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
Damit in der Fabrik die oft angestrebte Ruhe einkehren kann, ist eine gute Prognose, etwa in Kombination mit Demand Planning, ein wichtiger Stellhebel. Mit Wissen über die zukünftige Nachfrage können die Bedarfsmengen mit dem Lagerbestand und der geplanten Produktion besser synchronisiert werden. Der Einsatz des XGBoost-Verfahrens setzt dort an, wo eine frühzeitige Information Gold wert ist. Je stabiler die Absatzprognose, desto geringer sind die Ausschläge, die auf das operative Geschäft einwirken (Bull-Whip-Effekt). Liegen Marktbedarfe über der verfügbaren Kapazität, lässt sich die Produktion nivellieren, gegebenenfalls kann vorproduziert werden, Lieferfähigkeit und Wirtschaftlichkeit können im Einklang bleiben. Logistische Bedarfe, die sich situativ stark unterscheiden, werden besser planbar und können mit ausreichendem Horizont angekündigt werden. Einkaufsbedarfe sind mittel- bis langfristig zu allokieren, Rahmenverträge genießen auch in Zeiten knapper Ressourcen Vorrang.
Strategische Verwendung
Auch bei langfristigen Markt- und Bedarfsprognosen kann XGBoost sein Potential entfalten:
- Globale mittel- bis langfristige Absatz- und Bedarfsprognosen im internationalen B2B und B2C-Umfeld
- Strategische Auslegung des weltweiten Produktionsnetzwerkes mit Sicht auf Produktprogramm und Standorte
- Globale Planung und Nivellierung logistischer Ressourcen und Kapazitäten – Dimensionierung und Positionierung verteilter HUB’s
- Proaktive Marktbeschickung bei Artikeln mit hoher saisonaler Kundennachfrage
Insgesamt hat sich gezeigt, dass KI und Machine Learning mittlerweile anwendungsreif sind. Bei Forecast und Prognose eröffnen sich faszinierende Möglichkeiten. Stehen Indikatoren und Vergangenheitsdaten sowie analytischen Daten bereit, und kommen eventuell sogar noch Daten von Forschungsinstituten hinzu, lassen sich die derzeit bestmöglichen Ergebnisse erzielen. Mit einer infolge stabileren Wertschöpfungskette.
