DriftGuard: Hierarchisches System erkennt und behebt Konzeptdrift

In der Lieferkettenprognose führen sich verändernde Marktbedingungen – wie wechselnde Promotionen, sich wandelnde Konsumgewohnheiten und unerwartete Lieferengpässe – zu einem allmählichen Abfall der Modellgenauigkeit. Dieser sogenannte Konzeptdrift bleibt oft unbemerkt, bis er zu Fehlbeständen oder Überbeständen führt, weil die Systeme keine Warnungen ausgeben.

Derzeit überwachen Unternehmen die Modelle meist manuell und führen alle drei bis sechs Monate ein vollständiges Retraining durch. Diese Vorgehensweise verschwendet Rechenressourcen, wenn die Daten stabil sind, und verpasst gleichzeitig schnelle Drift‑Ereignisse. Akademische Ansätze konzentrieren sich häufig ausschließlich auf die Erkennung von Drift, ohne dessen Ursachen zu diagnostizieren oder Gegenmaßnahmen zu ergreifen, und berücksichtigen dabei nicht die hierarchische Struktur von Produktlinien.

DriftGuard ist ein fünfmoduliges Framework, das den gesamten Drift‑Lebenszyklus abdeckt. Es kombiniert vier ergänzende Erkennungsmethoden – Fehler‑Monitoring, statistische Tests, Autoencoder‑Anomalieerkennung und CUSUM‑Change‑Point‑Analyse – und nutzt eine hierarchische Propagationsanalyse, um genau zu bestimmen, wo Drift in der Produkthierarchie auftritt.

Nach der Erkennung werden SHAP‑Analysen eingesetzt, um die Ursachen des Drift zu diagnostizieren, und eine kostenbewusste Retraining‑Strategie aktualisiert gezielt nur die am stärksten betroffenen Modelle. In Tests mit über 30.000 Zeitreihen aus dem M5‑Retail‑Datensatz erreichte DriftGuard eine Erkennungsrückrufrate von 97,8 % innerhalb von 4,2 Tagen und erzielte signifikante Verbesserungen in der Vorhersagegenauigkeit.