Integrated demand forecasting and reinforcement learning for order point optimization in inventory planning

Die Bestandsplanung im Großhandel wird aufgrund von Nachfrageschwankungen, externen Störungen und steigenden Kapitalkosten immer schwieriger. Herkömmliche Methoden, die auf Durchschnittswerten historischer Daten und dem Erfahrungswissen der Planer basieren, haben oft Schwierigkeiten, die Lagerhaltungskosten mit den erforderlichen Servicelevels in Einklang zu bringen. Um diese Lücke zu schließen, schlagen wir ein integriertes zweistufiges Rahmenkonzept vor, das zunächst probabilistische Nachfrageprognosen erstellt und diese Prognosen anschließend mithilfe von Deep Reinforcement Learning (DRL) in optimierte Nachbestellentscheidungen umsetzt. Diese Aufteilung bietet praktischen Nutzen, da viele Unternehmen bereits auf Prognosetools setzen. Dadurch lässt sich der Ansatz leichter in bestehende Planungsprozesse integrieren und ermöglicht gleichzeitig eine stärker datengesteuerte Optimierung. Wir evaluieren das Rahmenkonzept anhand realer Datensätze von zwei Großhändlern in Österreich und Deutschland. Unsere Ergebnisse zeigen, dass der Ansatz die Lagerhaltungskosten senken und gleichzeitig Service-Levels bei moderaten Verfügbarkeitszielen einhalten kann, wobei die Verbesserungen unter strengeren Anforderungen weniger konsistent ausfallen. Insgesamt veranschaulichen unsere Ergebnisse sowohl das Potenzial als auch die Grenzen der Kombination von probabilistischer Prognose mit DRL; sie bieten Orientierungshilfen und skizzieren zukünftige Forschungsansätze dazu, wann ein solcher zweistufiger Ansatz in der Praxis am vorteilhaftesten ist.