An Adaptive Model Selection Framework for Demand Forecasting under Horizon-Induced Degradation to Support Business Strategy and Operations

Dit artikel introduceert AHSIV, een adaptief raamwerk voor modelselectie in vraagprognoses dat de prestatiedegradatie door forecast-horizonten en de variabiliteit in vraagpatronen adresseert door een horizonbewuste, regime-geconditioneerde aanpak te combineren met multi-objectieve optimalisatie en hiërarchische biascorrectie.

De kern

Samenvatting: Een slimme gids voor het voorspellen van de toekomst

Stel je voor dat je de eigenaar bent van een gigantische supermarkt. Je moet elke dag beslissen hoeveel producten je bestelt. Te weinig? Dan zijn de schappen leeg en zijn klanten boos. Te veel? Dan rot de voedsel weg of staat je geld vast in voorraad. Het probleem is: niemand weet precies wat de toekomst brengt.

Dit artikel gaat over een slimme manier om te kiezen welke voorspellingstool je moet gebruiken om die toekomst te zien. De auteurs, Adolfo en Víctor, ontdekten namelijk dat er geen enkele "super-tool" bestaat die altijd het beste werkt. Het hangt ervan af hoe ver je in de toekomst kijkt en hoe de vraag zich gedraagt.

Hier is de uitleg in gewone taal, met een paar leuke vergelijkingen:

1. Het Probleem: De "Weerkaart" die verandert

Stel je voor dat je een weersvoorspelling maakt.

• Voor morgen (kortetermijn) is het makkelijk: "Het regent."
• Voor volgende maand (langetermijn) is het lastig: "Het kan regenen, maar misschien ook zonnig zijn."

In de wereld van verkoop (zoals bij Walmart of in de M3/M4/M5 wedstrijden) gebeurt hetzelfde. Een computermodel dat perfect is om de verkoop van morgen te voorspellen, kan volledig falen als je probeert de verkoop van over een jaar te voorspellen.

Bovendien zijn sommige producten gek:

• Stabiele producten: Iedereen koopt elke week melk (voorspelbaar).
• Intermittente producten: Iemand koopt een ijskast, en dan weer niets voor een jaar (onvoorspelbaar).
• Chaotische producten: De vraag schiet omhoog en omlaag als een wildpaard.

De oude manier van werken was: "Laten we één model kiezen dat het beste werkt op de laatste maand en dat voor altijd gebruiken." De auteurs zeggen: Nee, dat werkt niet! Het is alsof je een auto kiest die perfect is voor de stad, en die dan ook gebruikt om over de Alpen te rijden.

2. De Oplossing: AHSIV (De Slimme Navigatie)

De auteurs hebben een nieuw systeem bedacht dat AHSIV heet. Je kunt dit zien als een slimme navigatie die niet alleen naar de bestemming kijkt, maar ook naar het type weg en het weer.

De navigatie doet drie dingen:

A. De "Horizon-Deur" (MDFH)
Stel je voor dat je een bal gooit. Hoe verder je gooit, hoe meer kans er is dat de wind de bal beïnvloedt. De fout in een voorspelling groeit naarmate je verder in de toekomst kijkt.

• AHSIV past de regels aan. Als je naar de verre toekomst kijkt, zegt de navigatie: "Oké, de fout wordt groter, dus we moeten de verwachtingen iets aanpassen." Ze noemen dit MDFH (Metric Degradation by Forecast Horizon). Het is alsof je een bril opzet die de afstand correcteert, zodat je niet denkt dat iets dichterbij is dan het is.

B. De "Weg-Checker" (Structuur)
De navigatie kijkt eerst naar het type weg:

• Is het een gladde snelweg (stabiele vraag)? Dan gebruiken ze een complexe, slimme routeplanner die meerdere opties combineert.
• Is het een hobbelig pad met gaten (intermittente vraag)? Dan kiezen ze voor een simpele, veilige route die niet probeert te slim te zijn. Ze passen de strategie aan op basis van het gedrag van het product.

C. De "Balans-Meter" (Pareto)
Soms is de ene tool goed in het voorspellen van de hoeveelheid, maar slecht in het voorspellen van de richting (te veel of te weinig). AHSIV kijkt naar beide. Het zoekt de "gouden middenweg" die het minst fouten maakt, zonder dat je hoeft te kiezen tussen twee slechte opties.

3. Wat hebben ze bewezen?

Ze hebben dit systeem getest op enorme datasets (zoals de verkoop van Walmart en andere grote wedstrijden). Ze hebben gekeken naar drie verschillende manieren om te kiezen:

1. De Simpele: "Kies de tool die het beste was gisteren."
2. De Gemiddelde: "Kies de tool die overal gemiddeld goed is."
3. AHSIV (Onze Navigatie): "Kies de tool die het beste is voor deze specifieke weg en deze specifieke afstand."

Het resultaat:

• De simpele en gemiddelde methodes deden het vaak slecht, vooral als je ver in de toekomst keek.
• AHSIV deed het even goed als de beste simpele methode op de korte termijn, maar veel beter op de lange termijn.
• Het belangrijkste: AHSIV koos vaker de perfecte tool voor het specifieke moment. Het was flexibeler.

4. Waarom is dit belangrijk voor jou?

Voor een bedrijf betekent dit minder geldverlies.

• Als je te veel bestelt, gooi je geld weg aan opslag en rotte producten.
• Als je te weinig bestelt, mis je verkoop en worden klanten boos.

Met AHSIV kunnen bedrijven zeggen: "Voor dit specifieke product, voor de komende 12 weken, is dit de beste manier om te voorspellen." Ze hoeven niet meer te gokken met één vaste formule voor alles.

Conclusie

Dit artikel zegt eigenlijk: Stop met het gebruik van één maat voor alle maten. De toekomst is complex en verandert naarmate je verder kijkt. Je hebt een slimme, aanpasbare gids nodig die weet wanneer hij voorzichtig moet zijn (bij onstabiele producten) en wanneer hij durft te plannen (bij stabiele producten). AHSIV is die gids, en hij helpt bedrijven om hun voorraad slim te beheren, ongeacht hoe ver ze in de toekomst kijken.

Technische samenvatting

1. Het Probleem

In dynamische bedrijfsomgevingen, gekenmerkt door structurele onderbrekingen in de vraag (intermittency), hoge variabiliteit en meervoudige planningshorizons, is het selecteren van het juiste prognosemodel voor elk SKU (Stock Keeping Unit) een complex probleem. De studie identificeert drie kernproblemen:

• Geen universeel dominant model: Geen enkel prognosemodel presteert consistent het beste over alle datasets, vraagregimes en horizons.
• Inconsistentie in rangschikking: Verschillende evaluatiemetrics (zoals MAE, RMSE, RMSSE) leiden vaak tot tegenstrijdige rangschikkingen van modellen.
• Horizon-afhankelijke degradatie: De voorspellingsfout neemt toe naarmate de voorspellingshorizon langer wordt. Bestaande methoden evalueren modellen vaak op een enkel, kort testhorizon, wat leidt tot een te optimistische inschatting van de prestaties voor langere operationele planningsperioden. Dit creëert instabiliteit in de modelselectie wanneer deze wordt toegepast op toekomstige operationele beslissingen.

2. Methodologie

De auteurs stellen een nieuw raamwerk voor, genaamd AHSIV (Adaptive Hybrid Selector for Intermittency and Variability), dat is ontworpen om deze problemen aan te pakken door rekening te houden met zowel de structuur van de vraag als de degradatie van de fout over de tijd.

Kerncomponenten van de methodologie:

• Metric Degradation by Forecast Horizon (MDFH):
  Dit is een procedure om de verwachte foutmetrieken (zoals MAE, RMSE, RMSSE) te projecteren van het testhorizon naar een toekomstig operationeel planningshorizon.

  • De methode modelleert foutgroei via een machtwet ($E(h) \propto h^\alpha$).
  • De projectie is regime-afhankelijk: Alleen als de tijdreeks als "stabiel" wordt geclassificeerd (geen explosief gedrag of systematische bias), wordt de fout aangepast. Bij instabiele reeksen blijft de oorspronkelijke foutwaarde behouden om onterechte extrapolatie te voorkomen.

• Structurale Vraagclassificatie:
  AHSIV classificeert elke vraagreeks op basis van twee parameters:

  1. Frequentie ($p$): Het aandeel perioden met vraag.
  2. Variabiliteit ($c$): De variatiecoëfficiënt van de vraag.
     Dit leidt tot een indeling in een "Regulier/Stabiel" regime of een "Intermitterend/Hoog Variabel" regime.

• Het AHSIV Selectieproces:

  • Voor stabiele reeksen: Het systeem gebruikt een multi-objectieve Pareto-dominantie benadering. Het minimaliseert zowel de schaal-gecorrigeerde fout (RMSSE) als de absolute fout (MAE). Vervolgens wordt een hiërarchische verfijning toegepast om systematische bias (BIAS) en relatieve fout (sMAPE) te minimaliseren.
  • Voor intermitterende/hoge variabiliteit reeksen: Het systeem kiest een conservatieve strategie en selecteert direct het model met de laagste schaal-gecorrigeerde fout (RMSSE) om instabiliteit te voorkomen.

• Evaluatiemetrics:
  Naast traditionele foutmetrieken introduceert de studie GRA (Global Relative Accuracy). GRA meet de coherentie tussen het totale voorspelde volume en het totale gerealiseerde volume over een horizon. Dit is cruciaal voor voorraadplanning, omdat het de economische impact van systematische over- of onderschatting weergeeft.

• Experimenteel Opzet:
  De evaluatie vond plaats op vier grote datasets (Walmart, M3, M4, M5) met verschillende train-test splits (91:9, 80:20, 70:30) en een voorspellingshorizon van 12 cycli. Er werden diverse modellen getest, variërend van statistische methoden (ARIMA, SES) tot machine learning (XGBoost, LSTM, Transformers).

3. Belangrijkste Bijdragen

1. Formalisatie van MDFH: Een procedurele methode om foutmetrieken te corrigeren voor horizon-afhankelijke degradatie onder strikte voorwaarden van structurele stabiliteit, zonder gebruik te maken van onbekende toekomstige waarden.
2. AHSIV Framework: Een adaptieve, hybride selectormechanisme dat de statistische structuur van de vraag (intermittency/variabiliteit) koppelt aan multi-objectieve optimalisatie en bias-minimalisatie.
3. Strategische Validatie: Het introduceren van GRA als een maatstaf voor de operationele coherentie van voorspellingen, wat de link legt tussen statistische nauwkeurigheid en voorraad-efficiëntie.

4. Resultaten

De empirische resultaten tonen het volgende aan:

• Statistische Equivalentie: AHSIV presteert statistisch gelijkwaardig aan de beste single-metric baseline (RMSSE-h) in termen van de geaggregeerde GRA-waarde.
• Superieure Horizon-Specifieke Selectie: Hoewel de gemiddelde prestaties vergelijkbaar zijn, selecteert AHSIV significant vaker het model dat op een specifiek horizon het beste presteert. Dit bevestigt dat modelselectie niet statisch is, maar varieert per horizon.
• Verschil met ERA: De "Equilibrium Ranking Aggregation" (ERA) methode, die een statische aggregatie van rangschikkingen gebruikt, presteerde consistent slechter dan zowel AHSIV als de RMSSE-h baseline.
• Robuustheid: De resultaten waren consistent over alle drie de train-test splits en alle datasets, wat aantoont dat de adaptieve logica van AHSIV niet afhankelijk is van een specifieke verdeling van historische data.
• Niet-statische Rangschikking: De analyse bevestigt dat de keuze van het optimale model sterk varieert naarmate de horizon toeneemt. Een model dat op horizon 1 het beste is, hoeft niet het beste te zijn op horizon 12.

5. Betekenis en Conclusie

De studie concludeert dat modelselectie voor vraagprognoses niet kan worden behandeld als een statisch rangschikkingsprobleem dat op één testmoment wordt opgelost. In plaats daarvan vereist het een horizon-bewust en structureel adaptief mechanisme.

• Operationele Impact: Door de degradatie van de voorspelling te modelleren en de selectie aan te passen aan de vraagstructuur, kunnen bedrijven betere voorraadbeslissingen nemen, wat leidt tot lagere voorraadkosten en een hogere servicegraad.
• Methodologische Vooruitgang: De integratie van MDFH en regime-afhankelijke logica biedt een wetenschappelijk onderbouwde aanpak voor multi-SKU omgevingen, waarbij de trade-off tussen nauwkeurigheid, stabiliteit en operationele relevantie wordt beheerd.

Kortom, AHSIV biedt een principieel en operationeel coherent raamwerk om de complexiteit van vraagprognoses in heterogene bedrijfsomgevingen te navigeren, waarbij de dynamiek van de voorspellingshorizon centraal staat.