Produktplanung ohne Forecasting birgt Risiken
Unser Kunde – ein führender Anbieter im Textil-Management mit über 5.000 Mitarbeitern – stand vor der Herausforderung den Produktbedarf passend zu planen.
Der Textil-Management-Konzern hatte bereits versucht den Bedarf für einzelne Produkte vorherzusagen, jedoch waren die Ergebnisse unzureichend. Das Problem kennen wir gut, denn herkömmliche Rechenmethoden sind nicht in der Lage auf saisonale Schwankungen oder unregelmäßige Verkaufsmuster einzugehen. Deswegen raten wir unseren Kunden zum Forecasting. Besonders in diesem Fall legten wir unserem Kunden nah, Machine Learning anzuwenden, um sich den Produktbedarf für die Zukunft automatisiert berechnen zu lassen.
Die bestehende Prognoselogik war nicht mehr ausreichend, um den komplexen Anforderungen eines breiten und unregelmäßig genutzten Artikelspektrums mit über 56.000 Produkten gerecht zu werden. Besonders Artikel mit niedrigem oder saisonal schwankendem Bedarf führten regelmäßig zu Fehleinschätzungen bei der Bestandsplanung.
Die manuelle Bedarfsplanung nahm viel Zeit in Anspruch und das Ergebnis der Berechnung wich stark von dem tatsächlichen Produktbedarf ab. Deshalb hatte der Textilmanager mit hohen Lagerauslastungen, Engpässen im Produktbestand und somit Lieferverzögerungen zu kämpfen. Das wirkte sich auf die Zufriedenheit der Kunden und die Gewinnmarge aus.
Unser Ziel: Eine genauere Vorhersage für den Produktbedarf.
Auf einen Blick:
- Branche: Textil-Management
- Projektziel: Die Verbesserung der Prognosequalität für den monatlichen Artikelbedarf und dadurch eine effizientere Lagersteuerung mit verkürzten Auslieferungszeiten.
- Tools: Databricks, Python, Spark, ML Flow, XGBoost Modell zur Bedarfsmengenvorhersage
Vor diesen Herausforderungen stand unser Kunde
Breites Artikelspektrum mit unregelmäßigem Bedarf
Ein Großteil der rund 56.000 Artikel wurde nur selten oder in unregelmäßigen Intervallen benötigt, was die Vorhersage erschwerte.
Veralteter Prognoseansatz
Der bisherige Prognosemechanismus beruhte auf Mittelwerten der Vergangenheit und konnte saisonale oder strukturelle Veränderungen nicht ausreichend abbilden.
Fehlprognosen mit erhöhten Lagerkosten
Vor allem bei Artikeln mit geringem Bedarf kam es zu systematischen Überschätzungen, was zu unnötig hohen Lagerbeständen und ineffizienter Lagerauslastung führte.
Nach der Identifikation der Herausforderungen wurde ein Proof of Concept (PoC) definiert. Ziel war die Entwicklung eines ML-Modells, das den monatlichen Bedarf auf Ebene einzelner Artikel präziser prognostiziert. Die Evaluierung erfolgte über historische Daten eines vollständigen Kalenderjahres.
- Bedarfs-,
- Bewegungs-
- und Produktdaten heran.
In Databricks entwickelten wir einen Machine Learning Workflow, den wir über Spark und ML Flow skaliert, trainiert und evaluiert haben. Die Entscheidung für Databricks als Plattform erfolgte vor dem Hintergrund der technischen Kompatibilität mit der IT-Landschaft des Textil-Dienstleisters.
In einem früheren Use Case konnten wir Databricks als passende Plattform in einem Workshop gemeinsam mit unserem Kunden identifizieren und die Lakehouse Architektur aufbauen: Daten- und KI-Plattform in Databricks
Der Vergleich mit dem bisherigen Benchmarkmodell zeigte bereits früh erste Verbesserungen.
Eine besondere Herausforderung war die Prognose von Artikel, die selten bestellt wurden. Die Planung dieser tendierte häufig zur Über- oder Unterschätzung. Um dem entgegenzuwirken, haben wir eine Loss-Function in den Algorithmus implementiert, die eine Unterschätzung stärker gewichtet. Dadurch war es uns möglich auch Bedarfe im Long-Tail-Bereich optimiert abzubilden.
Die finale Lösungsarchitektur, die wir nach verschiedenen Test-runs freigaben, stützten wir auf folgende Datenquellen:
- Historische Bedarfsdaten auf Artikel- und Gruppenebene
- Produktinformationen
- Träger- und Bewegungsdaten
- Demografische Merkmale
- Saisonale Effekte
Um die Semantik der Datensätze zu erhalten, haben wir die zuständigen Fachbereiche in die Bewertung der Ergebnisse eingebunden. Wir sind zwar Experten für Datenverarbeitung, maßen uns aber nicht an, unternehmensinternes Wissen stellvertretend zu interpretieren.
In all unseren Use Cases ist es unser Ziel, offen mit unseren Kunden zu kommunizieren und Ergebnisse transparent zu vermitteln, um gemeinsam das bestmögliche Ergebnis zu erzielen.
Die Implementierung des ML-Modells führte zu deutlichen Verbesserungen bei der Bedarfsprognose und einer effizienteren Lagerhaltung.
Im Vergleich zum bisherigen Modell konnten wir die Prognosegenauigkeit um 8,6 % steigern. Dadurch konnten wir im Schnitt eine Einsparung von rund 9.600 Produkten pro Monat identifizieren (16,7 % weniger Artikel zur Bedarfsdeckung). Das entlastet die Lagerkapazitäten enorm und ermöglicht eine zuverlässige Zulieferung.
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