Materialknappheit mit KI clever umgehen
“Unser Material ist knapp.” Anfang 2021 verneinten vier von fünf deutschen Unternehmen diese Aussage. Rund ein Jahr später dreht die Ukraine-Krise dieses Bild um. Vier von fünf deutschen Unternehmen beklagen im Frühjahr 2022 erheblichen Materialmangel. Doch es gibt clevere Möglichkeiten, den Cash-to-Cash-Cycle mithilfe datengestützter automatisierter Vorhersagen zu verbessern.
Die Materialknappheit der letzten Jahre resultiert neben dem europäischen Kriegsgeschehen auch aus einschneidenden Faktoren wie beispielsweise der Corona-Krise, zwischenzeitlichen konjunkturellen Aufschwungphasen oder der zunehmenden internationalen Verflechtung von Lieferketten und daraus entstehenden Abhängigkeiten. So schwankt der Konjunkturindex, der derzeit monatlich gemessen wird, immer mal mehr oder weniger. Insgesamt lässt sich aber leider kein positives Bild zeichnen. Deutsche Unternehmen registrieren einen größer werdenden Stau an Aufträgen, die sie nicht erfüllen können. Ein zentraler Auslöser dafür ist der Mangel an Material.
Moderne KI-gestützte Lösungen verbessern Verkaufsprognosen
Diese Entwicklung zeigt eindeutig, dass herkömmliche Methoden zur Vorhersage des Materialbedarfs nicht mehr zeitgemäß sind. Einige Unternehmen setzen auf moderne KI-gestützte Lösungen und Intelligent Automation zur zuverlässigen und kostengünstigen Vorhersage ihres Materialbedarfs und der Optimierung ihrer Bestellmengen und Bestellzeitpunkte. Andere drohen abgehängt zu werden. Manche Betriebe begegnen dem Mangel mit einem Ausbau der Lagermengen. Die erhöhte Kapitalbindung in Kombination mit steigenden Zinsen vervielfachen allerdings die Kosten und schränken somit die Flexibilität dieser Unternehmen langfristig ein.
Betriebe mit einer automatisierten Nachfragevorhersage können eine Übereinstimmung von 95 % zwischen der tatsächlichen Nachfrage und der Vorhersage erreichen. Auf dieser Basis können sie den tatsächlichen Bedarf an Rohstoffen und Vormaterialien präzise bestimmen und ihre Lagerstrategie auch in unsicheren Zeiten optimieren. Ein Beispiel hierfür ist das Unternehmen HoneyWell HSP, ein Hersteller für verschiedene Sicherheitsprodukte. HSP stand vor umfangreichen Herausforderungen in der Bedarfsprognose, wie schwankende Nachfrage, Erweiterung und Anpassung des Produktportfolios, Verwendung mehrerer Systeme zur Nachfragevorhersage, hoher manueller Prognoseaufwand und fehleranfällige, langsame Prozesse.
Das Unternehmen entschied sich sodann für die Verwendung eines KI-gestützten Vorhersagesystems. Zunächst wurde eine Testphase mit Parallelbetrieb eingerichtet, um das Modell kontinuierlich weiterzuentwickeln und zu prüfen, ob die Vorhersagen auch wirklich eintreffen. Innerhalb weniger Monate war eine kontinuierliche Verbesserung zu sehen. Die Abweichung der Vorhersagen von der realen Nachfrage sank von 25 % im ersten Quartal auf 13 % im dritten Quartal. Die Einhaltung von Lieferterminen konnte um 20 % gesteigert werden, die Lagerumschlagshäufigkeit um 16 %.
{{whitepaper}}
Steigerung der erfüllten Aufträge von 80 % auf 95 %
Auch Brooks, ein Hersteller für Sportschuhe, stand vor immensen Herausforderungen. Das Umsatzwachstum neuer Produktlinien war stark schwankend und lag zwischen 0 und 50 %. Die Entscheidung über die Anpassung von Produktionskapazitäten fällt das niederländische Unternehmen gewöhnlich bereits 18 Monate vor dem Produktionsstart neuer Produktlinien. Brooks verzeichnete eine deutliche Zunahme von Aufträgen mit sofortiger Auslieferung. Weiterhin kann der Sell-Through nicht errechnet werden, da die Fachgeschäfte über wenig bis keine Möglichkeiten verfügen, ihre Verkaufsdaten an Brooks zu übermitteln.
Das Management entschied sich für den Aufbau einer Dateninfrastruktur und die Entwicklung eines Vorhersagemodells. Die Prüfung der Vorhersagegenauigkeit des Modells erfolgte durch den Vergleich mit realen Nachfragemengen. Es wurden Reports für verschiedene Positionen im Unternehmen mit unterschiedlichen Detailgraden automatisch erstellt. Erfahrene Mitarbeitende erhielten Eingabemöglichkeiten, um ihre jahrelange Erfahrung in die KI-Lösung einfließen zu lassen und somit die bestmögliche Vorhersage zu erhalten.
Die Genauigkeit der Vorhersagen zeigte sich um 40 % besser als die der manuellen Planung. Konnten zuvor 20 % der Aufträge nicht bearbeitet werden, waren es mit dem System nur noch 5 %, und das trotz stärkerer Schwankungen am Markt. Die Überproduktion konnte um 60 % reduziert werden. Insgesamt verzeichnet Brooks durch die Umstellung auf die automatisierte Nachfrageprognose höhere Margen und geringere Kosten.
Bestandteile einer KI-gestützten Vorhersage der Nachfrage
Damit die Nachfrageprognose Unternehmen einen Mehrwert bietet, benötigt sie drei Komponenten.
1. Reporting
Aktuelle Vorhersagen der Nachfrage sowie Kennzahlen zur Zuverlässigkeit der Vorhersage, dargestellt in Tools wie Power BI oder Tableau, eröffnen den Zugang zu den wichtigsten Informationen. Alle Tools können nach einer kurzen Einführung von allen relevanten Mitarbeitenden genutzt werden. Die komplizierte rechnerische Arbeit wird im Hintergrund vom Algorithmus übernommen.
2. Algorithmus
Für den rechnerischen Teil bestehen unzählige Möglichkeiten, die von KI-Experten und KI-Expertinnen passend für den Einzelfall ausgewählt werden. Der Algorithmus für eine Nachfrageprognose sollte individuell zugeschnitten sein und auf Basis langjähriger Geschäftserfahrung trainiert werden. Normalerweise gilt: Je umfangreicher und komplexer die Daten sind, desto länger dauert es einen Algorithmus zu trainieren und zu optimieren. Mit der richtigen Datengrundlage kann aber eine hohe Geschwindigkeit ohne Qualitätseinbußen erreicht werden.
3. Datengrundlage
Ein Algorithmus basiert auf notwendigen und zusätzlichen Daten. Notwendige Daten sind Nachfragedaten der Vergangenheit und bekannte zentrale Einflussfaktoren. Zusätzliche Daten sind Einflussfaktoren, die wichtig, aber nicht zentral sind.
Mit einem klaren Fokus auf notwendige Daten kann eine Investition in ein KI-gestütztes System besonders schnell profitabel sein. Erfahrene Expertinnen und Experten für Nachfrageprognosen beginnen in einem Proof-of-Concept-Projekt sehr schnell damit zu analysieren, welche Daten tatsächlich notwendig sind, um zuverlässige Vorhersagen zu treffen. Das senkt die Kosten und verringert den Zeitrahmen, bis die erste Vorhersagelösung produktiv eingesetzt werden kann.
Automatische Vorhersage einführen – aber wie?
Die Erfolgswahrscheinlichkeit geplanter Automatisierungsprojekte lässt sich anhand eines Proof of Concept sehr gut ablesen. In der Regel dauert ein Testprojekt für ein Demand Forecasting rund zwei Monate. In dieser Zeit wird das KI-Modell parallel zum Regelbetrieb trainiert und getestet. Wird das Projekt über einen längeren Zeitraum ausgerollt, amortisieren sich die im mittleren bis oberen fünfstelligen Bereich liegenden Kosten meisten bereits innerhalb von neun Monate. Ein erster Schritt in Richtung professionalisierte Automatisierung ist zumeist die Auswahl eines erfahrenden Dienstleisters, der seine Erfahrungswerte in der intelligenten Automatisierung in beratende Gespräche und Workshops einfließen lässt, um ein für das Unternehmen maßgeschneidertes Gesamtpaket zu entwerfen. Frag uns gerne!
