Der SAS Forecast Server im Praxiseinsatz

Aus SAS-Wiki
Wechseln zu: Navigation, Suche

Der SAS Forecast Server mit dem Frontend SAS Forecast Studio ist ein Tool zur automatisierten Durchführung von Prognosen großer Datenmengen. Der Anwender kann über die Oberfläche ohne SAS-Code zu schreiben schnell und einfach Zeitreihenanalysen durchführen.

Mit dem SAS Forecast Server kann man mehrere tausend Zeitreihen in kurzer Zeit modellieren und prognostizieren. Der SAS Forecast Server beinhaltet eine Vielzahl von Zeitreihenmodellen, die automatisch für jede Zeitreihe durchgerechnet werden, um das optimale Modell für die Prognose zu finden.

Ein Praxisbeispiel mit dem SAS Forecast Server und SAS Forecast Studio 3.1

Die Funktionalität des SAS Forecast Servers und des SAS Forecast Studio 3.1 wird im Folgenden an einem Praxisbeispiel, der Bedarfsplanung der Heidelberger Druckmaschinen (HDM), beschrieben. Die Bedarfsplanung der Heidelberger Druckmaschinen AG wird über Zeitreihenanalysen gesteuert. Einzelteile müssen frühzeitig bestellt oder produziert werden. Es ist wichtig den künftigen Bedarf möglichst genau zu kennen, um eine wirtschaftlichere Fertigung zu ermöglichen.

Daten der Heidelberger Druckmaschinen AG

Die Daten der HDM sind monatlich erhobene Verkaufszahlen, die in einer Hierarchie vorliegen. Es gibt verschiedene Produktklassen, die jeweils verschiedene Druckmaschinen-Typen beinhaltet. Diese Druckmaschinen-Typen lassen sich in Typreihen zusammenfassen. Jeder Maschinentyp hat wiederum verschiedene Merkmale, wie z.B. Farbwalzen oder Art der Laserköpfe, welche in verschiedenen Ausprägungen vorkommen können, wie z.B. normal-Farbwalzen oder UV-Farbwalzen, 64-er Laserköpfe, 45-er Laserköpfe oder 32-er Laserköpfe. Die unterste Ebene der Hierarchie ist also die Merkmalsausprägung, auch Variante genannt.

  1. Produktklasse
  2. Typreihe
  3. Maschinentyp
  4. Maschinenmerkmal
  5. Maschinenmerkmalswert (Ausprägung/Variante)

Hier wird als Beispiel die Typmengen Prognose vorgestellt ohne die niedrigeren oder höheren Hierarchie-Ebenen zu berücksichtigen.

Als Modellgrundlage werden alle historisch vorliegenden Werte bis einschließlich Dezember 2007 verwendet. Aus Basis des besten Prognose-Modells pro Zeitreihe sollen 12 Monate, also das gesamte Jahr 2008, vorher gesagt werden.

Hinweis: Die hier vorliegenden Zahlen und Grafiken sind anonymisiert und spiegeln nicht (!) die echten/realen Werte wieder.

Zeitreihenanalyse mit dem SAS Forecast Studio 3.1

Um eine Zeitreihenanalyse im SAS Forecast Studio durchzuführen, muss zuerst ein neues Projekt angelegt werden:

ProjektAnlegen.png

Als nächstes wählt man die vorbereiteten Daten aus einer SAS-Library, die importiert werden sollen und auf die die Zeitreihenanalyse angewendet werden soll:

DatenImportieren.png

Im nächsten Schritt werden die By-Variablen festgelegt. Falls es eine Hierarchie gibt, dann muss diese hier angegeben werden. In diesem Beispiel betrachten wir keine Hierarchie, sondern nur die Maschinentyp-Ebene. Es gibt pro Maschinentyp (typID) eine Zeitreihe, die analysiert werden soll, daher ist die By-Variable die typID:

ByVariableFestlegen.png

Nach der By-Variable wird die Zeitvariable festgelegt und die Periode in der diese vorliegt. In diesem Beispiel haben wir monatliche Werte:

ZeitvariableFestlegen.png

Als nächstes werden den restlichen Variablen die entsprechenden Rollen zugewiesen. Man hat die Auswahl zwischen "abhängig", "unabhängig", "nur im Bericht" oder "keine". Für die Bedarfsplanung der HDM ist Typmenge die abhängige Variable, für die eine Prognose erstellt werden soll. Außerdem legt man in diesem Schritt auch die Methode der Aggregation und Akkumulation fest, z.B. Summe der Werte, Quotient der Werte etc. Unter Aggregation versteht man die Methode, um mehrere Zeitreihen zu einer Zeitreihe zusammen zu fassen, d.h. Daten innerhalb eines Zeitintervals zu kombinieren. Wenn man mehrere Hierarchie-Ebenen hat, kann man so von einer Hierarchie-Stufe auf die nächste aggregieren oder herunter brechen. Unter Akkumulation versteht man zum Einen das Konvertieren der Zeitreihe ohne festes Zeitintervall in eine Zeitreihe mit festem Zeitintervall und zum Anderen das Konvertieren einer Zeitreihe mit festem Zeitintervall in eine Zeitreihe mit niedrigerem bzw. höherem Zeitintervall (z.B. stündliche Intervall nach täglich akkumulieren).

RollenZuordnung.png

Im nächsten Schritt muss angegeben werden, wie die Daten aufbereitet werden sollen, z.B. wie mit fehlenden Werten (Missings) umgegangen werden soll, ob es ein einheitliches Datum geben soll, wann die Zeitreihen anfangen, dann kann man vorherige Werte ignorieren, etc. In diesem Beispiel werden die fehlenden Werte als fehlend betrachtet.

DatenAufbereitung.png

Nun kann man den Prognose-Horizont einstellen, d.h. in diesem Fall, wie viele Monate vorher gesagt werden sollen (hier 12). Außerdem kann man noch weitere Prognose-Einstellungen vornehmen:

WeitereEinstellungen.png

Wenn man weitere Prognose-Einstellungen vornehmen möchte und das in dem obigen Fenster angeklickt hat, dann kann man z.B. das Auswahlkriterium (Gütemaß) festlegen. In diesem Beispiel wurde der MAE ausgewählt, da es sich um absolute Abweichungen handelt und diese einfach zu interpretieren sind:

GuetemassFestlegen.png

Am Ende kann man dann die Prognosen erstellen oder den entsprechenden SAS-Code speichern und die Prognosen zu einem anderen Zeitpunkt erstellen:

PrognoseErstellen.png

Ergebnisse des Praxisbeispiels

Das SAS Forecast Studio liefert als erstes Ergebnis eine Übersicht bzw. eine Zusammenfassung über die auf die Daten angewendeten Zeitreihen-Modelle. Die Verteilung der MAE-Werte wird dargestellt, sowie die Verteilung der Modellfamilien und –typen. ESM steht für exponentielle Glättung (exponential smoothing model) und IDM für Intermittend Demand Modell. Für die 47 verschiedenen Zeitreihen der Maschinentypen (pro Maschinentyp eine Zeitreihe) wird am häufigsten (an die 60%) das Modell der exponentiellen Glättung verwendet, bzw. durch den MAE als bestes Modell ausgewählt.

PrognoseUebersicht.png

Schließt man die obige Übersicht, so kommt man zu der folgenden Darstellung im SAS Forecast Studio. Hier sind die einzelnen Zeitreihen und ihre Prognosen grafisch und tabellarisch dargestellt.

ForecastStudio.png

Zusammenfassung

  • Der SAS Forecast Server bietet eine Vielzahl von Zeitreihen-Modellen
  • Diese können auf große Datenmengen mit vielen Zeitreihen angewendet werden
  • Verschiedene Gütemaße zur Evaluation des Modells und der Prognose stehen zur Verfügung
  • Die Datenqualität und Datengrundlage trägt wesentlich zur exakten Prognose bei
  • Der SAS Forecast Server bietet viele weitere Einstellungs- und Tuning-Möglichkeiten, um die Modelle und Prognosen zu verbessern, z.B. durch Integration eigener Zeitreihe-Modelle