Optimierte Lagerplanung durch Demand Forecasting
Gemeinsam mit einem der größten Textildienstleister Deutschlands haben wir ein Prognosemodell auf Databricks entwickelt, um den zukünftigen Warenbedarf zwei Monate im Voraus zu ermitteln.
Auf einen Blick:
- Branche: Textil-Managment
- Projektziel: Optimierung der Verschleißprognose durch Demand Forecasting
- Technologien: Databricks, Unity Catalog, MLFlow, Delta Live Tables, Prophet
- Dauer: 6 Monate
Was waren die Herausforderungen?
Mit über 150.000 Vertragskunden aus verschiedenen B2B-Branchen, die in Bereitstellung, Pflege und Ersatz von Waren betreut werden müssen, war die Lagerbestandsplanung extrem herausfordernd. Mehr als 10.000 Produkte, die jeweils nochmal in Kollektion, Größe und Farbe variieren, erschwerten genaue Prognosen. Hinzu kamen saisonale Schwankungen, Trends und unterschiedliche Einzelereignisse, sodass der Mengenbedarf nur grob abgeschätzt werden konnte. Das Ziel war daher, den Mengenbedarf verschiedener Kleidungsstücke auf Basis historischer Auftragsdaten genauer zu prognostizieren.
Vor diesen Herausforderungen stand unser Kunde
Saisonale Schwankungen
Der Kunde hatte Schwierigkeiten, den Bedarf von über 10.000 Produkten, die sich in Kollektionen, Größen und Farben unterscheiden, präzise vorherzusagen. Hinzu kamen saisonale Schwankungen und Trends, die die Vorhersage zusätzlich erschwerten.
Langsame Reaktionsgeschwindigkeit
Eine schnelle und präzise Reaktion auf Kundenanfragen war notwendig, um die Kundenzufriedenheit zu steigern. Dies erforderte eine effiziente Lagerbestandsplanung und genaue Bedarfsvorhersagen, um Verzögerungen und Engpässe zu vermeiden.
Geringe Produktivität
Die manuelle Planung und Verwaltung der Lagerbestände war zeitaufwendig und fehleranfällig. Durch die Implementierung eines KI-basierten Vorhersagemodells wurde das Datenmanagement automatisiert, was die Effizienz und Produktivität der Teams deutlich erhöhte.
Auf der Grundlage historischer Daten haben wir ein KI-basiertes Prognosemodell entwickelt. Durch Training mit Daten aus einem bestimmten Zeitraum der Vergangenheit erkennt es Muster und Zusammenhänge und extrapoliert diese auf zukünftige Zeiträume. Beispielsweise leitet das Modell aus den Bestelldaten der Vergangenheit ab, wann und wie oft bestimmte Artikel in Zukunft nachbestellt werden müssen.
Um die Genauigkeit des Modells zu validieren, wurden verschiedene Varianten anhand eines Datensatzes mit bekannten Auftragsdaten getestet. Das Modell mit der höchsten Vorhersagegenauigkeit von 85% wurde in der realen Umgebung unseres Kunden implementiert. Durch Zeitreihenmodellierung erkennt es Saisonalitäten und Trends und kann vorhersagen, zu welchem Zeitpunkt welche Artikel in welcher Menge verfügbar sein müssen. Zusätzlich wird das Wissen der Fachabteilung berücksichtigt, um unvorhergesehene Ereignisse zu berücksichtigen.
Die Ergebnisse unseres Kunden
Das Forecasting-Modell ermöglicht es unserem Kunden aus der Textilindustrie, zwei Monate im Voraus genau zu bestimmen, welche Artikel im Lager vorliegen müssen. Die vorherige Prognose auf Basis gleitender Mittelwerte wird um 14% übertroffen. Der errechnete modellierte Bedarf der Artikel durch das Zeitreihenmodell weicht lediglich um 6% vom tatsächlich eintreffenden Bedarf ab. Zuvor lag die Abweichung des Moving Average bei 12%.
Wie gehen wir beim Demand Forecasting vor?
1.
Basierend auf historischen Auftragsdaten wurde ein Vorhersagemodell entwickelt. Dieses Modell wurde mit Daten aus der Vergangenheit trainiert, um Muster und Zusammenhänge zu erkennen und zukünftige Bedarfe präzise zu prognostizieren.
2.
Mehrere Modellvariationen wurden getestet und anhand eines Datensatzes mit bekannten Bestelldaten validiert. Das Modell mit der höchsten Vorhersagegenauigkeit (85%) wurde ausgewählt und implementiert.
3.
Das ausgewählte Vorhersagemodell wurde in die reale Umgebung des Kunden implementiert. Durch die Zeitreihenmodellierung wurden Saisonalitäten und Trends erkannt, und das Fachwissen des Kunden wurde integriert, um unvorhergesehene Ereignisse zu berücksichtigen und die Prognosegenauigkeit weiter zu verbessern.
Wollen Sie den Bedarf Ihrer Produkte für eine optimale Planung vorhersagen lassen? Dann kontaktieren Sie uns!
Ihr Ansprechpartner
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