Forecasting des Produktbedarfs im Metallhandel
Unser Kunde ist ein führender Anbieter von Stahl, Edelstahl und Aluminium mit Hauptsitz in Deutschland. Er betreibt bundesweit 16 Standorte und beschäftigt weltweit über 5.600 Mitarbeitende.
Das Unternehmen bietet ein breites Sortiment an Metallprodukten sowie umfassende Anarbeitungs- und Fertigungsdienstleistungen. Es unterstützt seine Kunden entlang der gesamten Prozesskette – von der Konstruktion bis zur Just-in-time-Lieferung.
Auf einen Blick:
- Branche: Stahl- und Metallhandel
- Projektziel: Die Entwicklung eines Prototyps zur Vorhersage des monatlichen Bedarfs nach Kostenträgern für ein Zeitintervall von 3 bis 12 Monaten – mit dem Ziel, ein bestehendes Benchmark-Modell von SAP (auf Basis eines rollierenden Durchschnitts) hinsichtlich Prognosequalität zu übertreffen.
- Technologien: Microsoft Fabric, Python, Pyspark, Machine-Learning-Frameworks wie MLForecast, NeuralForecast, StatsForecast und Prophet.
Vor diesen Herausforderungen stand unser Kunde
Saisonale Schwankungen der Nachfrage erschweren eine zuverlässige Produktionsplanung. Die Folge sind eine ineffiziente Ressourcennutzung und erhöhte Kosten.
Die aktuelle Lösung des Kunden basiert auf einfachen statistischen Verfahren und umfasst somit keine weiteren Datenpunkte (z. B. allgemeines Wirtschaftswachstum oder andere externe Faktoren).
Unsicherheit in der Produktionsplanung
Fehlende Transparenz über zukünftige Bedarfsmengen führt zu ungenauen Planungen – mit erhöhtem Risiko für Über- oder Unterproduktion.
Kosten durch Fehlplanung
Falsche Bedarfsprognosen führt zu erhöhten Kosten durch Über- oder Unterproduktion.
Unzureichende Datennutzung
Externe & interne Datenquellen können systematisch in die Planung mit einbezogen werden und entscheidend zu besseren Prognosen beitragen.
Im Rahmen eines zweiwöchigen Proof-of-Concept setzten wir eine Prognoselösung auf Basis von Machine Learning um. Für diese verwendeten wir historische Transaktionsdaten sowie externe Wirtschaftsindikatoren und Produktdaten und externe Faktoren wie die Marktdaten aus dem produzierenden Gewerbe (Daten der Bundesbank).
Die Entwicklung der Modelle setzten wir innerhalb von Microsoft Fabric um, wo wir neben Prophet verschiedene Modelle der Nixtla-Bibliothek testeten. Unsere Ansätze waren sowohl uni- als auch multivariate und die Berechnung der Prognosen erfolgten differenziert nach Kostenträgern.
Während der Umsetzung hatten wir außerdem das Ziel vor Augen, die Prognosegüte im Vergleich zum Benchmark-Modell zu messen, um am Ende einen klaren Vergleich ziehen zu können. Ein zentrales Ziel war die Messung der Prognosegüte im Vergleich zum Benchmark-Modell.
Das Ergebnis
Innerhalb von nur zwei Wochen konnte der PoC abgeschlossen und konkrete Mehrwerte nachgewiesen werden. Im Vergleich zum bisherigen Benchmark-Modell auf Basis eines rollierenden Drei-Monats-Durchschnitts zeigte sich eine signifikante Verbesserung der Prognosegüte. Die eingesetzten Modelle der Nixtla-Bibliothek steigerten die Vorhersagegenauigkeit um bis zu 10 %. Besonders deutlich fiel der Fortschritt bei Einsatz des Prophet-Modells aus: Im Backtest konnten wir bis zu 36 % genauere Ergebnisse in Bezug auf den mittleren absoluten Fehler (MAE) erzielen.
Vorteile durch Forecasting für unsere Kunden
Durch die höhere Prognosegüte – insbesondere mit Prophet – kann der Kunde den künftigen Bedarf deutlich präziser vorhersagen. Das reduziert Unsicherheiten in der Produktionsplanung und verbessert die gesamte Supply-Chain-Steuerung.
Die verbesserte Vorhersagequalität hilft, Überproduktion (Lagerkosten, Kapitalbindung) und Unterproduktion (verlorene Umsätze, Lieferengpässe) gezielt zu vermeiden. Dadurch sinken die Gesamtkosten entlang der Wertschöpfungskette.
Da der PoC in nur zwei Wochen umgesetzt wurde, zeigt sich, dass der Kunde ohne lange Vorlaufzeiten erste Ergebnisse generieren und kurzfristig auf veränderte Marktdynamiken reagieren kann.
Die Integration externer Daten (z. B. Wirtschaftsdaten der Bundesbank) erweitert die Informationsbasis und führt zu strategisch fundierteren Entscheidungen – etwa bei Kapazitätsplanung oder Einkauf.
Die eingesetzten Modelle und Technologien (Microsoft Fabric, Nixtla, Prophet) lassen sich flexibel auf andere Produktgruppen, Standorte oder Zeiträume anwenden. Damit ist der Grundstein für eine unternehmensweite Prognoseplattform gelegt.
Demand Forecasting für Ihr Unternehmen. Starten Sie jetzt mit uns durch!
Lassen Sie uns sprechen und Ihr Potenzial entdecken.
Ob und wie künstliche Intelligenz Ihnen weiterhelfen kann, können Sie in einem ersten, unverbindlichen Gespräch mit uns herausfinden.
In diesem Gespräch erfahren Sie:
- Wie Ihr Use-Case technisch am besten umgesetzt werden kann
- Wie wir maximal sicher mit Ihren Kundendaten umgehen
- Wie lange wir für die Umsetzung benötigen und wie ein konkreter Projektplan aussehen könnte