22.10.2024 // Dr. rer. nat Christian Mießen
Eine verlässliche Planung, bei der Komplexität kein Hindernis darstellt, das wünschen sich viele Supply-Chain-Verantwortliche. Sie stehen täglich vor der Herausforderung, schon heute vorherzusehen, was morgen gefragt sein wird. Um den Absatz zu planen, greifen sie auf Erfahrungen, historische Verkaufszahlen und weitere Daten zurück.
Doch was passiert, wenn sowohl die Erfahrung als auch eine fundierte Datengrundlage fehlen? Genau das ist bei der Einführung neuer Produkte der Fall. Fragen in Bezug auf die erwartete Nachfrage, zur Planung der erforderlichen Bestände und zur Sicherstellung eines verlässlichen Aftersales-Services summieren sich zu einer kaum zu bewältigenden Mammutaufgabe. Die möglichen Folgen einer unzureichenden Disposition erhöhen zusätzlich den Druck, die richtigen Entscheidungen zu treffen, um die Kundenzufriedenheit sicherzustellen. Je mehr neue Artikel gleichzeitig eingeführt werden, desto schwieriger wird diese Aufgabe.
Bislang waren Verantwortliche in der Regel gezwungen, ihre Planung mit herkömmlichen Tools wie Excel und basierend auf ihrem Bauchgefühl durchzuführen. Diese Herangehensweise ist nicht nur zeitintensiv, sondern auch fehleranfällig. Bei der manuellen Planung erstellen Mitarbeitende auf Basis ihrer Erfahrung und aufwändigen Auswertungen ähnlicher Produkte Bedarfsvorhersagen. Darauf basierend werden dann Einkaufsvorschläge realisiert.
Diese Vorgehensweise verursacht hohe Kosten und birgt immer das Risiko von Fehleinschätzungen. Ein unzureichender Lagerbestand führt zu verzögerten Lieferzeiten, verpassten Verkaufschancen und unzufriedenen Kunden. Eine übermäßige Erstbevorratung hingegen verursacht unnötige Ausgaben und erhöht das Risiko von Überbeständen, die schwer abverkauft werden können. Obwohl präzise Prognosen für Unternehmen von immenser Bedeutung sind, wird die sorgfältige Planung an dieser Stelle oft unterschätzt.
Um die Warenverfügbarkeit zu gewährleisten und gleichzeitig die Kapitalbindungskosten zu reduzieren, muss trotz fehlender Erfahrungswerte eine ausgewogene Balance zwischen Angebot und Nachfrage gefunden werden – und das in einem dynamischen Umfeld, das von zahlreichen Einflussfaktoren geprägt ist. Feiertage, Saisonalitäten, Verkaufsaktionen und externe Einflüsse wie das Wetter oder unerwartete Wettbewerbsaktivitäten sind nur einige der Faktoren, die es dem Menschen nahezu unmöglich machen, diese präzisen Vorhersagen zur Verkaufsentwicklung zu treffen.
Mit modernen KI-Modellen lassen sich trotz dieser Komplexität Prognosen für die optimale Erstbevorratung treffen, selbst wenn keine historischen Verkaufsdaten vorliegen. Durch einen Regressionsansatz kann die KI beispielsweise auf ähnliche Produkte oder Ersatzteile schließen und auf Basis von Mustern in deren Verkaufsverhalten zuverlässige Vorhersagen für neue Artikel erstellen.
Dabei berücksichtigt die KI auch externe Einflussfaktoren wie saisonale Schwankungen oder Marktveränderungen. Sie erkennt Anomalien in den Abläufen und steigert so in Summe zusätzlich ihre Entscheidungsintelligenz sowie die Präzision ihrer Handlungsvorschläge. Dank geeigneter Architektur und fundierter Trainingsmethoden kann die KI dynamisch an ein sich ständig veränderndes Marktumfeld angepasst und weiterentwickelt werden.
Ein praktisches Beispiel: Ein Motorradhersteller plant die Markteinführung eines neuen Produkts und möchte direkt die benötigten Ersatzteile mit einbeziehen – trotz fehlender Verkaufs- und Reparaturdaten. Die KI analysiert historische Daten ähnlicher Motorradmodelle. Dabei berücksichtigt sie nicht nur Verkaufszahlen und Reparaturhäufigkeiten, sondern auch externe Faktoren wie Feiertage und Saisonalitäten. Auf dieser Basis generiert die KI Prognosen, die dem Unternehmen helfen, die optimalen Bestellmengen festzulegen – und das bereits vor der Markteinführung. So wird sichergestellt, dass die richtigen Ersatzteile zur richtigen Zeit in der richtigen Menge verfügbar sind, ohne dass überflüssige Lagerkosten entstehen.
Der Einsatz der KI bei der Erstbevorratung reduziert den manuellen Planungsaufwand massiv. Gleichzeitig ermöglicht er fundierte Entscheidungen, um Lagerbestände optimal zu steuern und Kosten zu minimieren. Die Automatisierung von Standardabläufen und die damit einhergehende schnellere Entscheidungsfindung sorgen zudem dafür, dass Mitarbeitende sich verstärkt auf Ausnahmefälle konzentrieren können.
Mit KI-gestützten Methoden haben Unternehmen die Möglichkeit, ihre Erstbevorratung auf ein neues Niveau zu heben. Die Technologie ermöglicht präzise, datenbasierte Entscheidungen auch bei neuen Artikeln oder Standorten. Sie optimiert Lagerbestände und hilft, Engpässe zu vermeiden. Das Fallbeispiel des Motorradherstellers zeigt, wie Unternehmen durch den Einsatz von KI bereits heute erhebliche betriebswirtschaftliche Vorteile erzielen können – und das ohne Spekulation.
Wer die Potenziale von KI im Supply Chain Management nutzt, stellt sicher, dass Entscheidungen schneller und effizienter getroffen werden. So sichern Unternehmen ihre Lieferketten optimal für die Zukunft.
Wie lösen Sie die Herausforderungen bei der Erstbevorratung?
ÜBER UNSERE EXPERT:INNEN
Dr. rer. nat Christian Mießen
Experte für Supply-Chain-Optimierung
Dr. rer. nat Christian Mießen ist Experte im Bereich Statistik, Zeitreihenanalyse und Forecasting. Im Geschäftsbereich Inventory & Supply Chain verantwortet er die Entwicklung von KI-gestützten Algorithmen zur Optimierung der Supply Chain.
