Demand Forecasting und Bestandsoptimierung mit KI

Spielen Sie mit dem Gedanken, Ihr Demand Planning mittels künstlicher Intelligenz auf ein neues Level zu heben, um

• die Zusammenarbeit zwischen Produktionsplanern und Algorithmus zu optimieren,
• Lager- und Abschreibungskosten zu senken,
• Ihre Lieferfähigkeit sicherzustellen und
• Zeit für die manuelle Planung der Bedarfe einzusparen?

Wir informieren Sie auf dieser Seite darüber, was es mit Demand Forecasting auf sich hat, welche Begrifflichkeiten Sie kennen sollten, geben methodische Einsichten und Einblicke, wie wir solche Fragestellungen angehen.

Ausgangsbasis Supply Chain & Demand Planning: die Herausforderung

Artikel oder auch Materialien in der Lieferkette in sinnvollen Stückzahlen und rechtzeitig parat zu haben, ist Teil einer funktionierenden Supply Chain. Das Ganze soll zudem möglichst effizient und kostengünstig und unter Gewährleistung einer hohen Kundenzufriedenheit funktionieren. Ein funktionierendes Demand Planning ist hier essenziell. Was kann man tun, um mit Hilfe von Data Science und KI diesen Zielen näher zu kommen und die Supply Chain weiter zu optimieren?

Was zu tun ist Wie man die Supply Chain mit AI optimieren kann

Künstliche Intelligenz (KI, engl. AI) und Data Science können in der Supply-Chain-Optimierung enorme Mehrwerte schaffen, da sie große Datenmengen analysieren, Muster erkennen und fundierte Entscheidungen ermöglichen. Wertvolle Maßnahmen sind:

Planung automatisieren durch Forecasting

Produzierende Unternehmen produzieren oft eine große Zahl an Artikeln oder Produkten unterschiedlichen Typs. Hierbei finden sich sowohl Artikel mit regelmäßiger und saisonaler als auch Artikel mit sporadischer Nachfrage wieder. Neue Artikel mit kurzen Historien und kleinen Stückzahlen ebenso wie langjährige Kassenschlager mit großen Volumina, trendbehaftete sowie stabile Artikel sind meist im Portfolio.

Um der Vielzahl an Planungsobjekten zu begegnen, bietet es sich an, die Planung so weit wie möglich zu automatisieren. Herzstück vieler unserer Demand-Planning-Projekte ist daher ein Vorhersagesystem, welches Vorhersagen für die Artikel oder Artikelgruppen für die nächsten Wochen oder Monate erzeugt. Wir legen viel Wert darauf, nicht eine Methode für alles zu verwenden, sondern den unterschiedlichen Typen von Planungsobjekten gerecht zu werden: ob lange oder kurze, saisonale oder sporadischer Demand: Wir können auf ein Portfolio von mehr als 30 Vorhersagemethoden aus Statistik sowie Machine Learning zurückgreifen, um neben regelmäßiger Nachfrage beispielsweise auch der besonderen Herausforderung sporadischer Nachfrage zu begegnen, die im Demand-Planning-Kontext häufig auftritt.

Je nach Unternehmen und Branche können unterschiedliche Herausforderungen für die Prognose auftreten, die es zu bewältigen gilt, beispielsweise:

• Welche Vorhersageebene ist eigentlich die beste? Lohnt es sich, jeden einzelnen Artikel vorherzusagen oder kann man auch Gruppen von Artikeln gemeinsam betrachten und ggf. die Planzahlen auf eine detailliertere Ebene herunterbrechen?
• Manche anstehenden Aufträge sind bereits im Vorhinein bekannt. Solche offenen Aufträge können in geeigneter Weise im Vorhersagesystem Beachtung finden, um die Prognosegüte noch zu erhöhen.
• Oft ist der tatsächliche Demand bzgl. die realisierten Verbräuche und Verkäufe stark abhängig von der Anzahl an Arbeitstagen pro Monat oder Woche. Auch hier steckt Potenzial für eine genauere Prognose, wenn die Arbeitstage geeignet Verwendung im Vorhersagesystem finden.
• Interne oder externe Faktoren können Einfluss auf den Demand ausüben, beispielsweise Marketingaktionen, Wirtschaftsindikatoren oder das Wetter. Es gilt, solche relevanten Faktoren zu identifizieren und geeignet in die Prognose zu integrieren.

Den Planern passgenaue Werkzeuge geben

Die Menge an Artikeln und Prognosen birgt die Gefahr, dass es nicht ganz einfach ist, sich in der Menge der Zahlen zurechtzufinden. Planer stehen vor Fragen wie:

• Welche Artikel lassen sich denn nun gut vorhersagen und welche weniger gut?
• Sollten bei einigen Artikeln noch manuelle Anpassungen der Zahlen durchgeführt werden?

Im Zentrum steht für uns stets die Frage: Wie will ein Unternehmen wirklich mit den Ergebnissen arbeiten? Wie ist der größtmögliche Nutzen? Wie passt sich das neue Demand-Forecasting-System bestmöglich in bestehende Prozesse und Systeme ein und vereinfacht sie idealerweise? Die Mechanismen und Tools, die hierfür angewandt werden können, sind vielfältig. Wichtig ist: Sie sollten zum Unternehmen, zur Unternehmenskultur und v.a. zu den Menschen passen, die mit ihnen arbeiten. Hier eine kleine Auswahl an Werkzeugen, die Planern die tägliche Arbeit erleichtern können, die in vielen unserer Projekte bereits den entscheidenden Unterschied gemacht haben:

Ampelsystem

Durch einen Klassifikationsmechanismus kann ermittelt werden, welche Artikelgruppen wie gut durch die automatisierten Verfahren vorhersagbar sind, und bei welchen zusätzlich eine Validierung durch Experten sinnvoll ist. Nicht selten beobachten wir, dass gerne auf die Planung solcher Artikel mit großem Volumen Wert gelegt wird. Oft sind aber das auch genau die Artikel, die sich datenbasiert sehr gut automatisiert vorhersagen lassen. Die Zeit und Mühe für eine Planung wäre an anderer Stelle sinnvoller investiert. Über ein Ampelsystem können die Ergebnisse übersichtlich dargestellt werden und die Aufmerksamkeit der Planer gezielt an die Stellen geleitet werden, die eine weitere Aktion erforderlich machen.

Performance-Tracking

Über ein Tracking der historischen Prognose-Performance kann man erreichen, dass Planer im Blick haben, wie gut sich die KI-Prognosen in den letzten Monaten geschlagen haben, z. B. auch im Vergleich zu einer manuellen Planung. Erfahrungsgemäß fällt es leichter, sich an ein neues System zu gewöhnen, wenn man festgestellt hat, dass es über Monate gute Ergebnisse geliefert hat.

Dashboard

Über ein Dashboard oder Frontend werden Ergebnisse anschaulich dargestellt. Aus vergangenen Demand-Planning-Projekten wissen wir, worauf es hier ankommt und welche Ergebnisse sich wie darstellen lassen. Beispielsweise ist eine Darstellung im Dashboard eine gute Möglichkeit, um Planer gezielt auf diejenigen Artikelgruppen hinzuweisen, bei denen es sich lohnt, die Forecasts noch einmal mit einem Expertenblick zu betrachten und unter Umständen anzupassen. Wenn Nutzer dann noch spezielle Wünsche einbringen, die wir in ein solches Dashboard einbringen können, umso besser. Oft haben Unternehmen auch bereits eigene Reporting-Tools, wie z. B. Power BI, zur Verfügung, die hierfür genutzt werden können.

Intelligente KI-Assistenten fürs Demand Planning: Chatbots und mehr

Intelligente KI-Assistenten können genutzt werden, um Excel-Berichte, Präsentationen oder individuelle Grafiken unter Basis von Text- bzw. Spracheingabe zu erstellen - ein Gamechanger bei oft schwierig zugänglichen Sachverhalten und ansonsten trockenen numerischen Ergebnisse. Außerdem kann auf diese Art und Weise ein intuitiver und leichter Zugang zu den eigenen Daten geschaffen werden. So haben Kunden von uns bereits produktive Lösungen im Einsatz, in denen sie KI-basierte Chatbots z. B. zu ihren Demand Forecasts befragen können: “Wie viel Prozent mehr oder weniger werden wir von einem Artikel im nächsten Jahr voraussichtlich absetzen?” “Bitte erstelle mir eine Tabelle der Produkte, für die wir mit sinkender Nachfrage rechnen müssen!” “Bitte erstelle mir eine Grafik mit der Prognose für den Artikel A für die nächsten 6 Monate!” sind einige Beispiele für (An-)Fragen, die ein KI-basierter Chatbot rund um Demand Planning beantworten kann. Zudem können KI-Assistenten eingesetzt werden, um Usern aktiv Signale und Handlungsempfehlungen zu geben, die auch in bestehende Reporting-Tools integriert werden können. Wer Chatbots und KI-Tools im Zusammenhang mit Demand Forecasting spannend findet, kann sich von unseren Beispielen für KI-Assistenten inspirieren lassen.

Lagerhaltung optimieren

Wer den künftigen Bedarf von Produkten und Materialien sehr gut abschätzen kann - z. B. durch präzise Prognosen - hat den Grundstein gelegt für eine Bestandsoptimierung, die sich meist um die Fragen dreht:

• Wie findet man treffsicher heraus, welcher Sicherheitsbestand benötigt wird, um mindestens für die Dauer einer gewissen Wiederbeschaffungszeit lieferfähig zu sein?
• Was ist die richtige Balance zwischen Lagerhaltungskosten und Kundenzufriedenheit? Denn Vorräte sollten ausreichend vorhanden sein, um eine reibungslose Versorgung sicherzustellen und auch kurzfristig reagieren zu können, aber andererseits nicht angehäuft werden, was Kapazitäten bindet und ggf. auch zum Verderb von Vorräten führen kann.

Hier gibt es verschiedene Herangehensweisen und Formeln rund um die Berechnung von Sicherheitsbeständen. Sie basieren auf diversen Parametern wie dem angestrebten Lieferbereitschaftsgrad, der Wiederbeschaffungszeit eines Artikels und natürlich den projizierten Bedarfen. Ideale Sicherheitsbestandswerte, die möglichst bedarfsgetreu ermittelt wurden, sorgen dafür, dass das Unternehmen lieferfähig bleibt und die Lager-Ressourcen ökonomisch genutzt werden.

Weitere Informationen Blogartikel rund um das Thema 'Demand Forecasting'

• Wie misst man Prognosegüte? – Backtesting, MSE, MAPE und mehr, u.a. mit Augenmerk auf sporadischer Nachfrage, die man im Demand-Planning-Kontext oft antrifft.
• Sporadische Nachfragen und Bedarfe: Wie sich seltene Events mit passender Methodik vorhersagen lassen – Über das besondere methodische Vorgehen bei der Prognose von sporadischen Zeitreihen.
• Künstliche Intelligenz im Forecasting-Kontext – mit Machine Learning für die Zukunft lernen.
• 10 Eigenschaften eines guten Forecasts – welchen Forecasts Demand Planner trauen können.
• Aus wenig mach viel: Die Bedeutung von Small Data – Auch mit einer kurzen Datenhistorie können qualitativ hochwertige Demand Forecasts erstellt werden.
• Wochenvorhersagen - so geht man vor – Wie Methoden aus der Statistik und KI mit der Vorhersage auf Wochenbasis umgehen.
• Trainieren, Testen, über Kreuz – mittels Kreuzvalidierung Modell und Modellparameter optimal für die Prognose aufstellen.

Blogartikel rund um das Thema ‘Bestandsoptimierung’

Wer sich informieren möchte, was genau es mit Sicherheitsbeständen auf sich hat, wie man sie berechnet und was man unter einem Lieferbereitschaftsgrad versteht, dem möchten wir diese Blogbeiträge ans Herz legen:

• Sicherheitsbestände durch präzise Vorhersagen optimieren
• Bestandsoptimierung bei Ersatzteilen mithilfe guter Prognosen - Gastbeitrag auf no-stop.de.

Videomaterial und weiteres Lesematerial

• Krebs, K., & Christ, T. (2022). Der wahre Erfolgsfaktor für Sales & Demand Predictions heißt Augmented Intelligence. Wirtschaftsinformatik & Management, 14(3), 176-184. https://doi.org/10.1365/s35764-022-00406-6
• Blackburn, R., Lurz, K., Priese, B., Göb, R., & Darkow, I. L. (2015). A predictive analytics approach for demand forecasting in the process industry. International Transactions in Operational Research, 22(3), 407-428. https://doi.org/10.1111/itor.12122
• Einen Deep Dive ins Thema “Supply-Chain-Planung mit Künstlicher Intelligenz” mit Auszug aus unserer Supply-Chain-Planungslösung vermittelt das Video “Automatisierte Supply-Chain-Planung mithilfe von KI”: