Im Smartphone-Segment, in dem neue Produkte in sehr kurzen Zyklen vermarktet werden, ist es notwendig, die Nachfrage präzise vorherzusagen und wesentliche Änderungen am Markt früh zu erkennen. Anhand eines Big-Data-Ansatzes können wir die Nachfrage für das Smartphone-Segment vorhersagen und konnten zudem ein Frühwarnsystem für Marktänderungen entwickeln.
Globalisierung und die immer schnellere technologische Entwicklung sind enorme Herausforderungen für Industrieunternehmen, die ihre Planung und Produktion in immer kürzeren Zyklen anpassen müssen, um komplexen und volatilen Märkten zu begegnen. Insofern ist es von zentraler Bedeutung, die Marktnachfrage zu beobachten und wesentliche Änderungen frühzeitig zu identifizieren. Wichtige Smartphone-Hersteller, die vor zehn Jahren den Markt dominierten, haben mittlerweile ihre Marktanteile verloren oder sind ganz verschwunden. Solche signifikanten Änderungen haben spürbare Auswirkungen auf Zulieferer elektronischer Komponenten, die ihre Produktion oft Monate im Voraus planen.
Im Projekt „AT&S Demand Forecasting“ wenden wir einen Big-Data-Ansatz an, um erstens einen Prototyp eines Frühwarnsystems für wesentliche Änderungen der Smartphone-Marktnachfrage zu entwickeln und um zweitens mittelfristige Trends in der Smartphone-Marktnachfrage vorherzusagen. Dieses Projekt ist eine Kooperation zwischen AT&S, dem österreichische High-End-Leiterplattenhersteller, dem Institut für Innovation und Industrie Management der TU Graz und dem Know-Center, Österreichs Forschungszentrum für Data-driven Business und Big Data Analytics.
Big Data
Im Rahmen dieses Projektes wurden für die Big-Data-Analyse sowohl AT&S-interne Datenquellen, wie Enterprise Resource Planning und andere Buchhaltungssysteme, als auch externe Datenquellen wie finanzielle und ökonomische Indikatoren von EuroStat bzw. OECD verwendet. Bei den externen Datenquellen wurden nicht nur makro- ökonomische Indikatoren, sondern auch Finanzdaten von anderen Unternehmen der Halbleiterindustrie berücksichtigt. Der gesamte Datenbestand, den wir verarbeitet haben, ist mehr als 300 Gigabyte groß und enthält mehr als 800 Millionen Zeilen. Unser Datenverarbeitungsprozess besteht aus mehreren Schritten. Zuerst extrahieren wir Daten aus unterschiedlichen Quellen mit unterschiedlichen Formaten. Im Anschluss harmonisieren wir diese unterschiedlichen Formate und gelangen somit zu einer einheitlichen Datenstruktur. Zuletzt übertragen wir die harmonisierten Daten auf den Big-Data-Rechencluster des Know-Centers, der aus 144 Intel Xeon CPUs, 1.5 Terabyte Arbeitsspeicher und 180 Terabyte Hauptspeicher besteht.
Dieses Bild zeigt einige der Big-Data-Quellen, die in diesem Projekt zur Analyse herangezogen wurden. Wir zeigen Statistiken zum gesamten Datenbestand, ohne weitere Details zu den AT&S-internen Datenquellen zu nennen.
Beherrschung der Datenflut
Für die Analyse der Daten wenden wir Werkzeuge der Zeitreihenanalyse an, bei der eine Reihe zeitlich aufeinanderfolgender Datenpunkte untersucht und deren Entwicklung vorhergesagt wird. Da unendlich viele Zeitreihen aus unseren Daten extrahiert werden könnten, reduzieren wir mithilfe von Domänenwissen die Anzahl auf mehrere zehn Millionen von Zeitreihen, die für die weitere Analyse ausgewählt werden. Ferner lassen wir zum Beispiel Zeitreihen ohne Vorlaufcharakter oder direkte Korrelation mit der Smartphone-Marktnachfrage außen vor und reduzieren so den Datensatz auf Zehntausende von Zeitreihen. Im Anschluss modellieren wir die Marktnachfrage für die Vorhersage des Smartphone-Marktes mit Methoden der Zeitreihenvorhersage sowie Ausreißer-Erkennung, die eine frühe Identifizierung von wesentlichen Änderungen der Marktnachfrage erlauben.
Erreichen der Projektziele
Für die rasche Identifizierung von wesentlichen Änderungen in der Marktnachfrage haben wir darauf fokussiert, den Niedergang eines großen Smartphone-Anbieters in Bezug zu seiner Peergroup von Konkurrenten nachzuvollziehen. Um ein solches Event zu erkennen, haben wir 23 Markt-Indikatoren identifiziert, in der sich die Performance des großen Smartphone-Anbieters signifikant von der seiner Peergroup unterschieden hat. Die Signifikanz der Unterschiede in der Performance bezieht sich hier auf einen Ausreißer-Score, der die Markt-Indikatoren zusammenfasst. Hier unterscheiden sich die Werte des großen Anbieters signifikant vom Durchschnitt der Peergroup. Mit dem Ausreißer-Score ist es gelungen, ein Signal zu extrahieren, bei dem der ausgewählte Anbieter anhand seines Verhaltens schon sechs Monate vor seinem großen Verlust an Marktanteilen identifiziert werden konnte. Dieses Signal kann als Basis eines Frühwarnsystems zusammen mit einem Aktionsplan dienen.
Im Rahmen der Vorhersage der Smartphone-Marktnachfrage haben wir sowohl einen kategorischen als auch einen kontinuierlichen Ansatz gewählt, um den Verlauf der Smartphone-Marktnachfrage mit einem Vorhersagenhorizont von zwölf Monaten vorherzusagen. Beim kategorischen Ansatz haben wir die Smartphone-Marktnachfrage in drei Klassen (stark negatives Wachstum, kein Wachstum und stark positives Wachstum) aufgeteilt und unterschiedliche Klassifikator-Algorithmen, wie zum Beispiel Support Vector Machines, auf unsere reduzierte Menge an Zeitreihen trainiert. Beim kontinuierlichen Ansatz haben wir die lineare Regression (mit derselben Menge an Zeitreihen) angewandt, um den Verlauf der Smartphone-Marktnachfrage direkt vorherzusagen. Mit beiden Ansätzen wurden Trends in der Smartphone-Marktnachfrage erkennbar.
Fünf Indikatoren eines großen Smartphone-Anbieters zeigen sukzessive signifikante Ausreißer gegenüber dem Markt und einer Peergroup des Anbieters.
