AI Quick Summary

Demand Forecasting ist ein zentraler Bestandteil von vielen Planungsprozessen in der Migros und unterstützt unter anderem den Einkauf sowie die Produktion. Mithilfe von historischen Daten sollen Machine-Learning Modelle erstellt werden, welche die zukünftige Nachfrage von zwanzig Kernprodukten möglichst genau vorhersagen können. In diesem Projekt sollen Modelle für langfristige Vorhersagehorizonte von 12+ Monaten untersucht werden. Ausgangslage und ProblemstellungDemand Forecasting ist ein zentraler Bestandteil von vielen Planungsprozessen in der Migros und unterstützt unter anderem den Einkauf sowie die Produktion. Mithilfe von historischen Daten sollen Machine-Learning Modelle erstellt werden, welche die zukünftige Nachfrage von zwanzig Kernprodukten möglichst genau vorhersagen können. In diesem Projekt sollen Modelle für langfristige Vorhersagehorizonte von 12+ Monaten untersucht werden. Als Grundlage dafür stehen historische Verkaufszahlen, Informationen zu Aktionen/Promotionen und weitere Einflussfaktoren zur Verfügung.Ziel der Arbeit und erwartete ResultateAusgehend von klassischen Methoden (insbesondere Zeitreihen-Analyse) sollen unterschiedliche Forecasting-Methoden angewendet und die Performance mithilfe von Backtesting auf historischen Verkaufszahlen verglichen werden. Bestehende Einflussfaktoren sollen auf ihre Wichtigkeit untersucht und - falls hilfreich - mit zusätzlichen Faktoren ergänzt werden. Die erarbeiteten Ansätze und der entwickelte Code sollen gut dokumentiert werden, um eine Integration in die bestehende Migros-Infrastruktur zu ermöglichen.Gewünschte Methoden, VorgehenDie Implementation erfolgt in Python. Ansonsten ist die Wahl von Methoden, Tools und Algorithmen den Studierenden freigestellt, um möglichst viel Raum für exploratives Arbeiten mit den Daten und unterschiedlichen Forecasting-Methoden zu ermöglichen. Geeignete Performance-Metriken können während des Projekts in Zusammenarbeit mit der Migros erarbeitet und definiert werden.Bei diesem Projekt handelt es sich um explorative Forschung. Es soll in einem iterativen, inkrementellen Ansatz umgesetzt werden. Die/der Student:in soll den aktuellen Stand des Projektes und die nächsten Schritte in regelmässigen Absprachen mit dem Betreuer besprechen, um Feedback zu sammeln und sich zu verbessern. Dabei gilt es, den Fokus auf der Entwicklung eines Vorhersage-Algorithmus zu halten und diesen im Sinne einer Machbarkeitsstudie zu entwickeln und zu testen.Kreativität, Varianten, InnovationDas Projektziel ist bewusst offen formuliert und lässt viel Raum für eigene Kreativität.Die Auswahl und Umsetzung des geeigneten Projektvorgehens ist Teil der Projektaufgabe und liegt grundsätzlich in der Verantwortung der/s Student:in. In regelmäßigen Treffen mit dem Betreuer werden der aktuelle Stand und die nächsten Schritte besprochen.Der Betreuer soll regelmässig bis einen Tag vor dem geplanten Treffen schriftlich (ca. 3 Bullet-Points pro Punkt, max. 1 Seite) über den aktuellen Stand informiert werden:· Welche Arbeiten wurden im letzten Berichtszeitraum durchgeführt, welche Arbeiten sind für die nächste Periode geplant· Stand der Arbeiten (Soll-Ist-Vergleich mit Planung), ggf. Begründung von Abweichungen· Top-3-Risiken inklusive geplanter MassnahmenDie Architektur soll so einfach wie möglich gehalten werden. Wenn möglich und sinnvoll sollen vorhandene Open-Source-Bibliotheken wiederverwendet werden, um das Ziel effizient zu erreichen.

Project Idea Metadata

• Project Idea Name: Long-Term Demand Forecasting
• Date: 11/23/2022 6:21:03 PM
• Administrators:
  • Andreas Streich

Project Idea Description

Ausgangslage und Problemstellung

Demand Forecasting ist ein zentraler Bestandteil von vielen Planungsprozessen in der Migros und unterstützt unter anderem den Einkauf sowie die Produktion. Mithilfe von historischen Daten sollen Machine-Learning Modelle erstellt werden, welche die zukünftige Nachfrage von zwanzig Kernprodukten möglichst genau vorhersagen können. In diesem Projekt sollen Modelle für langfristige Vorhersagehorizonte von 12+ Monaten untersucht werden. Als Grundlage dafür stehen historische Verkaufszahlen, Informationen zu Aktionen/Promotionen und weitere Einflussfaktoren zur Verfügung.

Ziel der Arbeit und erwartete Resultate

Ausgehend von klassischen Methoden (insbesondere Zeitreihen-Analyse) sollen unterschiedliche Forecasting-Methoden angewendet und die Performance mithilfe von Backtesting auf historischen Verkaufszahlen verglichen werden. Bestehende Einflussfaktoren sollen auf ihre Wichtigkeit untersucht und - falls hilfreich - mit zusätzlichen Faktoren ergänzt werden.

Die erarbeiteten Ansätze und der entwickelte Code sollen gut dokumentiert werden, um eine Integration in die bestehende Migros-Infrastruktur zu ermöglichen.

Gewünschte Methoden, Vorgehen

Die Implementation erfolgt in Python. Ansonsten ist die Wahl von Methoden, Tools und Algorithmen den Studierenden freigestellt, um möglichst viel Raum für exploratives Arbeiten mit den Daten und unterschiedlichen Forecasting-Methoden zu ermöglichen. Geeignete Performance-Metriken können während des Projekts in Zusammenarbeit mit der Migros erarbeitet und definiert werden.

Bei diesem Projekt handelt es sich um explorative Forschung. Es soll in einem iterativen, inkrementellen Ansatz umgesetzt werden. Die/der Student:in soll den aktuellen Stand des Projektes und die nächsten Schritte in regelmässigen Absprachen mit dem Betreuer besprechen, um Feedback zu sammeln und sich zu verbessern. Dabei gilt es, den Fokus auf der Entwicklung eines Vorhersage-Algorithmus zu halten und diesen im Sinne einer Machbarkeitsstudie zu entwickeln und zu testen.

Kreativität, Varianten, Innovation

Das Projektziel ist bewusst offen formuliert und lässt viel Raum für eigene Kreativität.

Die Auswahl und Umsetzung des geeigneten Projektvorgehens ist Teil der Projektaufgabe und liegt grundsätzlich in der Verantwortung der/s Student:in. In regelmäßigen Treffen mit dem Betreuer werden der aktuelle Stand und die nächsten Schritte besprochen.

Der Betreuer soll regelmässig bis einen Tag vor dem geplanten Treffen schriftlich (ca. 3 Bullet-Points pro Punkt, max. 1 Seite) über den aktuellen Stand informiert werden:

· Welche Arbeiten wurden im letzten Berichtszeitraum durchgeführt, welche Arbeiten sind für die nächste Periode geplant

· Stand der Arbeiten (Soll-Ist-Vergleich mit Planung), ggf. Begründung von Abweichungen

· Top-3-Risiken inklusive geplanter Massnahmen

Die Architektur soll so einfach wie möglich gehalten werden. Wenn möglich und sinnvoll sollen vorhandene Open-Source-Bibliotheken wiederverwendet werden, um das Ziel effizient zu erreichen.

Demand Forecasting ist ein zentraler Bestandteil von vielen Planungsprozessen in der Migros und unterstützt unter anderem den Einkauf sowie die Produktion. Mithilfe von historischen Daten sollen Machine-Learning Modelle erstellt werden, welche die zukünftige Nachfrage von zwanzig Kernprodukten möglichst genau vorhersagen können. In diesem Projekt sollen Modelle für langfristige Vorhersagehorizonte von 12+ Monaten untersucht werden.