Der Mensch als entscheidender Faktor: Von der Anforderungsanalyse zum Design von Forecasting-Dashboards
Am Anfang stand eine umfassende Anforderungsanalyse: Eine Literaturrecherche identifizierte zentrale Design-Prinzipien für Forecasting-Systeme wie interaktive Visualisierungen, Erklärbarkeit, gute Usability und domänenspezifische Anpassbarkeit. Ergänzt wurde dies durch Experteninterviews mit den Praxispartnern. Dadurch wurden konkrete Prozesse, Schwachstellen und Informationsbedarfe in der Materialwirtschaft sichtbar gemacht.
Auf dieser Basis entstanden Anforderungskataloge bzgl. Art und Darstellung der Daten sowie bzgl. der Art der von Disponent:innen benötigen Funktionen. In mehreren Workshops wurden Designvarianten entwickelt. Diese wurden nach Rückmeldung der Nutzenden gezielt angepasst – etwa zur Hervorhebung von Ausreißern, zur Einbindung von Lieferhistorien, zur flexiblen Zeitraumauswahl und zu einer klareren Navigation.
Mit Künstlicher Intelligenz zum besten Modell: KI-basierte Lieferzeitprognosen für Großhandel und Materialwirtschaft
Parallel dazu wurden industrielle Daten aus dem technischen Großhandel analysiert und zu einem robusten Lieferzeitprognosemodell weiterentwickelt. Anstelle klassischer Verfahren, die Lieferzeiten als stabile Zeitreihen behandeln, nutzt MePro ein Gradient-Boosting-Modell (LightGBM) auf tabularen Daten. Interne Einflussgrößen wie Artikel- und Lieferanteninformationen sowie Kalender- und Saisoneffekte werden dabei gezielt berücksichtigt.
Zusätzlich wurden externe Datenquellen wie Wetter-, Fracht-, Verkehrs- oder Wirtschaftsindikatoren analysiert. Sie sind mögliche Hebel für mehr Roustheit des Modells. So lässt es sich perspektivisch um Faktoren erweitern, die makrologistische Spannungen und saisonale Effekte abbilden.
Die prognostizierten Lieferzeiten fließen in ein Reinforcement-Learning-Modell ein, das Bestellentscheidungen simuliert und optimiert. Damit entsteht eine datenbasierte Entscheidungsgrundlage, anhand derer unterschiedliche Strategien für Sicherheitsbestände, Bestellmengen und Wiederbeschaffungszeiten bewertet werden können.
Vom KI-basierten Forecast zur menschenzentrierten Entscheidungsunterstützung in der Disposition
Die Ergebnisse werden in einem Bestellvorschlagsmodul visualisiert, das Disponent:innen zeigt, welche Bestellentscheidungen unter den aktuellen Rahmenbedingungen sinnvoll sind – inklusive Transparenz über Prognosequalität und Risiken.
Dafür wurden zwei Bausteine entwickelt:
- Eine Ampellogik, die das Vertrauen in Prognosen sichtbar macht. Sie nutzt vergangene Abweichungen zwischen Prognose und Realität und fasst diese in einer farbcodierten Vertrauensmetrik (grün/gelb/rot) zusammen.
- Die Methode CAPS (Comprehensible Abstract Policy Summaries), die komplexe RL-Policies in verständliche, regelähnliche Strukturen überführt. Dabei werden ähnliche Zustände zu Clustern zusammengefasst und samt typischer Aktionen visualisiert, so dass Nutzer:innen diese Erklärungen korrekt interpretieren können.
Im Dashboard direkt integriert sind also Prognosewerte, Unsicherheiten und Handlungsvorschläge. Diese werden so kombiniert, dass Fachanwender:innen erkennen, warum ein System eine bestimmte Empfehlung ausspricht.
| Was MePro in der Praxis ermöglicht |
- Besser einschätzbare Lieferzeiten bei schwankenden Rahmenbedingungen
- Optimierte Bestellvorschläge auf Basis von KI-Prognosen und RL-Strategien
- Reduktion von Überbeständen bei gleichzeitiger Sicherung der Warenverfügbarkeit
- Transparente Darstellung von Prognosequalität sowie Steigerung des Prognosevertrauens über die Ampellogik
- Dashboards, die sich an die Bedürfnisse unterschiedlicher Nutzergruppen anpassen lassen
|
Bereich Supply Chain Services