Verkaufsprognosen und Bestandsoptimierung in der Supply Chain mit Machine Learning-Technologie
Blog

Verkaufsprognosen und Bestandsoptimierung in der Supply Chain mit Machine Learning-Technologie

10 min read Jul 12, 2020

Die Bestandsoptimierung ist ein wichtiger KPI in Supply Chain Unternehmen, da sie sich direkt auf den Cashflow auswirkt. Einerseits weisen konstant hohe Lagerbestände (Überbestände) darauf hin, dass Geld, das für Lagerbestände ausgegeben wird, Geld ist, das nicht für potenzielles Wachstum ausgegeben wird, während andererseits niedrige Lagerbestände (häufige Lagerausfälle) darauf hinweisen, dass Geld durch entgangene Verkäufe verloren gehen könnte.

Das Hauptziel der Lagerbestandsoptimierung besteht darin, die Lagerbestände zu verringern und dennoch das richtige Produkt zur richtigen Zeit am richtigen Ort zu haben, um zu verhindern, dass ein potenzieller Verkauf verloren geht oder ein Produktionsfenster verpasst wird.

Am häufigsten beschäftigen Unternehmen Mitarbeiter, die sich der Auftragsvergabe widmen. Sie müssen sich mit den Artikeln vertraut machen, die Verkäufe und Änderungen im Verkaufsverhalten verfolgen und Ereignisse analysieren, die sich auf den Verkauf auswirken, um die Bestellung pro Artikel zu erfüllen. Sie müssen beide Ziele berücksichtigen - die Aufrechterhaltung eines niedrigen Lagerbestands bei gleichzeitiger Verringerung von Fehlbeständen. Dies ist ein relativ effektiver und effizienter Ansatz, wenn es sich um eine kleine Anzahl von zu bestellenden Artikeln handelt. Sobald jedoch die Anzahl der Artikel pro Person steigt, steigt auch die Komplexität der richtigen Bestellentscheidung. Die Anzahl der zu analysierenden, zu beobachtenden und zu berücksichtigenden Parameter steigt auf ein Niveau, das arbeitsintensiv, zeitaufwendig und in den meisten Fällen für das menschliche Gehirn nicht für alle Artikel effizient zu bewältigen ist. Dies führt zu häufigen Fehlbeständen, die höhere Bestellungen auslösen, die schließlich zu überhöhten Lagerbeständen und sogar zu toten Beständen führen.

Die Notwendigkeit, den Bestellvorgang zu erleichtern, hat die Forschung und Entwicklung verschiedener Ansätze und Instrumente, die den Käufer unterstützen können, beschleunigt. Die meisten davon sind regelbasierte Instrumente, die sich nicht automatisch an Veränderungen des Marktes (Nachfrage) anpassen können. Um dieses Problem zu überwinden, haben wir das Modul Verkaufsprognose und Bestandsoptimierung (SF & SO) für die BE-terna ML-Plattform entwickelt, das Machine Learning Techniken auf mehreren Datenquellen einsetzt, um Änderungen zu erkennen und eine automatische Anpassung zu ermöglichen.

Das SF & SO Modul der BE-terna Machine Learning Plattorm generiert anbieterspezifische Bestellungen, erstellt erläuternde Berichte und ermöglicht die Überarbeitung der generierten Bestellungen, so dass der Käufer die Empfehlung sofort akzeptieren oder korrigieren kann. Das Ziel der ML-Plattform ist es, automatische Bestellempfehlungen zu generieren, die Folgendes tun:

  • Verbesserung der Bestelleffizienz durch Verkürzung der Zeit, die für die Ausführung von Bestellungen benötigt wird 
  • Resultiert in ein verringertes Bestandsniveau (Bestandsoptimierung) für einen erhöhten Cashflow
  • Resultiert in einer geringeren Anzahl von Stock-Outs (verbesserter Service) für mehr Gewinn

Um all die oben genannten Vorteile zu erreichen, ist es entscheidend, dem Käufer eine benutzerfreundliche und vertraute Erklärung der Ergebnisse zu geben. Wir verwenden ein BI-Tool für interaktive Ergebnis-Drilldowns.

Der Erfolg jedes AI-Tools hängt vom Vertrauen und der Akzeptanz der Menschen ab, die es benutzen werden, daher ist die Benutzererfahrung genauso wichtig wie die Genauigkeit der ML-Plattform.

Der Arbeitsablauf

Der High-Level-Workflow des SF & SO-Moduls der BE-terna ML-Plattform ist in Abbildung 1 dargestellt. Er umfasst auch ein Lagerbestandsüberwachungsmodul, die Überwachung des Lieferantenkalenders, Datenbereinigung (historische Anomalien), Erkennung aktiver Artikel, Einschränkungen usw.

Das Modul wählt dann den Lieferanten oder einen Artikel zur Bestellung aus. Da das Überwachungsmodul separates Thema ist, wird sich dieser Blog-Beitrag nur auf das SF & SO-Modul konzentrieren.
Der Input kommt aus verschiedenen Datenquellen, wie ERP- und BI-Systemen und Daten von Drittanbietern wie Wetter, Transport, Veranstaltungen usw. Die Eingabedaten werden zu Zeitfenstern (minütlich, täglich, wöchentlich, monatlich, jährlich usw.) vorverarbeitet und zu einem einzigen Objekt verschmolzen, das den genauen Zeitrahmen darstellt. Die Daten werden in das Verkaufsprognose-Modul eingespeist, das zunächst die Art des Artikels identifiziert (schnelllebig, saisonal, langsamlebig, neuer Artikel, Werbeartikel usw.) und mehrere Machine Learning-Modelle mit unterschiedlichen Merkmalen und Selbstbewertungen auf speziell zugewiesenen historischen Datensätzen trainiert. Das Modell mit der besten Leistung wird für die Umsatzprognose für die nächste Periode verwendet (die Länge der Periode hängt vom Geschäft ab). Die mit Prognosen angereicherten Artikel werden an den Bestellplaner gesendet, der die herstellerspezifischen Einschränkungen und Anforderungen zusammen mit den Prognosen berücksichtigt und die Ergebnisse simuliert, um den Bestellwert zu optimieren, der als Bestellvorschlag festgelegt wird. Die Empfehlungen werden an das ERP-System zur Überarbeitung durch die Einkäufer gesendet. Außerdem enthält das BI-Tool zusätzliche Daten, um die Ergebnisse verständlicher zu machen.

undefined

Abbildung 1. High-Level-Workflow des SF & SO-Moduls der BE-terna ML-Plattform.

Use-Case-Bewertung

Bevor Sie mit der Implementierung des SF & SO-Moduls der BE-terna ML-Plattform in Ihren Geschäftsprozess beginnen, empfehlen wir Ihnen, einen Testlauf durchzuführen, indem Sie einen Satz von Artikeln (50-500 Artikeln) auswählen und den potenziellen Nutzen der Optimierung bewerten. In diesem Blogpost berichten wir über die Ergebnisse eines solchen Tests, der später zu einem erfolgreich eingesetzten und von den Käufern akzeptierten Modul führte.

Datensatz: Wir erhielten Verkaufs- und Auftragsdaten für 250 Artikel. Der Datensatz enthielt eine realistische Verteilung der Artikel pro Typ. Diese umfassten schnell- und langsamlebige, Saisonartikel, Fehlbestände, Neu- und Werbeartikel, Ausschreibungen und Artikel mit kurzem Verfallsdatum.

Anhand der kleinen Stichprobe haben wir versucht, die folgenden Fragen zu beantworten: 

  • Wie genau sind die Prognosen?
  • Können wir die Fehlbestände verringern?  
  • Können wir die Lagerbestände verringern?  

Wir werteten alle 250 Artikel aus und präsentierten die Antworten.

Die Genauigkeit der Vorhersagen wurde anhand des mittleren absoluten Fehlers (MAE) und des mittleren absoluten prozentualen Fehlers (MAPE) bewertet, die üblicherweise bei Regressionsanalysen verwendet werden. Da der MAE Artikel-spezifisch ist und die Liste lang ist, berichten wir nur über Artikel mit einem durchschnittlichen MAPE über 20%. Die Vorhersagen werden dann im Auftragsplaner verwendet, der die Aufträge ausgibt, die zum bestellten Bestand und zu potenziellen Fehlbeständen beitragen. Im Folgenden werden Beispiele für einen schnelllebigen (Abbildung 2) und einen saisonalen Artikel (Abbildung 3) gezeigt.

Wir präsentieren die Ergebnisse einer Prognose (linkes Diagramm in Abbildung 2), wobei die grüne Linie die tatsächlichen Verkäufe und die blaue Linie die Prognose darstellt. Der MAPE beträgt 11%. Die Prognose wird für die Lagerbestandsoptimierung verwendet, die im rechten Diagramm dargestellt ist, wobei die grüne Linie den tatsächlichen Lagerbestand, die blaue Linie den optimierten Lagerbestand und der dunkelblaue Bereich den Betrag des verringerten Lagerbestands darstellt. Wir können beobachten, dass die grüne Linie (reales Lagerniveau) mit jeder Bestellung (4 Mal pro Monat) zunimmt. Auf der anderen Seite hat unsere Simulation die erste Bestellung am 23. Juni und die bestellte Menge ist deutlich niedriger, da wir den Sicherheitsbestand automatisch entsprechend der prognostizierten Leistung neu bewertet und deutlich niedriger angesetzt haben. Der Lagerbestand hat sich deutlich verringert.

undefined

Abbildung 2. Prognose und Bestandsoptimierung für schnelllebige Artikel. Wir können eine genaue Prognose und eine deutliche Verringerung des Lagerbestands beobachten.

undefined

Abbildung 3. Saisonale Artikelprognose und Bestandsoptimierung. Wir können einen vermiedenen Lagerabgang und einen verringerten Lagerbestand am Monatsende beobachten. 

Der saisonle Artikel ist in Abbildung 3 dargestellt. Der MAPE der Prognose auf der rechten Seite beträgt 8%. Die Prognose wird für die Lagerbestandsoptimierung verwendet, die auf dem rechten Diagramm dargestellt ist, wobei die grüne Linie den tatsächlichen Lagerbestand, die blaue Linie den optimierten Lagerbestand, der hellblaue Bereich den Umfang des erhöhten Lagerbestands und der dunkelblaue Bereich den Umfang des verringerten Lagerbestands darstellt. Wir können beobachten, dass wir zu Beginn des Monats die Verkäufe prognostiziert, eine Bestellung aufgegeben und den Lagerbestand erhöht haben (hellblauer Bereich). Der Lagerbestand ist niedriger. Am 11. Juni zeigt die grüne Linie jedoch einen Lagerabgang an, während dies bei uns (blau) nicht der Fall ist. Wegen des Bestandsausfalls haben sie zu viel bestellt.

Bis zum Monatsende wurden in der Simulation niedrigere Lagerbestände beibehalten, während der Fehlbestand vermieden wurde.

Gesamte Fehlbestände

Eine Auswertung aller 250 Artikel ergab Antworten auf die Fragen zu den Fehlbeständen und zum Lagerbestand. Wir bewerteten die Anzahl der Fehlbestände, die bei unserem Kunden auftraten, und mehrere Fehlbestände, die durch das SF & SO-Modul erzeugt wurden. Die Ergebnisse sind in Abbildung 4 dargestellt. Ihre Aktionen führten zu mindestens einem Fehlbestand bei 44% der Artikel während des Evaluierungsjahres, während das Modul SF & SO bei 14% der Artikel mindestens einen Fehlbestand erzeugte. 

Dies deutet darauf hin, dass wir die Fehlbestände verringern können, genauer gesagt können wir für 86% der Artikel automatische Bestellungen generieren.

undefined

Gesamte Lagerbestände

Die Auswertung zeigte, dass wir in einigen Fällen den Lagerbestand verringert und in anderen Fällen erhöht haben, um Lagerausfälle zu vermeiden. Die Bestandsdifferenz pro Artikel ist in Abbildung 4 dargestellt. Die linke Seite stellt den verringerten Bestand und die rechte Seite den erhöhten Bestand dar.
Wir haben den Lagerbestand zwischen 25% und 60% gesenkt. Der erhöhte Lagerbestand am Ende der Abbildung steht für Aufträge, mit denen Lagerausfälle vermieden wurden, die in realen Daten auftraten.

undefined

Abbildung 4: Gesamte Lagerbestände

Benutzeroberfläche

Ein wichtiger Faktor bei der Einführung von KI-Projekten ist die Benutzererfahrung und die Verständlichkeit der Ergebnisse, die dazu beitragen, Vertrauen in das System aufzubauen. Wir senden die Ergebnisse direkt in das ERP-System, wo die Käufer die Beträge korrigieren oder die Empfehlungen einfach akzeptieren können. Zusätzlich zeigen wir die Ergebnisse in Qlik an, wie unten dargestellt. Wir visualisieren die tatsächlichen und prognostizierten Verkäufe und zeigen die aktuellen und empfohlenen Lagerbestände an. Wir stellen auch einige statistische Parameter dar, die die Einkäufer bei Bestellungen verwenden, damit sie bei Bedarf die Prognose auswerten können. Erfahrungsgemäß bauen die Käufer mit dieser Anwendung Vertrauen in das System auf, und nach einigen Bestellungen öffnen sie Qlik nur, um die Verkaufstrends zu überprüfen und die Erklärung für ihrer Meinung nach "ungewöhnliche" Empfehlungen zu sehen.

undefined

Fazit

Die Bestandsoptimierung stellt den einfachsten bewährten Weg zu erheblichen Kosteneinsparungen und Ertragssteigerungen dar. Durch die Verwendung eines Werkzeugs wie dem Modul Verkaufsprognose und Lageroptimierung der BE-terna ML-Plattform können Lagerbestände und Lagerausfälle verringert und gleichzeitig die Effizienz der Auftragsabwicklung erhöht werden, da die Mehrzahl der Artikel vollständig automatisiert werden kann.
Wir haben hier nur die Lagerbestandsoptimierungsprozesse für ein Distributionszentrum gezeigt.

Die Modellierung der Kunden kann jedoch zusätzlich die Prognosegenauigkeit, das Serviceniveau und die Kundenzufriedenheit erhöhen.

Künstliche Intelligenz

Identifizieren und nutzen Sie neue Möglichkeiten mit der Kraft der Künstlichen Intelligenz

Mehr dazu

Sie mögen, was Sie lesen?

Melden Sie sich zu unserem Newsletter an und bleiben Sie up-to-date.

Über den Autor

Božidara Cvetkovic

Lead Data Scientist