Die Bedarfsprognose ist ein zentraler Hebel, um Marktanforderungen zu erfüllen und wirtschaftlich mit den eigenen Ressourcen umzugehen. Eine verlässliche Lieferung kompensiert nicht zuletzt Kostenunterschiede. Vom Wissen über zukünftige Bedarfe profitiert die Planung in der gesamten Supply Chain. Die Produktionsplanung kann periodenweise ‚eingefroren‘ werden, Schnellschüsse werden vermieden und Rüstwechsel werden optimiert. Die Produktion kann nivelliert werden, saisonale Bedarfe werden gezielt vorproduziert. Zeitkonten, Urlaub und Bedarf an Saisonarbeit sind planbar und können den Erfordernissen entsprechend angepasst werden. Und schließlich führt die längerfristige Disposition mit entsprechenden Rahmenaufträgen auch bei knapper Verfügbarkeit zu einer sicheren Teileversorgung. Nun war es in der Vergangenheit oft so, dass die Vorhersage schlicht aus dem Verlauf einer einzelnen Linie, den Bedarfen der Vergangenheit, herausinterpretiert wurde. Heute führt die Vielzahl der Einflussgrößen dazu, dass Methoden der mathematischen Algorithmik nicht mehr ausreichend gute Ergebnisse erzielen. Und auch erfahrene Mirarbeitende können heutzutage nur bedingt nach vorne schauen.
KI ersetzt konventionelle
Algorithmik
Viele Firmen wünschen stattdessen eine gleichbleibend gute und verlässliche Prognose, die Planende unterstützt und dabei weitere geschäftsprägende Einflussfaktoren berücksichtigt. Künstliche Intelligenz (KI) und Machine Learning (ML) bieten in dieser Hinsicht vielversprechende Optionen. Diese Verfahren setzen auf Lernfähigkeit und vermögen es, Erfahrungen zu konservieren und das Wissen aus vergangenen Fällen auf aktuelle Aufgaben anzuwenden. Die KI-Derivate und -Methoden sind vielfältig und hier gleichwohl kaum umfassend zu reflektieren. Daher möchte sich der Autor auf die dynamische Prognose mit den Gradient-Boosting-Verfahren und insbesondere das XGBoost-Verfahren konzentrieren. Der XGBoost-Ansatz (Bild 1) setzt auf Entscheidungsbäume, die schrittweise den verbleibenden Fehler beim Lernen durch eine weitere Vorhersage lindern. Boosting Verfahren schärfen sich im Lernprozess anhand der Trainingsdaten, bevor die Prognose durchgeführt wird. Diese Methoden arbeiten mit mehreren Variablen und Zeitreihen, die in die Modell-Erstellung einfließen, und können deren Wertbeitrag zum Ergebnis transparent darlegen. Dieses Verfahren besitzt zudem einige weitere herausragende Eigenschaften wie etwa sehr hohe Ergebnisgüte und gute Performance. Zudem ist XGBoost ist den meisten Data-Science-Umgebungen, wie Python oder R, enthalten, was die kostengünstige Verwendung erlaubt.
Marktdaten steigern
die Ergebnisgüte signifikant
In mehreren Praxisprojekten konnten die Ergebnisse der XGBoost-Anwendung in der Supply Chain Planung überzeugen. Ein entscheidender Effekt war es, eine Vielzahl von Variablen gleichzeitig berücksichtigen zu können und nicht nur eine Linie der Vergangenheit zu sehen. So kombiniert das Verfahren historische Bedarfsdaten mit internen und externen Indikatoren. Damit werden Bedarfe in unterschiedlichen Zielmärkten auch unterschiedlich prognostiziert. Sollten etwa eine rückläufige Regional- bzw. Branchenkonjunktur sowie hohe Lagerbestände die Bedarfsprognosen dämpfen, so wird die Menge angepasst, auch wenn der Verlauf der Vorperioden eine Steigerung suggeriert. Mittlerweile ist der Zugriff auf weltweite Markt- und Konjunkturindikatoren sichergestellt, verschiedene Institutionen wie Eurostat, aber auch internationale Dienstleister können genutzt werden. Mehrere Projekte haben gezeigt, dass der XGBoost-Algorithmus auch schwierige Zusammenhänge bewältigt, nicht zuletzt durch weitere Adaptionen, etwa zur Saisonalität und bei unsicheren Randbedingungen. Die Erkenntnisse lassen sich in einem Best Practice-Ansatz zusammenfassen (Bild 2). In der Praxis ließ sich die Genauigkeit im Vergleich zur manuellen Vorhersage um etwa 20 Prozent steigern. Prognosefehler konnten sogar um 50 Prozent gesenkt werden, Abweichungen wurden im Mittel auf 8 Prozent reduziert.
Praktische Einsatzpotentiale
in der Supply Chain
