Lagerbestände optimal zu steuern, heißt sowohl Lieferengpässe als auch zu große Lagerbestände vermeiden. Die aktuell eingesetzten Absatz-Prognosemodelle liefern lediglich Punktprognosen, können also nicht vorhersagen, mit welcher Wahrscheinlichkeit der prognostizierte vom tatsächlichen Absatz abweicht. Disponenten müssen selbst entscheiden, inwieweit sie der Prognose bei der Planung trauen. Im Ergebnis halten viele Unternehmen unnötig hohe Sicherheitsbestände vor.
KI könnte diese Situation verbessern. Zusammen mit den Projektpartnern (Fraunhofer-Arbeitsgruppe für Supply Chain Services des Fraunhofer-Instituts für Integrierte Schaltungen IIS, Trevisto AG und Eisen-Fischer GmbH) entwickelt und testet FIS ein KI-Verfahren, mit dem der optimale Lagerbestand bestimmt werden kann. Dabei werden auch Aspekte, wie mengenabhängige Einkaufskonditionen, logistische Losgrößen, Lagerkosten etc. einbezogen.
Im Rahmen des OBER-Projektes wird das neue Prognose-Tool deshalb beim Partner Eisen-Fischer parallel zu den bisher eingesetzten Methoden implementiert. Über die Projektdauer von insgesamt 32 Monaten können so KI-Prognose, herkömmlich erzeugte Prognose und tatsächliche Marktentwicklung immer wieder abgeglichen werden. Aus den Ergebnissen „lernt“ die KI dann, die Vorhersagen zu präzisieren. Ziel ist es, eine einfach nutzbare Software insbesondere für KMUs zu entwickeln.
So dient die von FIS realisierte Anbindung an SAP nicht nur der Integration sämtlicher SAP-Daten, sondern stellt auch sicher, dass das neue Verfahren problemlos in bestehende SAP-Systeme eingebunden werden kann.
Mehr zu KI & Maschinelles Lernen mit SAP lesen Sie hier.