Sie glauben, dass Machine Learning die Rolle von Nachfrageplanern komplett ersetzen kann? Dann lesen Sie diesen Beitrag besser nicht. Wenn Sie jedoch der Ansicht sind, dass maschinelles Lernen den Planungsprozess automatisieren kann, so dass Nachfrageplaner effizienter arbeiten können, dann stimme ich Ihnen voll und ganz zu!

Intelligente Automatisierungstechniken sind quasi die sprichwörtliche „Eier legende Wollmilchsau“: Sie können auf alle Arten von Aktivitäten im Unternehmen angewendet werden, um die Arbeit im Tagesgeschäft zu reduzieren und gleichzeitig wichtige Erkenntnisse zu gewinnen.

Die beeindruckenden Fortschritte in der künstlichen Intelligenz (KI) und im maschinellen Lernen (ML) in den letzten zehn Jahren finden inzwischen auch Eingang in die Nachfrageplanung. Überwachte und unüberwachte Machine-Learning-Techniken können Supply-Chain-Planer dabei unterstützen, bestimmte immer wiederkehrende Aufgaben und Prozesse zu automatisieren. 

Aber wie funktioniert „intelligente Automatisierung"?

Die Prognosewertverbesserung Forecast Value Added (FVA) ist für die meisten Unternehmen zu einer Standardmetrik geworden. Sie verbessert nicht nur die Prognosegenauigkeit, sondern reduziert auch „nicht-wertschöpfende Berührungspunkte“ im Planungsprozess und verbessert somit die Prozesseffizienz. Allerdings ist es mit traditionellen Planungssystemen nicht immer einfach zu messen, wann Nachfrageplaner einen Wertbeitrag durch die Anpassung von Planzahlen liefern. Die Unterstützung von FVA mit maschinellem Lernen kann eine Alternative darstellen. Ziel ist dabei, die Komplexität der Verwaltung aller FVA-Informationen durch Automatisierung zu reduzieren und dem Nachfrageplaner gezielte Informationen zu liefern, um festzustellen, wo, wann und wie viele manuelle Überschreibungen für die Prognosegüte hilfreich sind.

Nicht alle manuellen Überschreibungen, ob faktenbasiert oder erfahrungsbasiert, schaffen im Rahmen des Planungsprozesses einen Mehrwert. Viele Überschreibungen helfen tatsächlich nicht, die Absatzprognose genauer zu machen. Die Herausforderung besteht nicht nur darin, Überschreibungen zu identifizieren, die keinen Wert beitragen, sondern auch solche, die einen Mehrwert darstellen.

Diese Situation wird erschwert, wenn Sie Tausende Produkte beziehungsweise SKUs (stock keeping units) über mehrere Vertriebskanäle in zahlreichen Ländern vertreiben, die Millionen von Prognosen erfordern. Excel ist keine Option, um all diese Prognosen zu überprüfen und manuell anzupassen.

Und in der Praxis …

Kürzlich testete SAS mit einem großen globalen Konsumgüterunternehmen eine neue intelligente Automatisierungstechnik, die maschinelles Lernen zur Steigerung der FVA-Kennzahl nutzt.

Dabei wurden zwei Hauptziele verfolgt:

1) Identifizieren von Prognosemengen, die überschrieben werden müssen.
2) Erstellung einer statistischen Empfehlung an die Bedarfsplaner, die die Bandbreite für die benötigten Überschreibungen der Planzahlen aufzeigt.

Machine Learning analysiert dabei den historischen Forecast und die manuellen Anpassungen von Nachfrageplanern in Bezug auf ihren Wertbeitrag, den sie hinsichtlich tatsächlich gelieferter Mengen geleistet haben. Anhand dieser Analyseergebnisse bekommen die Planer eine Anleitung, wo und wie sehr die Prognosen angepasst werden müssen.

Prozess in drei Schritten

Im konkreten Beispiel analysierte SAS für zwei Märkte und fünf Produktkategorien mehr als 700 Artikel. Eine 60-Tage-Zukunftsprognose wurde als Hold-out-Periode für die FVA-Analyse verwendet, um das geeignete Machine-Learning-Modell auszuwählen.

Darauf folgte die Implementierung eines dreistufigen Ansatzes:

1) Enrich
2) Model
3) Assess (siehe Abbildung 1).

Schritt 1: Identifikation von Überschreibungen, die keine Wertbeiträge in Bezug auf die Planungsgenauigkeit bieten.

Schritt 2: Erstellen von Machine-Learning-Modellen unter Nutzung von neuronalen Netzen und Gradient Boosting & Random Forests, um automatisiert das genaueste Machine-Learning-Modell zu bestimmen.

Schritt 3: Beurteilung der Modelle anhand der Validierungsdaten und der Hold-out-Periode, Empfehlung der benötigten Anpassungen der Prognosedaten pro Produkt und Markt an den Planer.

Präzisere Prognosen auf ganzer Linie

Der Machine-Learning-Prozess zur Steigerung der Prognosegenauigkeit (MAPE als Zielwert) hat dabei geholfen, die Anzahl der manuellen Überschreibungen um 47 Prozent zu reduzieren. So konnten die teilnehmenden Nachfrageplaner mehr Zeit auf die präzise Planung der verbleibenden Produkte verwenden. Dadurch verbesserte sich die Genauigkeit der Absatzprognose um 6,3 Prozent.

Insgesamt führte das maschinelle Lernen zu folgenden Verbesserungen:

• durchschnittliche Prognosegüte der Machine-Learning-Modelle von 75 Prozent über alle Produktgruppen, Artikel und Märkte,
• Prognosegüte von 86 Prozent, wenn Machine-Learning-Modelle keine Überschreibungen empfehlen,
• Prognosegüte von 65 Prozent, wenn Machine-Learning-Modelle Überschreibungen empfehlen.

Diese Ergebnisse zeigen, dass der Einsatz von Machine-Learning-Techniken dazu geeignet ist, die tägliche Arbeit von Planern zu vereinfachen. Planer können zielgerichtet an den richtigen Produkten arbeiten und in Summe die Absatzprognose genauer machen. Den größten Wertbeitrag liefern dabei Machine-Learning-Empfehlungen, bei denen die statistischen Prognosen nicht mehr manuell angepasst werden müssen, da Statistik eine präzisere Vorhersage erlaubt als eine manuelle Anpassung.

 Machine Learning als „Turbo“ für die Entscheidungsfindung

Die oben beschriebene intelligente Automatisierung wird Bedarfsplanern helfen, große Mengen an Daten schnell zu analysieren, um effizienter zu arbeiten. Ein solcher optimierter Prozess kann die Voraussetzung dafür schaffen, dass sie eine noch stärkere Rolle im Sales & Operations-Prozess übernehmen. Statistische Methoden dienen dazu, fundiertere Entscheidungen bei der Supply-Chain-Planung zu treffen – und modernste Technologien wie Machine Learning unterstützen dies.

Am 11. Dezember sprechen wir über die Praxis - im AI Lab der Frankfurt School - Kommen Sie vorbei!