Prognoseunsicherheiten kennen, Sicherheitsbestände verringern

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.