OBER – Optimale Bestandsplanung unter Unsicherheit

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.

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.

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.

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.

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