Ersatzteilprognose mit Maschinellem Lernen

Genauere Bedarfsplanung für die Langzeitbevorratung von Ersatzteilen mit Maschinellem Lernen

In der Nachlaufphase, der End-of-life-Phase, eines Produkts stehen Produkthersteller vor der Herausforderung die Bedarfsmengen an Ersatzteilen zur Gewährleistung ihrer Garantieversprechen zu prognostizieren. Die Verantwortlichen des Ersatzteilmanagements müssen dabei die Lieferbereitschaft nach Produktionsstop über viele Jahre sichern und gleichzeitig die Kosten für Lager, Bestand und Verschrottung minimieren. Die Beherrschbarkeit von Unsicherheit spielt dabei eine zentrale Fragestellung für Verantwortliche des Ersatzteilmanagements aus der Automobil-, Maschinenbau-, Elektronik- und Fahrzeugbauindustrie. Vor diesem Hintergrund wurde durch die Abteilung Analytics der Arbeitsgruppe für Supply Chain Services des Fraunhofer IIS ein Langzeitprognose-Tool für den Allzeitbedarf von Ersatzteilen auf der Basis des Maschinellen Lernens entwickelt. Dank dieser Methode können Unternehmen ihre Ersatzteilbestände fundierter abschätzen, Lagerplätze effizienter nutzen und nicht zuletzt Über- und Unterdeckung sowie Verschrottungskosten reduzieren.

 

© Fraunhofer IIS

Datenlücken schließen mittels Clustering

Die operative Planung der Endbevorratung muss dabei eine hohe Anzahl verschiedener Ersatzteile berücksichtigen, für die häufig nur wenige Informationen zu historischen Verbräuchen vorliegen. Ohne diese Daten für die Zielreihen liefern die bisherigen Prognosetechniken nur unbefriedigende Ergebnisse. Die von der Arbeitsgruppe für Supply Chain Services entwickelte Methodik zur Langzeitprognose für Ersatzteilbedarfe schließt diese Datenlücke – und zwar über ein Vorgehensmodell zur Identifikation von ähnlichen Ersatzteilen mittels Clustering. Verschiedene Clustering-Methoden mit unterschiedlichen Distanzmaßen und Parameterkalibrierungen werden so miteinander kombiniert, dass Ersatzteile hinsichtlich der Ähnlichkeit ihrer Stammdaten und Verbrauchsmuster gruppiert werden können.

 

Weltweiter Tooleinsatz bei BSH Hausgeräte

Entwickelt wurde das Verfahren zur Bestimmung der Schlusseindeckung von Ersatzteilen im Jahr 2019 auf Basis der Fragestellungen des Praxispartners BSH Hausgeräte GmbH. Im Projekt konnte gezeigt werden, dass mit dieser Methodik zuverlässige Prognosen für alle betrachteten Ersatzteile möglich war: sowohl für Ersatzteile mit langen und vollständigen historischen Verbrauchsdaten als auch für neue Ersatzteile mit kaum historischen Daten. Das entwickelte Langzeitprognosetool unterstützt heute die weltweite Ersatzteildisposition von BSH.  

Das könnte Sie auch interessieren

 

Kernkompetenz

Data Analytics Methoden

Um den Rohstoff »Daten« zu gewinnen, bieten wir als eine von drei ineinandergreifenden Kernkompetenzen an, neue Lösungen für Data Analytics und KI zu entwickeln. Lesen Sie hier mehr darüber, warum wir mit Hilfe von Analytics aus scheinbar unbeherrschbaren Datenmengen und -materialien handhabbare, qualitative Daten und Informationen generieren wollen und wie wir vorgehen.

 

Supply Chain Analytics

Mathematik kann die Supply Chain revolutionieren – mit Modellen und Algorithmen, die die Komplexität reduzieren und miteinander verknüpften Prognose- und Optimierungsmethoden.