Premium-Autohersteller optimieren Nachfrageprognosen mit Spatiotemporal- und Online-Daten

Ein neues Forschungsprojekt von arXiv präsentiert, wie Premium-Autohersteller ihre monatlichen Nachfrageprognosen deutlich verbessern können. Durch die Kombination von LightGBM-Ensembles, Quantilregression und einer Mixed-Integer-Linear-Programming-Rekonsilierung werden Prognosen auf strategischer und operativer Ebene erzeugt.

Die Analyse zeigt, dass räumlich-zeitliche Abhängigkeiten sowie Rundungsfehler die Genauigkeit stark beeinflussen. Besonders wichtig ist die Ausgabe von ganzzahligen Vorhersagen, damit die Prognosen in der Praxis umsetzbar bleiben.

Ein Shapley-Analyse-Ansatz verdeutlicht, dass kurzfristige Nachfrage stark von Produktlebenszyklen, autoregressiven Impulsen und operativen Signalen geprägt ist. Mittelfristige Prognosen hingegen spiegeln vorausschauende Treiber wider, darunter Online-Engagement, Planungsziele und Wettbewerbsindikatoren. Die Einbindung von Online-Verhaltensdaten erhöht die Genauigkeit insbesondere bei stark differenzierten Produktgruppen.