Modellierung des Anwendungsfalls, um die passenden Informa(cid:415)onen und die
geeignete Form der Daten zur ermi(cid:425)eln, die ein Künstliches Neuronales Netz benö(cid:415)gt, um
op(cid:415)maleBedarfsprognosenliefernzukönnen.UntersuchtwerdenindiesemZusammenhang
Zeitreihen-,kausaleundkombiniertePrognosemodelle,diedurchKünstlicheNeuronaleNetze
implemen(cid:415)ert werden. Die daraus resul(cid:415)erenden Prognoseergebnisse werden abschließend
miteinanderverglichen,umdiebestmöglicheModellierungsformzuermi(cid:425)eln.
Bianca O(cid:425)
Crea(cid:415)on of demand forecasts by ar(cid:415)ficial neural networks using the
example of baking amount recommenda(cid:415)ons in retail
Keywords
Ar(cid:415)ficialNeuralNetwork,DemandForecast,Time-SeriesForecast,CausalForecast
Abstract
Reliabledemandforecastsinretailo(cid:332)endecideoverprofitorloss.Atalowprofitmargin,itis
essen(cid:415)al,thatasufficientquan(cid:415)tyofanitemisinstock,sothatallbuyersfindtheitemthey
arelookingforandatthesame(cid:415)methereisasli(cid:425)leoverproduc(cid:415)onaspossible.Theaimofthis
thesisistoinves(cid:415)gatetowhatextentar(cid:415)ficialneuralnetworksaresuitabletoreliablypredict
thedemandofbakedgoodsinaretailstorediscounter,forthefollowingday.Thisrequiresa
modelingoftheusecasetodeterminethenecessaryinforma(cid:415)onandtheappropriateformof
thedataanar(cid:415)ficialneuralnetworkneedsinordertoprovideop(cid:415)maldemandforecasts.The-
refore(cid:415)meseries,causalandcompositeforecas(cid:415)ngmodelsareexaminedandimplemented
byar(cid:415)ficialneuralnetworks.Inconclusiontheresul(cid:415)ngpredic(cid:415)onsarecomparedtodetermine
thebestforecas(cid:415)ngmodel.
iii
Inhaltsverzeichnis
I. Einführung 1
1. Einleitung 2
1.1. Problemstellung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.1. Abgrenzung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2. Mo(cid:415)va(cid:415)onundZielsetzung 4
3. Au(cid:297)auderArbeit 5
II. Theore(cid:415)scheGrundlagen 6
4. BedarfsprognosenundihreEinordnung 7
5. ModellierungvonPrognoseverfahrenimHandel 9
5.1. UrteilsbasiertePrognoseverfahren . . . . . . . . . . . . . . . . . . . . . . . . 9
5.2. DatenbasiertePrognoseverfahren . . . . . . . . . . . . . . . . . . . . . . . . 10
5.2.1. Zeitreihenprognosen . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
5.2.2. KausalePrognosen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
5.2.3. VergleichvonZeitreihen-undkausalerModellierung . . . . . . . . . . 14
5.2.4. KombiniertePrognose . . . . . . . . . . . . . . . . . . . . . . . . . . 15
5.2.5. AnnahmenundNota(cid:415)onzurModellierungvonPrognosen . . . . . . . 18
5.2.6. ÜberblicküberKlassenvondatenzentriertenPrognoseverfahren . . . . 19
6. BeurteilungvonKünstlichenNeuronalenNetzenalsPrognoseverfahrenimHandel 21
6.1. NachteileKünstlicherNeuronalerNetze . . . . . . . . . . . . . . . . . . . . . 24
6.2. VorteileKünstlicherNeuronalerNetze . . . . . . . . . . . . . . . . . . . . . . 25
7. GrundlagenKünstlicherNeuronalerNetze 29
7.1. DasFeedforwardMul(cid:415)layer-Perceptron(MLP) . . . . . . . . . . . . . . . . . . 30
7.1.1. Verarbeitungsschri(cid:425)eimNeuron(V) . . . . . . . . . . . . . . . . . . 33
7.1.2. Informa(cid:415)onsverarbeitungundPropagierung(I) . . . . . . . . . . . . . 36
7.1.3. ParametrisierungdesLernprozesses(L) . . . . . . . . . . . . . . . . . 39
iv
Inhaltsverzeichnis
III. Prak(cid:415)scheGrundlagen 43
8. Prak(cid:415)scheAnwendungKünstlicherNeuronalerNetze 44
8.1. ModellierungvonPrognosenmitKünstlichenNeuronalenNetzen . . . . . . . 45
8.2. StrukturierungvonhistorischenDatenpaaren . . . . . . . . . . . . . . . . . . 49
8.2.1. Zeitreihenmodellierung. . . . . . . . . . . . . . . . . . . . . . . . . . 49
8.2.2. KausaleModellierung. . . . . . . . . . . . . . . . . . . . . . . . . . . 50
8.2.3. KombinierteModellierung . . . . . . . . . . . . . . . . . . . . . . . . 50
8.3. Trainingsphase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
8.4. Validierungsphase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
8.4.1. Over-undUnderfi(cid:427)ng . . . . . . . . . . . . . . . . . . . . . . . . . . 52
8.5. Testphase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
8.6. ErstellungvonTrainings-,Validierungs-undTestsets . . . . . . . . . . . . . . . 60
IV. Prak(cid:415)scheUmsetzung 62
9. WahldesFrameworks 63
9.1. JOONE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
9.2. Neuroph . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
9.3. Encog . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
10.AnalysederProblemstellung 66
10.1.BeschreibungvonDatenbasisundPrognosegegenstand . . . . . . . . . . . . . 66
10.2.AlgorithmuszurBedarfsannäherung . . . . . . . . . . . . . . . . . . . . . . . 67
10.3.VergleichbarkeitderangestrebtenmitderbestehendenLösung . . . . . . . . 68
10.3.1. ÜbersichtüberbestehendeArchitektur . . . . . . . . . . . . . . . . . 68
10.3.2. ÜbersichtüberKNN-Architektur . . . . . . . . . . . . . . . . . . . . . 70
10.3.3. Vergleichbarkeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
10.3.4. Defini(cid:415)oneinerTeillösung . . . . . . . . . . . . . . . . . . . . . . . . 71
11.Konfigura(cid:415)on,ModellierungundImplemen(cid:415)erung 75
11.1.Konfigura(cid:415)ondesKNN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
11.1.1. Konfigura(cid:415)onderVerarbeitungsschri(cid:425)eimNeuronV . . . . . . . . . . 75
11.1.2. Konfigura(cid:415)onderInforma(cid:415)onsverarbeitungundPropagierungI . . . . 76
11.1.3. Konfigura(cid:415)onderParametrisierungdesLernprozessesL . . . . . . . . 77
11.1.4. ZusammenfassungderKonfigura(cid:415)on . . . . . . . . . . . . . . . . . . 78
11.2.Modellierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
11.2.1. Bes(cid:415)mmungprognoserelevanterVariablen . . . . . . . . . . . . . . . 79
11.2.2. Modellierungsformen . . . . . . . . . . . . . . . . . . . . . . . . . . 81
11.3.Implemen(cid:415)erung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
11.3.1. Normalisierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
11.3.2. MaximaleInput-Matrix . . . . . . . . . . . . . . . . . . . . . . . . . . 85
v
Inhaltsverzeichnis
11.4.BewertungderHandhabbarkeitderImplemen(cid:415)erungKNN . . . . . . . . . . . 89
11.4.1. BewertungdesKNN-FrameworksEncog . . . . . . . . . . . . . . . . . 89
11.4.2. BewertungderKomplexitätundHandhabbarkeitderImplemen(cid:415)erung 90
12.Versuchsau(cid:297)auundAuswertung 92
12.1.EingrenzungderModellmenge . . . . . . . . . . . . . . . . . . . . . . . . . . 92
12.1.1. Analyse1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
12.1.2. Analyse2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
12.2.Op(cid:415)mierungdereingegrenztenModellmenge . . . . . . . . . . . . . . . . . . 104
12.2.1. Op(cid:415)mierungdesZeitreihenmodellsZrP(14) . . . . . . . . . . . . . . . 104
12.2.2. Op(cid:415)mierungdeskausalenModellsKaP . . . . . . . . . . . . . . . . . 106
12.2.3. Op(cid:415)mierungdeskombiniertenModellsKoP(7) . . . . . . . . . . . . . 108
12.3.AuswertungundTestdesbestenModells . . . . . . . . . . . . . . . . . . . . 110
12.3.1. AuswertungValidierungsfehler . . . . . . . . . . . . . . . . . . . . . . 110
12.3.2. AuswertungTes(cid:414)ehler . . . . . . . . . . . . . . . . . . . . . . . . . . 114
12.4.ZusammenfassungderVersuchsergebnisse . . . . . . . . . . . . . . . . . . . 117
V. Schlussbetrachtungen 119
13.Fazit 120
14.Ausblick 122
VI. Anhang 123
Glossar 124
Literaturverzeichnis 125
VersicherungüberSelbstständigkeit 131
vi
Teil I.
Einführung
1
1. Einleitung
ZuverlässigeBedarfsprognosenentscheidenimEinzelhandelo(cid:332)überGewinnoderVerlust.Bei
einergeringenGewinnmargeistesunerlässlich,dasseinerseitseineausreichendeAnzahleines
Ar(cid:415)kelsvorrä(cid:415)gist,damitalleKäuferdengewünschtenAr(cid:415)kelvorfindenaberandererseitsso
wenigAbschri(cid:332)enwiemöglichproduziertwerden.
Beidurchschni(cid:425)lichenGewinnmargenimLebensmi(cid:425)elEinzelhandelvonuntereinemProzent
(Jacobsen,2013)schlägtjederzuvielproduzierteAr(cid:415)kel,jedeStundeunnö(cid:415)geLagerhaltung
und jeder ungenutzte Regalmeter nega(cid:415)v zu Buche. Gleichzei(cid:415)g kann ein guter Umsatz nur
dann verbucht werden, wenn jeder einzelne Ar(cid:415)kel möglichst o(cid:332) verkau(cid:332) wird. Die Zielset-
zung muss also stets lauten: soviel wie nö(cid:415)g und so wenig wie möglich eines Ar(cid:415)kels vorrä-
(cid:415)gzuhaben.Dochwielässtsichdiese'goldene'Menge,dienichtzuvielundnichtzuwenig
seindarf,ermi(cid:425)eln?HerkömmlicherWeisewirdsicheinesgroßenSpektrumsmathema(cid:415)scher
Verfahrenbedient.VonnaivenVerfahren,dieeinePrognoseanhandderletztenVerkaufszahl
ermi(cid:425)eln, bis hin zu hochkomplexen sta(cid:415)s(cid:415)schen Verfahren, die ohne die Betreuung durch
Wirtscha(cid:332)smathema(cid:415)kernichteingesetztwerdenkönnen.SeitEndedesletztenJahrtausends
kommen aber vermehrt Künstliche Neuronale Netze (KNN) zum Einsatz (Vemuri und Rogers,
1994),diedeutlichbessereErgebnisseliefern,alsdienaivenVerfahrenunddeutlichweniger
komplexinderAnwendungsindalsdiehochspezialisiertensta(cid:415)s(cid:415)schenPrognoseverfahren.
DievorliegendenBachelorarbeituntersuchtinwiefernsichKünstlicheNeuronaleNetzedazu
eignen den Bedarf an Backwaren in Filialen eines Einzelhandel-Discounters für den Folgetag
zuverlässig zu prognos(cid:415)zieren. Voraussetzung dafür ist eine Modellierung des Anwendungs-
falls, um die passenden Informa(cid:415)onen und die geeignete Form der Daten zur Ermi(cid:425)eln, die
einKNNbenö(cid:415)gt,umop(cid:415)maleBedarfsprognosenliefernzukönnen.
1.1. Problemstellung
ImRahmeneinergroßenSo(cid:332)warelösungfüreinenEinzelhandelsdiscounterhatdieFirmamgm
technologypartnerseinModulentwickelt,dasBackmengenempfehlungenerrechnetunddie-
sejederFilialetäglichperE-MailzurVerfügungstellt.
Die Anforderung besteht darin für alle Filialen mit Backstraßen - also solche die Backwaren
selbstbacken-eineBackmengenempfehlungfürdenFolgetagzuerstellen.Diesemusstagge-
nau,filialgenauundar(cid:415)kelgenausein.Dasheißt,dassfürjedenÖffnungstag,jedeFilialeund
jedendortgebackenenAr(cid:415)keleineBackmengenempfehlungerrechnetwird.
2
1. Einleitung
InderbestehendenSo(cid:332)warelösungwirdanjedemTagt(Ermi(cid:425)lungszeitpunkt)fürjedeFiliale
einnächtlicherBatchgestartet,derfürjedendortgebackenenAr(cid:415)keleineBackmengenemp-
fehlungfürdenTagt+1(Prognosezeitpunkt)errechnet.DerBerechnungsalgorithmus¹basiert
aufdenhistorischenAbverkaufszahlendieserFiliale,dieüberdieScannerkassenundeinan-
gebundenes Datawarehouse bereitgestellt werden. Aus dieser Datenmenge wählt der Algo-
rithmusnVergleichstagezut+1,streichtdenTagmitdemgeringstenAbverkaufundbildet
über die restlichen Werte den Mi(cid:425)elwert. Die Vergleichbarkeit der Tage ist über die Gleich-
heitdesWochentagesdefiniert.DieserVorgangistinderfolgendenTabelle1.1exemplarisch
dargestellt.
Vergleichstag Abverkaufzahl
MontagKW20 17
MontagKW21 15
MontagKW22 13
MontagKW23 11
MontagKW24 8
MontagKW25 23
MontagKW26 19
SummeAbverkauf 106
BereinigteSumme 98
Mi(cid:425)elwertüberbereinigteSumme 98/6=16
Prognose:MontagKW27 16
Tabelle1.1.:Mi(cid:425)elwertbildungüberVergleichstagemitn = 7
1.1.1. Abgrenzung
Die hier erwähnte Backmengenempfehlung ist das Endprodukt der Implemen(cid:415)erung beim
Kunden.DessenGrundlageeinezuvorermi(cid:425)elteBedarfsprognoseist.Dieserprognos(cid:415)zierte
Bedarfwirddannaberu.a.nochaufverschiedenenZei(cid:414)ensterverteilt,eswerdenBackblech-
belegungenerrechnetundÜberhängeaufZusatzblechenzusammengefasst.AmEndedieses
Prozesses,stehteinversandfer(cid:415)gesPDFmitallennö(cid:415)genInforma(cid:415)onenfürdieeinzelnenFili-
alleiter.DieBackmengenempfehlungist,imGegensatzzurBedarfsprognose,nichtGegenstand
dieserArbeit.
¹DerBerechnungsalgorithmusdarfauslizenzrechtlichenGründenhiernurvereinfachtundinAnsätzendarge-
stelltwerden.
3
2. Mo(cid:415)va(cid:415)on und Zielsetzung
Wie in Abschni(cid:425) 1.1 beschrieben, handelt es sich bei der vorliegenden Problemstellung um
einenAnwendungsfallauseinerbereitsproduk(cid:415)venSo(cid:332)warelösung.DerbeschriebeneAnsatz
istseitJahrenbeimKundenimEinsatzundsolldurchdieseArbeiteinemöglicheAlterna(cid:415)ve
aufgezeigtbekommen.
DazuwerdenfolgendeFragestellungenuntersucht:
1. WielässtsichdieProblemstellungop(cid:415)malmodellieren,ummitHilfevonKNNgelöstzu
werden?
2. WieguteignensichKNNzurErmi(cid:425)lungvonBedarfsprognosenfürBackwarenimEinzel-
handel und wie schneiden diese Prognosen im Vergleich zum bisher eingesetzten Pro-
gnoseverfahrenab?
AußerdemsollenwährendderBearbeitungdergenanntenFragestellungen,Erfahrungenbzgl.
derHandhabbarkeiteinerKNN-Lösung,imUmfeldeinerklassischenJavaSo(cid:332)wareentwicklung,
gesammeltundkompaktzusammengefasstwerden.
4