Demand Forecasting mit AI

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 mehr.

Inhalt:

• → Eine typische Demand-Planning-Fragestellung mit Lösungsansatz
• → Blogartikel rund um das Thema 'Demand Forecasting'
• → Videomaterial und weiteres Lesematerial
• → Erfahrungen unserer Kunden

Eine typische Demand-Planning-Fragestellung

Fragestellung
Ein Unternehmen produziert eine große Zahl an Artikeln unterschiedlichen Typs. Hierbei finden sich sowohl Artikel mit regelmäßiger und saisonaler als auch Artikel mit sporadischer Nachfrage wieder. Neue Artikel ebenso wie langjährige Kassenschlager, trendbehaftete sowie stabile Artikel sind im Portfolio. Wie viele Absätze welcher Artikelgruppe werden in den nächsten Wochen erwartet?

Lösung
Zielführend ist ein (teil-)automatisiertes Vorhersagesystem, das Vorhersagen auf Artikelgruppenebene für die nächsten Wochen erzeugt und damit den unterschiedlichen Typen von Planungsobjekten gerecht wird. Optimalerweise kommen Methoden aus der Statistik sowie Machine-Learning- und Mustererkennungsverfahren zum Einsatz, um neben regelmäßiger Nachfrage auch der besonderen Herausforderung sporadischer Nachfrage zu begegnen. Zusätzlich werden bereits bestehende offene Aufträge in die Prognose einbezogen. Ein Klassifikationsmechanismus ermittelt, welche Artikelgruppen wie gut durch künstliche Intelligenz vorhersagbar sind, und bei welchen zusätzlich eine Validierung durch Experten sinnvoll ist. Eine Analyse auf verschiedenen Hierarchieebenen ermittelt, ob die Bedarfe der verschiedenen Artikelgruppen besser auf der interessierenden Ebene oder stattdessen top-down oder bottom-up vorhergesagt werden können. Die Daten werden dem ERP-System des Unternehmens entnommen und Ergebnisse der Absatzplanung wieder dorthin zurückgespielt. Das Unternehmen nutzt eigene Reporting-Tools zur Anzeige und Visualisierung der Ergebnisse. Ein Dashboard visualisiert Zwischenergebnisse für Planer und weist sie gezielt auf diejenigen Artikelgruppen hin, bei denen es sich lohnt, die Forecasts noch einmal mit einem Expertenblick zu betrachten und unter Umständen anzupassen.

Blogartikel rund um das Thema “Demand Forecasting”:

• Prognosehorizont, Granularität & Co.: Fachausdrücke einfach erklärt - allgemeine Begrifflichkeiten zum Thema “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.
• Sicherheitsbestände optimieren und so mit Hilfe von Prognosen auch die Lagerhaltung optimieren.
• Aus wenig mach viel: Die Bedeutung von Small Data - Auch mit einer kurzen Datenhistorie können qualitativ hochwertige Demand Forecasts erstellt werden.
• Die Crux mit den Wochenvorhersagen - 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.

Videomaterial und weiteres Lesematerial

• Eine ausführliche Case Study zum Thema ‘Demand Forecasting und Supply Chain’ können Sie hier kostenlos herunterladen: Case Study Supply Chain (PDF-Download)
• 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”:
  
  

Erfahrungen unserer Kunden