Eine KI-Absatzprognose schätzt künftige Bedarfe aus historischen Daten und zusätzlichen Einflussgrößen. Ihr Nutzen zeigt sich im Vergleich mit der bisherigen Planung und einer einfachen Referenzprognose. Entscheidend sind Planungshorizont, Datenqualität und die Wirkung auf Bestand und Lieferfähigkeit.
Welche Entscheidung soll der Forecast verbessern?
Für den Einkauf kann der Bedarf über die Wiederbeschaffungszeit entscheidend sein. Die Kapazitätsplanung braucht dagegen einen Blick auf Produktfamilien und Engpassressourcen. Ein Monatswert für das gesamte Unternehmen hilft wenig, wenn die eigentliche Entscheidung den Materialbedarf einer konkreten Woche betrifft.
Definieren Sie deshalb zuerst Artikelgruppe, Standort, Zeithorizont und Entscheidung. Soll der Forecast Beschaffungsmengen verändern, Schichten vorbereiten oder Kundenabrufe plausibilisieren? Daraus ergeben sich die erforderliche Granularität und die sinnvolle Aktualisierung.
Fraunhofer IML nennt die Nachfrageprognose ausdrücklich als Einsatzfeld von Machine Learning im Supply Chain Management. Das bestätigt die fachliche Relevanz, ist aber kein Beleg für eine bestimmte Verbesserung in jedem Betrieb. Zum Anwendungsfeld bei Fraunhofer IML.
Welche Daten benötigt eine KI-Absatzprognose?
Ein sinnvoller Datenbestand enthält Mengen und Zeitpunkte, Artikel- und Kundenbezüge sowie nachvollziehbare Änderungen. Prüfen Sie dabei, was eine Buchung tatsächlich abbildet: Bestellung, Kundenabruf, Versand oder Verbrauch. Diese Größen sind nicht austauschbar.
- Nachfragehistorie: Bestellungen, Stornierungen und Abrufänderungen getrennt nachvollziehen.
- Verfügbarkeit: Fehlbestände kennzeichnen. Ein Zeitraum ohne Verkauf kann fehlendes Angebot statt fehlender Nachfrage bedeuten.
- Produktlebenszyklus: Anläufe, Ausläufe und Nachfolgeartikel gesondert behandeln.
- Bekannte Ereignisse: Betriebsferien, Aktionen und bestätigte Kundenprojekte nur mit dem damals verfügbaren Wissensstand berücksichtigen.
Eine allgemeingültige Mindestzahl an Monaten gibt es nicht. Entscheidend ist, ob die Historie die relevanten Muster enthält. Bei neuen oder selten nachgefragten Artikeln braucht es andere Verfahren und eine stärkere fachliche Einordnung.
Machine Learning, Zeitreihenmodelle oder Sprachmodell?
Statistische Zeitreihenmodelle sind eine sinnvolle Ausgangsbasis. Machine Learning kann zusätzliche Einflussgrößen und Unterschiede zwischen Artikeln berücksichtigen. Ein Sprachmodell kann Kundeninformationen strukturieren oder Abweichungen erläutern. Eine frei formulierte Mengenempfehlung sollte jedoch keine ungeprüfte Grundlage für Bestellungen sein.
Vergleichen Sie mehrere Verfahren mit einer einfachen Referenz, etwa dem entsprechenden Vorjahreszeitraum bei saisonalen Produkten. Die Auswahl richtet sich nach dem Ergebnis im passenden Planungshorizont, der Erklärbarkeit und dem Betriebsaufwand. Das aufwendigste Modell ist nicht automatisch die wirtschaftlichste Lösung.
Wie lässt sich Prognosequalität belastbar messen?
Ein Modell muss an Daten geprüft werden, die es bei der Berechnung noch nicht kannte. Ein guter Verlauf auf Trainingsdaten genügt nicht. Hyndman und Athanasopoulos erläutern diese Trennung sowie die Grenzen prozentualer Fehlermaße bei Nullmengen in Forecasting: Principles and Practice.
Für die betriebliche Bewertung empfehlen wir: Prognosefehler je relevantem Artikelbereich, systematische Über- oder Unterschätzung und die wirtschaftlichen Auswirkungen getrennt beobachten. Ein guter Gesamtwert darf kritische Fehlprognosen bei einzelnen Materialien nicht verdecken. Prüfen Sie zusätzlich, ob manuelle Korrekturen den Forecast tatsächlich verbessern.
Eine geringere Abweichung führt nicht automatisch zu weniger Bestand. Dazu müssen auch Sicherheitsbestände, Bestellregeln und Lieferzeiten überprüft werden. Mehr dazu im Beitrag zur KI in der Materialdisposition.
So wird aus der Prognose ein brauchbarer Pilot
Wählen Sie einen abgegrenzten Produktbereich, sichern Sie historische Planungsstände und vereinbaren Sie Vergleichsmaßstäbe. Lassen Sie die neue Prognose zunächst neben der bestehenden Planung laufen. Dokumentieren Sie, welche Entscheidungen sich dadurch ändern würden und welche Folgen zu erwarten sind.
Erst nach diesem Vergleich werden Vorschläge in den operativen Ablauf übernommen. Verantwortliche bearbeiten die relevanten Ausnahmen; Modellqualität und Datenversorgung bleiben überwacht. Die Verbindung zur gemeinsamen Unternehmensplanung beschreibt unser Beitrag zu KI im S&OP.
Quellen und Einordnung
- Fraunhofer IML: Machine Learning im Supply Chain Management
- Hyndman & Athanasopoulos: Evaluating point forecast accuracy
Die Quellen belegen die fachlichen Grundlagen und verfügbaren Technologieansätze. Die Empfehlungen zur Umsetzung sind unsere fachliche Einordnung. Sie ersetzen die Prüfung Ihrer Daten, Systeme und Prozesse nicht.
