Künstliche Intelligenz für die Absatz- und Beschaffungsplanung: Welche Faktoren erfolgsentscheidend sind

von Dr. Stephan Algie
creative
Quelle: GettyImages

In meinen Projekten bei INFORM werden ich häufig gefragt, ob Künstliche Intelligenz bei der Absatz- und Beschaffungsplanung helfen kann, bessere Vorhersagen zu erzielen. Meine Antwortet lautet dann: Ja, das geht durchaus und im Speziellen die Verbesserungen durch den Einsatz von Machine Learning Algorithmen können wirklich beeindruckend sein. Doch dazu müssen schon zu Beginn eines Projekts zwei wichtige Erfolgsfaktoren beachtet werden:

  • Sie müssen ein gutes Gespür für die „externen“ Treiberfaktoren haben, die Ihre Absätze maßgeblich beeinflussen,
  • Ihre Logistikkette muss auf die verbesserten Prognosen über den zukünftigen Absatz reagieren können.

Was bedeutet das genau? Schauen wir uns die Punkte der Reihenfolge nach an.

Mehr Grillfleisch bei gutem Wetter

Externe Treiberfaktoren sind digital verfügbare Informationen, die in Zusammenhang mit der Entwicklung Ihrer Absätze stehen können, mit ihr korrelieren oder sie beeinflussen können. KI kann diese Zusammenhänge zwischen den Datenreihen erkennen und lernen, sie einzuschätzen.

Ein klassisches Beispiel für solche externen Treiberfaktoren sind Wetterdaten. Gutes Wetter an einem Wochenende im Sommer kann den Absatz von Grillfleisch, Holzkohle und Eis verbessern. Gerade Frischeprodukte in der Lebensmittelindustrie werden immer spürbar durch das Wetter beeinflusst. KI kann hier helfen die Prognosequalität zu verbessern, indem sie diese Daten in eine Berechnung der geplanten Verkaufsmenge einbezieht. In unserem Beispiel sind durchaus 50% verlässlichere Prognosen erzielbar, als mit klassischeren Verfahren der Mustererkennung. Das bedeutet die Abweichung des tatsächlichen Absatzes und der Prognose kann sich durch den Einsatz von Machine Learning noch einmal halbieren. Gerade in der Nachhaltigkeits-Diskussion und in einem margenengen Geschäft ist das ein wichtiger Aspekt! Auch Kannibalismus-Effekte, also die Beeinflussung von gleichartigen Artikeln untereinander kann durch eine KI gelernt werden, indem beispielsweise die Auswirkung von Aktionen zu einem Artikel (Bio-Broccoli) für den Verbund gleichartiger Artikel (andere Broccoli Sorten) anhand historischer Daten gelernt wird.

Doch Achtung! Bei der Suche nach diesen Treiberfaktoren ist weniger mehr. Überspitzt gesagt kann niemand erwarten, dass eine KI mit Internetzugang schon selbst lernt, welche Faktoren aus der Big Data Welt die eigenen Absätze auf welche Art beeinflussen. Stattdessen ist es ein großer Vorteil im Projekt, wenn eine feste Einschätzung über die hauptsächlichen Faktoren vorherrscht und diese digital verfügbar sind. Dazu braucht es menschliches Zutun. In unserem Beispiel werden Wetterdaten auf das langsam drehende Sortiment eines Baumarktes vermutlich wenig Einfluss haben. In der Gartenpflanzenabteilung kann das allerdings schon wieder anders aussehen. Die richtigen Faktoren zu finden und sie in digitaler Form verfügbar zu haben, um die vorhandene KI-Technik damit speisen zu können, ist die Hauptarbeit für ein erfolgreiches Machine-Learning-Projekt.

Wie agil ist Ihre Logistik?

Der zweite Punkt neben der Suche nach den richtigen Treiberfaktoren ist ebenso wichtig wie herausfordernd für Ihr Geschäft. Es geht um die Frage nach den Reaktionsmöglichkeiten eines Unternehmens auf eine durch KI veränderte Prognose. Um bei unserem Wetterbeispiel zu bleiben: Die Wettervorhersage hat Stand heute nur eine wirklich gute Aussagekraft für maximal drei Tage in der Zukunft. Danach ist sie eher eine grobe Richtlinie, als eine verlässliche Vorhersage. Das bedeutet hohe Anforderungen an Ihre Logistikkette. Denn sie muss innerhalb dieser Zeit mit den möglichen Absatzänderungen fertig werden können. Die Ketten von Lebensmitteleinzelhändlern sind normalerweise schnell genug, da sie ohnehin täglich mit verderblichen Lebensmitteln planen müssen. Sie können in der Regel innerhalb von 24 Stunden ihre Sortimente in den Filialen anpassen. Aber nicht alle Unternehmen können und müssen so schnell reagieren. Wiederbeschaffungszeiten in der Automobilindustrie oder dem technischen Handel sind durch globale Beschaffungswege oft lang, gleichzeitig haben die Produkte und Waren kein Haltbarkeitsdatum und werden häufig über längere Zeit bevorratet. Mal abgesehen von der Tatsache, dass eine Bevorratung oder auch die Berechnung von Sicherheitsbeständen heutzutage niemals mehr ohne ein intelligentes Planungssystem vorgenommen werden sollten, können KI-Algorithmen an dieser Stelle aber noch einmal einen verlässlicheren Blick in die Zukunft ermöglichen, wenn Treiberfaktoren auch Aussagen über langfristige Absatzentwicklungen liefern.

Präzise gesagt gilt also: Je genauer und stabiler die Daten von Treiberfaktoren auch für die fernere Zukunft sind, desto besser sind sie auch für Logistikketten mit zeitaufwendigeren Schritten nutzbar. Die Prognose könnte auch über einen größeren Planungshorizont deutlich verbessert werden, was sich positiv auf das Bestandsmanagement und die Lagerhaltung auswirken würde. Doch ohne die Möglichkeit, auf die zeitliche Aussagekraft von Treiberfaktoren innerhalb der Logistikkette reagieren zu können, wird ein KI-Projekt nicht den gewünschten Erfolg bringen.

Status Quo und Zukunftsblick

Beim Start für ein KI-Projekt in der Absatz- bzw. Beschaffungsplanung gilt es in der Regel, zuerst die beiden genannten Faktoren zu klären. Wenn die damit verbundenen Fragen positiv beantwortet werden können, dann sind die Chancen auf einen attraktiven Erfolg hoch. Im Laufe eines KI-Projekts gibt es aber noch eine Reihe anderer Fragen zu beantworten. Zum Beispiel welcher KI-Algorithmus verwendet wird. Neuronale Netze sind gut, jedoch nicht immer die beste Wahl für alle Anwendungsfelder. Da gibt es noch mehr. Daher ist es wichtig, einen Partner an der Seite zu haben, der das nötige KI-Knowhow mitbringt und auch den Nutzen von Machine Learning Algorithmen dem Aufwand für ein entsprechendes Projekt entgegenstellt. Für viele Fragestellungen zur Verbesserung der Absatz- und Beschaffungsplanung eignen sich bereits ausgereifte Optimierungssysteme, die auf Basis mathematischer Algorithmen die Vorhersagegenauigkeit um ein Vielfaches steigern und dem Planer optimierte Bestellvorschläge an die Hand geben können. Servicegraderhöhungen auf 99% bei gleichzeitiger Bestandsreduzierung sind hier keine Seltenheit. Machine Learning eröffnet uns durch den stetig wachsenden Zugang zu Daten die Chance, an dieser Stelle noch einen Schritt weiterzugehen und unsere Prognosemodelle durch Künstliche Intelligenz noch zukunftsfähiger zu machen. Darin sehe ich großes Potenzial.

Wie verlässlich ist Ihre Absatz- und Beschaffungsplanung heute? Nutzen Sie bereits spezialisierte Software?



Diese Beiträge könnten Sie auch interessieren

Routineaufgaben in der Logistik automatisieren, Jobs aufwerten

Lesen

Künstliche Intelligenz für verlässlichere Liefertermine: Das Potenzial ist groß

Lesen

Das virtuelle Zentrallager als Teil des Risiko-Managements

Lesen

Über den Autor

  • Dr.

    Stephan Algie ist im Geschäftsbereich Inventory & Supply Chain der INFORM tätig und hilft Unternehmen aus Handel und Industrie bei der Optimierung der Prozesse entlang der internen Supply Chain. Die Möglichkeiten, die Künstliche Intelligenz in diesem Zusammenhang bietet, interessieren ihn dabei besonders.

    Alle Beiträge dieses Autors

    Mehr über diesen Autor unter:

Unsere Autoren

Finden Sie alle unsere Autoren auf einen Blick!

Alle Autoren

Nach oben