Supply Chain Management

Bessere Nachfrageprognosen durch maschinelles Lernen

Nachfrageprognosen sind heutzutage schwierig und führen oft zu enttäuschenden Ergebnissen und falschen Vorhersagen. Es ist nicht mehr so einfach, Trends aus Nachfragedaten zu ermitteln. Die Nachfrage wird immer öfter von verschiedenen internen und externen Faktoren beeinflusst. Sie lässt sich nicht mehr so einfach aus historischen Zeitreihen oder mithilfe traditioneller Prognosealgorithmen erschließen. Maschinelles Lernen kann hier Abhilfe verschaffen.

  • Mauro Adorno, Vertriebsleiter DACH bei Tools Group erklärt: „Anstatt programmierte Befehle auszuführen, nutzen Algorithmen Daten, um ein Prognosemodell zu erstellen und es kontinuierlich zu verfeinern."

Maschinelles Lernen kann Abhilfe verschaffen, indem es die Ursachen der Nachfragevariabilität zuverlässig modelliert. „Maschinelles Lernen ist eine IT-gestützte Disziplin, bei der die Algorithmen von den Daten lernen", erklärt Mauro Adorno, Vertriebsleiter DACH bei Tools Group. „Anstatt programmierte Befehle auszuführen, nutzen sie die Daten, um ein Prognosemodell zu erstellen und es kontinuierlich zu verfeinern."

Nicht jede Supply Chain braucht maschinelles Lernen, um Nachfrageprognosen in den Griff zu bekommen. Für folgende Szenarien kann maschinelles Lernen sinnvoll sein:

  • Viele Produktpromotionen: Die italienische Molkerei Granarolo hat jedes Jahr tausende Promotionen, für die Prognoseszenarien für 34.000 einzelne Artikelnummern erstellt werden müssen. Die daraus resultierenden Nachfragespitzen können den normalen Umsatz um das Dreißigfache übersteigen. Ein typisches Dilemma: Ausgaben für Werbung und Promotionen summieren sich bei Konsumgütern schnell zu zwanzig Prozent des Umsatzes. Nur wenige Unternehmen können in dieser Situation den Nachfrageanstieg verlässlich prognostizieren und die Produktverfügbarkeit garantieren.
  • Viele neue Produkte: Electrocomponents, ein internationaler Elektronik-Distributor, führt mehr als 500.000 Artikel. Jeden Monat werden 5.000 neue Produkte eingeführt. Die Disponenten nutzen externe Daten, um die Anfangsnachfrage vorherzusagen und entsprechend das Marketingbudget für die Produkteinführungen festzulegen.
  • Starke Nachfrage nach „Long Tail“ Artikeln: Mit wachsendem E-Commerce Geschäft ist es für Unternehmen wie Electrocomponents schwierig, die Nachfrage für Langsamdreher und „Long Tail“ Artikel, die unregelmäßig und in kleinen Mengen bestellt werden, vorherzusagen. Während sich die Durchschnittswerte für die Nachfrage bestimmter Artikel eventuell noch vorhersagen lassen, ist das für die Nachfragespitzen schwierig. Über genug Artikel zu verfügen, um Nachfragespitzen befriedigen zu können und trotzdem keinen unnötigen Lagerbestand zu akkumulieren, wird schnell zum Drahtseilakt.
  • Zunehmende Lieferkettenkomplexität: Wenn Unternehmen wie Granarolo von lokalen Betrieben zu nationalen oder gar internationalen Unternehmen wachsen, wächst auch die Lieferkettenkomplexität und die alten Vorhersagesysteme stoßen an ihre Grenzen.
  • Starkes Saisongeschäft: Lennox, ein internationaler Anbieter von Heiz- und Klimasystemen für Privathaushalte, hat einen umfassenden Lagerbestand an über 700.000 Fertigprodukten und Ersatzteilen, viele davon Langsamdreher mit unregelmäßiger Nachfrage. Es gab starke saisonale Schwankungen in der Nachfrage (Klimaanlagen und Heizungen) und nur kleine Einzelhandel-Puffer. Die Komplexität und Nachfragevariabilität bedurfte eines hochautomatisierten Systems.
  • Wachsende Datenmenge: Ein Muster, was sich in allen genannten Szenarien findet, ist die steigende Menge an Markt- und Logistikdaten, die Unternehmen helfen können, die Nachfrage besser vorherzusagen. Gleichzeitig ist diese Datenmenge aber für Disponenten und Altsysteme schlichtweg zu groß.


In den genannten Szenarien hat der Einsatz von maschinellem Lernen geholfen, die Herausforderungen zu meistern.

Was kann Maschinelles Lernen?
Maschinelle Lernsysteme reduzieren die Nachfragevariabilität, indem sie alle relevanten Nachfrageattribute erfassen und modellieren, während gleichzeitig „Störungen“, zufällige und unvorhersehbare Nachfragefluktuationen, herausgefiltert werden. Sie lernen aus den Daten und modifizieren ihre Ausführungen entsprechend.

Ein maschinelles Lernsystem, das Webdaten nutzt, um den Erfolg neuer Produkte zu ermitteln, lernt welche Nachfrageindikatoren (z.B. Website-Aufrufe, spezifische Downloads, verbrachte Zeit auf der Website) am zuverlässigsten sind und passt sein Modell an wechselndes Konsumentenverhalten an.

"Maschinelles Lernen interpretiert Stimulationseffekte wie Promotion und Nachfrageindikatoren wie Social-Media-Aktivitäten, die aus den einzelnen Distributionskanälen resultieren," so Mauro Adorno. "Mit steigender Informationsmenge werden die Daten der zugrundeliegenden Nachfrageindikatoren und -ursachen zugänglicher und handhabbarer. Maschinelles Lernen ermöglicht die Integration und Modellierung neuer Datenquellen in einer neuen Dimension." 

Drei Anzeichen, wann maschinelles Lernen bei der Nachfrageprognose hilft:

  1. Überhöhter Sicherheitsbestand: Dem Sicherheitsbestand zur Einhaltung von Service-Leveln wird nicht vertraut und er wird daher künstlich hoch gehalten? Indem maschinelles Lernen mehr Variablen berücksichtigt, hilft es Unternehmen mit unterschiedlichen Produktsortimenten (inklusive „Long Tail“ Artikeln), bessere und niedrigere Lagerbestände zu definieren.
  1. Disponenten „Burnout“: Das Disponenten-Team verwendet zu viel Zeit, Prognosen manuell anzupassen und zu evaluieren und kann sie trotzdem nicht exakt genug oder rechtzeitig fertigstellen? Maschinelles Lernen kann mehr Variablen berücksichtigen und entsprechend ihrer Wichtigkeit gegeneinander abwiegen, was zu exakteren Prognosen führt. Dadurch steht den Disponenten mehr Zeit zur Verfügung, Prognosen durch persönliche Erkenntnisse und Geschäftswissen zu verfeinern.
  2. Ineffizienter Sales- and Operations-Planning-Prozess: Die Konsensprognose des S&OP ist unzuverlässig, oder der ihr zugrundeliegende Zusammenarbeitsprozess zu langsam, um sich an die dynamische Marktentwicklung oder das Artikelverhalten anzupassen? Maschinelles Lernen ermöglicht ein hohes Maß an Automatisierung, dass die Qualität der kurz- und mittelfristigen Vorhersagen verbessert, indem es Schlüsseltrends aus Transaktions- und Promotionsdaten ermittelt und umsetzbare Erkenntnisse liefern.

Bildquelle: Thinkstock

©2019Alle Rechte bei MEDIENHAUS Verlag GmbH

Unsere Website verwendet Cookies, um Ihnen den bestmöglichen Service zu bieten. Durch die weitere Nutzung der Seite stimmen Sie der Verwendung zu. Weitere Infos finden Sie in unserer Datenschutzerklärung.

ok