OBER – Optimale Bestandsplanung unter Unsicherheit

Prognoseunsicherheiten kennen, Sicherheitsbestände verringern

© bannafarsai - stock.adobe.com

Die Steuerung von Lagerbeständen ist eine zentrale Herausforderung bei KMUs im Großhandel. Teilweise kommen dafür bereits Prognosemodelle zum Einsatz, mit denen mögliche Absätze vorhergesagt werden sollen. Diese sind jedoch häufig nicht state of the art und liefern außerdem lediglich Punktprognosen: d.h. es wird nur ein einzelner Wert vorhergesagt. Der Unsicherheitsfaktor, also die Frage wie wahrscheinlich es ist, dass der vorhergesagte Absatz um einen bestimmten Wert über- oder unterschritten wird, ist entweder nicht bekannt oder fließt aufgrund von fehlendem Fachwissen nicht in Entscheidungen mit ein. Der Nachteil hierbei: Anwender wie z.B. Disponenten müssen selbst entscheiden, wie sehr sie der Prognose vertrauen, und dementsprechend den Lagerbestand planen. Dies führt dazu, dass Unternehmen unnötig große Sicherheitsbestände vorhalten, weil sie das Risiko von Out-Of-Stock-Kosten nicht korrekt einschätzen. KI kann hier Abhilfe schaffen. Zusammen mit seinen Projektpartnern entwickelt und implementiert die Fraunhofer-Arbeitsgruppe für Supply Chain Services des Fraunhofer IIS deshalb ein Verfahren, mit dem die Unsicherheit einer Prognose quantifiziert und darauf aufbauend automatisch der optimale Lagerbestand bestimmt werden kann.

Mit KI die Bestandsplanung im Großhandel optimieren

Eine zuverlässige Punkt-Prognose des Warenabsatzes stellt bereits eine große Hilfe bei der Planung des Lagerbestandes da. Allerdings ist eine solche Prognose nie perfekt. Von entscheidender Bedeutung ist es also, das Risiko zu kennen, mit dem die Prognose den tatsächlichen Absatz zu einem bestimmten Zeitpunkt über- oder unterschätzt. Dieses Risiko nennt man auch Prognoseunsicherheit. Bei Absatzprognosen bedeutet das beispielsweise, einen Bedarf nicht bedienen zu können oder auf der anderen Seite zu viele Waren vorzuhalten. In der Praxis versuchen Unternehmen vor allem, Out-Of-Stock-Situationen zu vermeiden. Da sie das genaue Risiko dafür aber nicht kennen, halten sie häufig zu viele Waren auf Lager, binden so Kapital oder müssen diese Waren schließlich sogar entsorgen. Im Forschungsprojekt werden daher verschiedene KI-Ansätze erforscht, mit denen die Unsicherheit in der Prognose von Absätzen im Großhandel bestimmt werden kann. Ziel ist, darauf aufbauend ein mathematisches Optimierungsmodell zu entwickeln, das Prognosen zusammen mit der Prognoseunsicherheit verarbeiten kann und so für den Anwender die optimalen Lagerbestände berechnet.

Ensemble-Prognosen und bayesianische Modelle im Vergleich

Zusammen mit Trevisto erforschen die Forscherinnen und Forscher der Arbeitsgruppe SCS zwei grundsätzliche Ansätze für die Bestimmung der Unsicherheit einer Prognose. Der erste Ansatz sind sogenannte Ensemble-Prognosen. Hierbei werden mithilfe neuronaler Netze, anderer maschineller Lernverfahren oder moderner Statistikverfahren wie z.B. ARIMAX eine große Menge verschiedener Prognosen für denselben Wert erstellt. Jede einzelne Prognose bezeichnet man dabei als Szenario. Diese Szenarien werden zu einem Ensemble zusammengefasst und anhand ihrer Streuung die Prognoseunsicherheit modelliert. Der zweite Ansatz ist der Einsatz von bayesianischen Modellen, bei denen die Unsicherheit der Prognose implizit mitmodelliert wird. Hieraus können ebenfalls verschiedene Szenarien generiert werden.

Fachwissen fließt mit ein

Anschließend entwickeln die Forscherinnen und Forscher der Arbeitsgruppe SCS ein stochastisches Optimierungsmodell, das die Bestellmenge bestimmt, die über alle betrachteten Szenarien hinweg optimal ist. Für eine passgenaue Lösung werden sowohl bei der Prognose als auch beim Optimierungsmodell das Fachwissen der beteiligten Großhandelsexperten miteinbezogen. Um die Übertragbarkeit des Verfahrens zu erforschen, werden die entwickelten Modelle danach auf den Daten anderer Großhandelsunternehmen evaluiert.

Von der Prognose zur Softwarelösung

Für eine weitere Verwertung der Ergebnisse, insbesondere für kleine und mittlere Unternehmen, ist die Einbettung des Verfahrens in einfach nutzbare Software von entscheidender Bedeutung. Deshalb werden von Trevisto und FIS prototypisch sowohl eine eigenständige Softwarelösung als auch die Einbettung in die SAP-Landschaft in Form von Demonstratoren entwickelt und beim Projektpartner aus dem Großhandel, Eisen-Fischer, pilotiert.

Projektpartner

  • Trevisto AG, Nürnberg
  • Eisen-Fischer GmbH, Nördlingen
  • FIS Informationssysteme und Consulting GmbH (FIS), Grafenrheinfeld

Das könnte Sie auch interessieren

 

Dynamische Lagerplanung bei Schnellecke

Um die Herausforderungen für einen reibungslosen Warenumschlag zu meistern, erarbeitete die Arbeitsgruppe für Supply Chain Services SCS gemeinsam mit der Firma Schnellecke Logistics eine dynamischen Lagerplanung.

 

Studie

Der Großhandel in Bayern – Marktstruktur und Digitalisierung

Der bayrische Großhandel kann als »hidden champion« bezeichnet werden: in der Öffentlichkeit wenig bekannt, meist mittelständisch und dennoch wirtschaftlich gesehen ein Riese – keine andere Branche hat einen höheren Umsatz als der Großhandel. Die Arbeitsgruppe SCS untersuchte die Marktstrukturen des Großhandels in Bayern und analysierte, wie sich die Digitalisierung auf die Wertschöpfung im Großhandel auswirkt – und welchen Handlungsbedarf es gibt.