Um die oben genannten Probleme zu lösen, haben wir die Forecasting Platform entwickelt, eine mit KNIME erstellte Webanwendung, die es Entscheidungsträgern und Stakeholdern ermöglicht, ebenso wie Dateningenieuren und Datenwissenschaftlern bei der Erstellung einer Pipeline mitzuwirken.

Die Lösung bietet mehrere Vorteile gegenüber historischen Prognoselösungen:

• Konfigurierbare, dynamische Plattform. Ermöglicht die Anpassung des zugrunde liegenden Vorhersageprozesses durch Änderung der Parameter, Datensätze oder Modelle, was innerhalb weniger Stunden oder Minuten geschehen kann, um eine zeitnahe Vorhersage zu liefern.
• Schnellere, flexible Verarbeitung mit Big Data. End-to-End-Pipelines können in den meisten Fällen mehrmals am Tag ausgeführt werden und sind nur durch den Rechenaufwand begrenzt, den die Benutzer bereit sind, auf sich zu nehmen. Die Unternehmen können Prognosen in jedem gewünschten oder erforderlichen Rhythmus erstellen.
• Umfangreiche Reihe von Prognosemodellen. Das maschinelle Lernen ermöglicht eine schnelle Änderung der Modelle, die den Prognosen der Unternehmen entsprechen. Die größte Stärke von KNIME und damit auch von KFP ist die Möglichkeit, fortgeschrittene Modelle wie neuronale Netze und Random-Forest-Algorithmen ohne Code einzubinden (eine Codierung ist jedoch bei Bedarf möglich), wodurch die Vorhersage anspruchsvoll und genau wird, ohne die Komplexität zu erhöhen.
• Genauigkeitsmessung. Ermöglicht die Messung der Vorhersagegenauigkeit nach den Grundsätzen von Systemen des maschinellen Lernens. Algorithmen des maschinellen Lernens verfügen von Haus aus über Genauigkeitsmessungen, Datenversionen wie Trainings-, Test- und Produktionsdatensätze und geben frühzeitig wertvolles Feedback.
• Fähigkeit, auf Ereignisse des schwarzen Schwans zu reagieren. Verringert das Risiko, wichtige globale Ereignisse zu verpassen, da schnelle Änderungen möglich sind. Vielen Unternehmen entgehen kritische Ereignisse, weil es keine einfache Möglichkeit gibt, externe Ereignisse zu integrieren.

Disziplin aufgrund des eingeführten Prognoseverfahrens. Die Prognoseverfahren sind im Allgemeinen sehr gut etabliert und zu starr, um sie zu ändern. Für eine gut abgestimmte Lieferkette ist Flexibilität erforderlich, um das Feedback der Beteiligten einzubeziehen, verschiedene Prognoseparameter zu konfigurieren und sie in ein bestehendes System zu integrieren. Das KFP kann unabhängig verwaltet und in bereits bestehende Geschäftsprozesse integriert werden.