KI-basierte Bedarfsprognosen für Logistik, Handel und Produktion

Der zu erwartende Kundenbedarf ist ein wesentlicher Faktor für Unternehmen, wenn es um die richtige Planung z. B. von Produktionsprozessen oder Transporten geht. Und je besser diese Prognosen, desto besser kann mit den eigenen Ressourcen gehaushaltet werden – was wiederum nicht nur aus finanzieller und organisationaler Sicht interessant ist, sondern auch aus Nachhaltigkeitsgründen.

So kommen bereits heute in vielen Unternehmensbereichen unterschiedlich Bedarfsprognosen zum Einsatz, beispielsweise beim Inventory Management, in der Personaleinsatzplanung oder der Personalbedarfsplanung. Hier haben sich in den letzten Jahren datengetriebene Methoden zur Vorhersage von Bedarfen etabliert. In diesem Kontext waren lange Zeit statistische, univariate Verfahren wie Exponential Smoothing oder ARIMA Modelle allen anderen Verfahren bezüglich der Prognosegenauigkeit überlegen. Nun wurde aber die Entwicklung in Sachen Software, Hardware, Algorithmik so weit vorangetrieben, dass seit kurzem Prognoseverfahren auf Basis von Machine Learning (ML) die Lösungen statistischer Benchmarks signifikant übertreffen.

In diesem Feld ist noch einiges an Forschungs- und Anpassungsleistung zu erbringen, insbesondere wenn es darum geht, die theoretischen Modelle tatsächlich – wie in unserem Forschungsfeld gewünscht –  in konkrete Anwendungen zu überführen. Deshalb arbeitet bei uns ein interdisziplinäres Team aus den Bereichen Mathematik, Statistik und Ingenieurswesen an ML-basierten Bedarfsprognosen für die Logistik, den Handel und die Produktion, um für die dort vorliegenden konkreten Anforderungen entsprechende Software-Lösungen bereitstellen zu können.

Dafür ist zum einen die Evaluierung und Benchmarking der entwickelten Verfahren wichtig, die zentrale Frage lautet: Liefern komplexe Verfahren tatsächlich auch im vorliegenden Anwendungsfall eine höhere Prognosegenauigkeit? Dazu muss die Prognose anhand historischer Daten mit der tatsächlichen Entwicklung verglichen und daraus der Prognosefehler berechnet werden. Anhand dessen können dann verschiedene Prognose-Modell bewertet werden. Zum anderen kann auch das Wissen rund um die dazugehörigen Prozesse und Ebenen einer Prognose helfen die Vorhersage zu verbessern. Dazu suchen unsere Forscherinnen und Forscher bei konkreten Bedarfsprognose-Fragestellungen nach Strukturen, die die echte Welt in Mathematik übersetzen, so dass sie in mathematischen Modellen beschrieben und anschließend in Algorithmen implementiert werden können. Das ermöglicht aufeinander abgestimmte und akkurate Prognosen.

Von der Prognose zur Entscheidungsunterstützung

Des Weiteren geht es darum, nicht nur Punktprognosen zu treffen, sondern Prognoseunsicherheiten zu quantifizieren. Dazu werden verschiedene Architekturen Neuronaler Netze zur Zeitreihenprognose verwendet und Cross Learning eingesetzt; also das Lernen in einem Modell anhand von vielen Zeitreihen gleichzeitig. Mithilfe stochastischer Optimierung kann über verschiedene vorhergesagte Szenarien simultan optimiert werden, sodass in Bezug zum Erwartungswert die beste Entscheidung gefunden wird. Damit können Absatzprognosen gleich auch mit der daraus folgenden Entscheidung verknüpft werden, so dass mit diesem Verfahren konkrete, operative Entscheidungsunterstützungssysteme entstehen, die Unternehmen wiederum in ihre Prozessinfrastrukturen zur Entscheidungsfindung integrieren können – sei es automatisiert oder per Expertenentscheidung.

Gegen Ende des Lebenszyklus von langlebigen Produkten, sehen sich deren Hersteller mit einem Problem konfrontiert: Die Lieferanten der Produktkomponenten stellen die Produktion dieser Teile ein, gleichzeitig wollen die Hersteller aber immer noch in der Lage sein, Ersatzteile über die gesamte Lebensdauer der Maschinen zu liefern. Entsprechend sind die Hersteller der Maschinen gezwungen, eine große Menge an Ersatzteilen einzulagern, um sicherzugehen, dass die Ersatzteilverfügbarkeit bis zum Ende der Lebensdauer von Produkten gewährleistet ist. Dafür müssen die Hersteller den Allzeitbedarf für diese Ersatzteile so genau wie möglich schätzen. Im Forschungsfeld KI-basierte Bedarfsprognosen arbeitet die Arbeitsgruppe für Supply Chain Services an einem Prognoseverfahren, mit dem dieser Allzeitbedarf datengetrieben vorhergesagt werden kann. Dazu wird aus den Verlaufskurven ähnlicher (historischer) Produkte die Verlaufskurve des zu prognostizierenden Produkts geschätzt. Aktuell arbeiten die Forscherinnen und Forscher dabei an einer bayesianischen Formulierung des Problems mithilfe von Wachstumsmodellen.

Referenzen:

• Projekt »BSH-Ersatzteilprognose«
• Leistung »Ersatzteilprognose mit Maschinellem Lernen«
  

Zu den größten Kosten- und Erfolgstreibern gehört im Großhandel die Lagerhaltung. Einerseits ist der Handel bestrebt seinen Kundinnen und Kunden eine möglichst hohe Verfügbarkeit anzubieten, andererseits sind mit hoher Lagerhaltung oder der folgenden Verschrottung liegengebliebener Waren hohe Kosten verbunden. Aktuell disponieren viele Großhändler weitgehend manuell und nutzen – sofern überhaupt – univariate, statistische Prognosemodelle. Aus diesen Prognosen werden dann mithilfe von Lagerhaltungsheuristiken die Bestellungen bei den Lieferanten abgeleitet. Im Forschungsfeld werden die in den letzten Jahren erfolgreichen Machine-Learning Modelle auf Anwendungen im Großhandel übertragen. Dabei liegt der Fokus insbesondere auf der Quantifizierung von Unsicherheit in den Prognosen und der Kombination mit stochastischer Optimierung. So können Großhändlern Lösungen zum Inventory Management angeboten werden, die weitgehend automatisierte Entscheidungen erlauben.

Referenzen:

• Projekt »OBER – Optimale Bestandsplanung unter Unsicherheit«

Viele Planungsprobleme im Straßengüterverkehr basieren auf Prognosen über das erwartete Frachtvolumen. Während es bereits viele Publikationen zur Formulierung von Optimierungsmodellen zu diesen Planungsproblemen gibt, sind datengetriebene Prognosen, auf denen diese Optimierungsverfahren fußen, bisher kaum erforscht. Angewendet werden in der Praxis bisher – von Einzelfällen abgesehen – kaum datengetriebene Verfahren zur Prognose von Frachtvolumen, daher liegt hier großes Potenzial. Die Arbeitsgruppe für Supply Chain Services entwickelt deshalb Modelle zu Frachtvolumenprognosen für den Straßengüterverkehr auf verschiedenen Ebenen und bringt diese bei Frachtunternehmen in die Anwendung.

Referenzen:

• Projekt »KITE – Künstliche Intelligenz im Transport zur Emissionsreduktion «