Bedarfe richtig prognostizieren

Ermittlung der Bedarfe: der Beginn einer jeden Planung

Die Prognoserechnung ist ein elementarer Bestandteil der unternehmerischen Beschaffungs- und Absatzplanung. Neben Bedarfsinformationen, die auf die Markt- und Branchenkenntnisse einzelner Mitarbeitenden zurückgehen, dienen vor allem historische Bedarfszahlen als Informationsgrundlage zur Prognose der zukünftigen Nachfrage. Hierzu haben sich unterschiedliche mathematische Prognoseverfahren etabliert, die von APS- oder SCM-Systemen unterstützt werden (bspw. gleitender Mittelwert, lineare Regression oder exponentielle Glättung). Gleichzeitig werden immer mehr Verfahren aus dem Bereich des maschinellen Lernens (u. a. Random Forest, Support Vector Maschine) eingesetzt, um die wachsende Komplexität in der Bedarfsmustern entgegenzuwirken.

Unsere Untersuchungen haben gezeigt, dass die Auswahl und Parametrierung von Prognoseverfahren einen wesentlichen Einfluss auf die erzielbare Prognosequalität haben. Auch ist zu beachten, dass bei der Auswahl eines Prognoseverfahrens der Bedarf auf Artikel-Standort-Ebene differenziert betrachtet werden muss: So machen die verschiedenen Bedarfsverläufe der einzelnen Artikel (Schnelldreher, Langsamdreher, Saisonartikel usw.) den Einsatz unterschiedlicher Prognoseverfahren erforderlich. Ebenso hat die zeitliche Granularität der Bedarfsprognose (bspw. wochen-, monats- oder quartalsgenaue Prognosewerte) einen Einfluss auf die erzielbare Prognosequalität und muss bei der Auswahl der Prognoseverfahren berücksichtigt werden.

Um Ihre Bedarfsprognose zu optimieren bieten wir folgende Dienstleistungen an:

  • Klassifizierung Ihres Artikelspektrums (bspw. ABC-Analyse, XYZ-Analyse) zur Ableitung geeigneter Artikelklassen für die Prognose
  • Durchführung von Ex-Post-Analysen zur Bewertung der Eignung unterschiedlicher Prognoseverfahren zwecks Auswahl und individueller Parametrierung von Prognoseverfahren
  • Potentialbewertung für den Einsatz von KI-Verfahren in der Bedarfsprognose
  • Entwicklung und Umsetzungsbegleitung von Geschäftsprozessen für die Prognoserechnung

 

 

Ansicht aus dem ML-Demonstrator

Machine Learning, Bedarfskalkulation
© Fraunhofer IML
Die Zerlegung einer Zeitreihe in ihre Komponenten Saison, Trend und Residuen ist der erste Schritt der Zeitreihenanalyse und späteren Parametrierung der Prognosemodelle.

Prognoseergebnisse

Machine Learning in der Bedarfsprognose, Auswahl des besten Verfahrens
© Fraunhofer IML
Mithilfe des am Fraunhofer IML entwickelten ML-Demonstrator können Prognoseergebnisse unterschiedlicher Modelle direkt miteinander verglichen und mithilfe einer grafischen Oberfläche gegenübergestellt werden. Zusätzlich bietet der ML-Demonstrator auch Parametrisierungsoptionen, um z.B. den Trainingszeitraum individuell anzupassen