Lösung · Bestandsplanung
Bestände nach tatsächlicher Nachfrage, nicht nach Schätzung.
Das Prognosemodell nutzt die Verkaufshistorie, die Saisonalität und verfügbare Kapazitäten und schlägt für jeden Artikel und jeden Standort eine empfohlene Menge vor. Die Prognose deckt Horizonte von 4, 12, 26 und 52 Wochen ab und warnt vor drohenden Engpässen oder Überbeständen. Im umgesetzten Projekt weisen die Unterlagen ein Umsatzplus von 5–6 % aus.
Typische Komplexitätsstufe Stufe 3 · Komplex · ab 6 490 EUR zzgl. MwSt.
Wann es sinnvoll ist
- Ein Teil der Artikel ist nicht rechtzeitig lagernd, andere binden unnötig Kapital
- Bestellungen werden manuell nach Erfahrung geplant
- Sie haben mehrere Lager, Filialen oder Verkaufsstellen
- Saisonalität und Aktionen bringen manuelle Schätzungen durcheinander
So funktioniert es
- 01
Wir starten mit der Verkaufs- und Lagerhistorie.
Artikelbewegungen, Bestände und Mindestmengen.
- 02
Wir berücksichtigen Saisonalität und weitere Faktoren.
Zeitreihen mit Saisonalität und weiteren Einflussfaktoren.
- 03
Das Modell prognostiziert den Bedarf für Wochen.
Modelle für Horizonte von 4, 12, 26 und 52 Wochen.
- 04
Sie erhalten empfohlene Bestellmengen.
Mengen und Warnungen, Export in das Bestellsystem.
Worauf wir aufbauen
Python, Zeitreihenmodelle, scikit-learn und LightGBM, ein Data Warehouse und PostgreSQL. Wir arbeiten mit aggregierten Daten ohne personenbezogene Kundendaten.
Aus der Praxis · Bestandsplanung
Bestände nach tatsächlicher Nachfrage
Die Prognose nutzt historische Daten, Saisonalität und verfügbare Kapazität. Das Team erhält eine empfohlene Menge für jeden Artikel und Standort.
Machbarkeitsprüfung abgeschlossen
Ausgangssituation
Manche bestellten Artikel waren nicht rechtzeitig verfügbar, andere banden unnötig Kapital. Manuelle Schätzungen konnten nicht alle Unterschiede zwischen Artikeln und Standorten berücksichtigen.
Ziel: Verfügbarkeit verbessern und zugleich unnötige Bestände reduzieren.
Lösung
Das Modell prognostiziert die Nachfrage je Artikel und Standort. Die Empfehlung verknüpft es mit Lagerbestand, verfügbarer Kapazität und Mindestmengen.
Ergebnisse
- Das Team erhielt eine empfohlene Menge für jeden Artikel und Standort.
- Die Prognose deckt vier Zeithorizonte ab.
- Das Projekt hat eine Machbarkeitsprüfung mit historischen Daten durchlaufen.
Im umgesetzten Projekt weisen die Unterlagen ein Umsatzplus von 5–6 % aus.
Technologien
- Python und Zeitreihenmodelle
- scikit-learn / LightGBM
- Data Warehouse und PostgreSQL
- Dashboard und Export ins Bestellsystem
Sicherheit und Daten
- Aggregierte Daten ohne personenbezogene Kundendaten
- Betrieb in der Infrastruktur des Kunden
- Genauigkeit an historischen Daten geprüft
Betrieb
- Konzept für regelmäßiges Nachtrainieren und Batch-Berechnungen
- Genauigkeitsauswertung je Zeithorizont
- Erweiterung auf weitere Artikelgruppen möglich
Die Fallstudie ist anonymisiert. Weder das Unternehmen noch seine Branche werden genannt.
Häufige Fragen
Wie viel Historie brauchen wir?
Idealerweise mindestens zwei Jahre, damit das Modell die Saisonalität erfasst. Mit kürzerer Historie kann man mit einfacheren Modellen beginnen.
Wie oft wird die Prognose neu berechnet?
In der Regel einmal pro Woche im Batch. Das Modell trainieren wir regelmäßig neu und überwachen seine Genauigkeit.
Das könnte Sie auch interessieren
Lösung · DatenauswertungDatenanalyse und Qualitätskontrolle
Machine-Learning-Modelle vergleichen Messdaten und unterscheiden Messfehler von echten Abweichungen. Dashboard zur fachlichen Bewertung, Betrieb beim Kunden.
Stufe 3 · ab 6 490 EURMehr
Lösung · SzenarienvergleichProzess- und Kapazitätssimulation
Simulation von Layout, Kapazitäten und Auslastung im Browser. Vergleichen Sie Szenarien, bevor Sie den Betrieb ändern. Ereignisdiskrete Simulation und 3D-Ansicht.
Stufe 4 · ab 12 900 EURMehrSie wissen nicht, wo Sie anfangen sollen? Das ist in Ordnung.
Melden Sie sich bei uns. In einem kurzen Gespräch finden wir heraus, was Sie heute am meisten Zeit kostet, und schlagen einen ersten Schritt vor. Die Beratung ist kostenlos und unverbindlich.