Ich werde ein AI-Nachfrageprognosemodell für dein Gebiet erstellen

1. Umfang & Hypothesen

• Ziele definieren: Bestimme den Prognosezeitraum (z.B. 30-Tage-SKU-Ebene) und Zielmetriken (z.B. geringere Lagerausfälle).
• Daten prüfen: Überprüfe die Tiefe, Qualität und Lücken der historischen Verkaufs- und Bestandsaufzeichnungen.
• Hypothesen testen: Überprüfe saisonale Trends und bestätige, ob Aktionen oder Wetter statistisch die Nachfrage beeinflussen.
• Grundlagen setzen: Erstelle eine einfache statistische Benchmark, um die ML-Leistung zu messen.

2. Datenvorbereitung

• Verstehen: Profiliere Schemata, identifiziere Datenbeziehungen und führe Explorative Datenanalyse (EDA) durch.
• Bereinigung: Fehlende Zeitstempel imputieren, Supply-Chain-Anomalien glätten und Formate standardisieren.
• Feature Engineering: Erstelle Verzögerungsvariablen, gleitende Durchschnitte, Kalender-Flags und Preis-/Promotionssignale.

3. Modellierung & Testen

• Training: Benchmarking von statistischen (Prophet), baumbasierten (XGBoost/LightGBM) und Deep-Learning-Modellen (LSTM).
• Auswahl: Bewertung der Trainingsgeschwindigkeit und Systemressourceneffizienz.
• Validierung: Durchführung von Zeitreihen-Cross-Validation, um Hyperparameter ohne Leckage zukünftiger Daten zu optimieren.
• Testen: Bewertung des finalen Modells auf einem ungesehenen Holdout-Set mit Fehlerkennzahlen wie WAPE und MAPE.

Dieses Modul verpacken [Keine Deployment/Integration]