Resources

Demand planning software: Warum Nachfrageprognose so wichtig ist

Abstract

Im folgenden Blogbeitrag wird die Bedeutung einer genauen Nachfrageplanung hervorgehoben. Der Blog-Artikel beginnt mit der Definition von Nachfrageplanung und den damit verbundenen Vorteilen. Aktuelle Nachfrageplanungsmodelle werden diskutiert und bewertet, um zu verstehen, warum insbesondere Lebensmittel- und Getränkehersteller auf eine genaue Nachfrageplanung angewiesen sind. Der Leser wird auch über den aktuellen Stand der Technik in der Nachfrageplanung informiert und wie wir als Optiwiser A.I. Solutions diesen Status Quo verbessern.

Was bedeutet Nachfrageplanung?

Welche Menge an Produkten wird in den kommenden Wochen, Monaten und Jahren verkauft werden? Was sind die kurzfristigen Trends bei meiner Nachfrage? Wie hoch ist die Nachfrage in den verschiedenen Vertriebskanälen? Welche Produktgruppen könnten in sechs Monaten für meine Kunden interessant sein? Diese Fragen sind für alle Unternehmen von zentraler Bedeutung. Fast alle betrieblichen Prozesse und Funktionen hängen von den Antworten auf diese Fragen ab: Einkauf, Bestandsmanagement, Produktionsplanung, Logistik, Vertrieb und Marketing. Die Bedeutung der Nachfrageprognose liegt auf der Hand, aber was bedeutet Nachfrageplanung eigentlich und was ist entscheidend für eine genaue Prognose?

Bei der Bedarfsplanung geht es darum, die Zukunft so genau wie möglich vorherzusagen. In den meisten Fällen wird die künftige Kundennachfrage vorhergesagt, um die künftige Entwicklung der Nachfrage zu verstehen und das Produkt effizienter produzieren und liefern zu können und die Zufriedenheit der Kunden zu steigern. Die Bedarfsplanung gilt als wesentlicher Schritt in der Supply-Chain-Planung, da diese in der Regel mit der Nachfrageplanung beginnt. Dabei wird ein auf statistischen Prognosen beruhender Absatzplan erstellt, der Faktoren berücksichtigt, die sich auf die Nachfrage auswirken, z. B. Werbeaktionen und Marketing, und festlegt, wo die Produkte vertrieben werden sollen, um die erwartete Nachfrage zu decken. Der Grundgedanke hinter der Planung besteht darin, Entscheidungen für die zukünftige Ausführung zu treffen. Daher sollte die Planung immer in die Zukunft gerichtet sein. Da wir oft nicht über vollständige Informationen über künftige Ereignisse verfügen, versuchen Prognosen, die Lücke des Unbekannten zu schließen. Leider können wir uns der Genauigkeit von Prognosen nie zu 100 % sicher sein. Wenn Ungewissheit im Spiel ist, werden Fehler gemacht, so dass der Prognosewert nicht null ist. Da wir wissen, dass wir mit der Tatsache der Unsicherheit konfrontiert sind, können wir diesen Fehler bei unseren Planungsaktivitäten berücksichtigen, indem wir Sicherheitsbestände als zusätzlichen Bestandspuffer berechnen. Im nächsten Schritt werden diese Informationen dann zur Bestandsoptimierung und zur Auslösung der Produktion verwendet.

Unabhängig davon, ob Sie Hersteller, Großhändler oder Einzelhändler sind, ist die Nachfrageprognose der wichtigste operative Prozess für Ihr Unternehmen. Ungenaue Nachfrageprognosen können drastische Folgen haben. Wenn Ihr Nachfrageplanungstool beispielsweise zu hohe Prognosen abgibt, was bedeutet, dass die tatsächliche Nachfrage niedriger ist als die vorhergesagte, müssen die überproduzierten Produkte im Lager gelagert werden. Folglich steigen die Lagerbestände und das Kapital wird gebunden, was zu einem geringen Cashflow führt. Vor allem Lebensmittel- und Getränkehersteller sind stark betroffen, da sie mit verderblichen Produkten handeln. So führt eine Überbevorratung häufig zu Lebensmittelverschwendung. Wenn andererseits eine Nachfrageplanungssoftware eine geringere als die tatsächliche Nachfrage vorhersagt, kommt es zu so genannten „Stock Out“-Szenarien, was bedeutet, dass der Hersteller nicht in der Lage ist, die erforderliche Nachfrage zu decken.

In dieser Hinsicht kann die möglichst genaue Vorhersage der künftigen Kundennachfrage als Ausgangspunkt aller Planungsaktivitäten angesehen werden. Die Nachfrageprognose ist daher von größter Bedeutung für die gesamte Geschäftsentwicklung und sichert langfristig die Rentabilität des Unternehmens sowie die Zufriedenheit der Kunden.

Warum sollten Unternehmen Software für die Nachfrageplanung einsetzen?

Moderne Unternehmen sammeln große Mengen an Daten aus den täglichen Verkaufsprozessen und Kundentransaktionen über alle Vertriebskanäle hinweg. Zusammengenommen ergeben diese Daten eine enorme Menge an wertvollen Informationen. Ohne die Anwendung von Nachfrageplanungstechniken bleiben diese aufschlussreichen Daten jedoch einfach liegen und verlieren mit der Zeit an Wert. Software für die Nachfrageprognose sammelt und analysiert Verkaufsdaten, um abhängige Variablen und Trends in bestimmten Märkten zu ermitteln. Anhand dieser quantitativen Daten kann die Lösung künftige Ergebnisse vorhersagen und ermöglicht es Unternehmen, ihre Prozesse auf das Auf und Ab der Kundennachfrage vorzubereiten. Je nach Markt, Produkt und Vertriebskanal können Unternehmen unterschiedliche Arten der Nachfrageprognose einsetzen. Daher sollten Unternehmen überlegen, wie sie durch den Einsatz von Nachfrageprognoselösungen ihre Funktionalität und Anpassungsfähigkeit verbessern können.

Bei der Nachfrageprognose werden historische und aktuelle Daten verwendet, um die schwankende Kundennachfrage in einem zukünftigen Zeitraum vorherzusagen. Bei der grundlegenden Nachfrageprognose werden Markt-, Absatz- und Bestandstrends berücksichtigt, so dass Unternehmen ihre Entscheidungsfindung für verschiedene Strategien verbessern können, z. B. für die Beschaffung und Preisgestaltung von Produkten. Die Nachfrageprognose hat somit folgende Vorteile für Unternehmen:

  • Optimierung der Budgetierung, der Kapitalzuweisung zur Ausweitung der Produktion, der Lieferkettenplanung und der Geschäftsstrategien zum Ausgleich von Angebot und Nachfrage
  • Optimierung der Lagerbestände zur Erhöhung der Umschlagshäufigkeit und Minimierung der Lagerkosten
  • Kontrolle von Über- und Unterproduktionen
  • Die Stakeholder können den Cashflow vorhersagen, um genaue Budgets für die Lieferanten, den Betrieb und die Expansionsbemühungen zu erstellen
  • Identifizierung und Behebung von Engpässen in der Vertriebspipeline, um einen reibungslosen Betrieb in der gesamten Lieferkette zu gewährleisten
  • Erstellen genauer Personalpläne, um sicherzustellen, dass in der Hochsaison genügend Mitarbeiter zur Verfügung stehen.

Eine solide Bedarfsplanung ist somit die Grundlage für eine umfassende Supply-Chain-Planung und die daraus resultierende Optimierung von Prozessen und KPIs.

Welche Modelle können für die Nachfrageplanung verwendet werden?

Um die einzelnen Prognosemodelle einordnen zu können, erlauben verschiedene Kategorien eine Einteilung nach Logik und Anwendung. So können Prognosemodelle nach ihrem methodischen Ansatz (qualitativ und quantitativ) und dem Prognosezeitraum (kurz-, mittel- oder langfristig) unterschieden werden. Bei den qualitativen Methoden liegen oft wenig oder keine quantitativen Informationen über den Prognosegegenstand vor, so dass auf Expertenwissen und verbale Aussagen zurückgegriffen wird (z.B. Schätzung von Vertriebsmitarbeitern oder Kundenbefragungen). Gründe für die Anwendung qualitativer Methoden sind z.B. fehlende Informationen aus der Vergangenheit (z.B. bei der Einführung eines neuen Produktes) oder strukturelle Brüche (z.B. neue Technologien oder veränderte politische Rahmenbedingungen). Diese Untersuchung setzt voraus, dass genügend Informationen vorhanden sind, um eine Prognose mathematisch abzuleiten. Im Gegensatz zu qualitativen Modellen beruhen diese Modelle auf mathematischen Regeln und Prinzipien, die auf der Basis von numerischen Vergangenheitswerten quantitative Prognoseergebnisse berechnen. Die Grundannahme ist dabei, dass aus der Nachfrage der Vergangenheit die Nachfrage der Zukunft bestimmt werden kann. Die Nachfrage der Vergangenheit wird durch eine Zeitreihe beschrieben, die eine chronologische Abfolge von aufgezeichneten Beobachtungen darstellt. Unter Berücksichtigung der charakteristischen Merkmale der Zeitreihe wird diese Folge mit Hilfe geeigneter Prognosemodelle in die Zukunft projiziert. Das Ziel der quantitativen Prognose kann somit als Fortschreibung einer bestehenden Zeitreihe definiert werden. Bei der quantitativen Prognose kommen Methoden aus der Statistik, dem maschinellen Lernen und dem Deep Learning zum Einsatz. In der Regel werden die Modelle für kurz- und mittelfristige Prognosen eingesetzt.

Warum setzen Lebensmittel- und Getränkehersteller auf KI-basierte Nachfrageplanungssoftware?

Die von Lebensmittel- und Getränkeherstellern angebotenen Produkte sind in den meisten Fällen austauschbar geworden. Um wettbewerbsfähig zu bleiben und sich von der Konkurrenz abzuheben, müssen sich die Unternehmen auf einen flexiblen Kundenservice, Schnelligkeit und Termintreue zu angemessenen Preisen konzentrieren und gleichzeitig versuchen, die Kosten zu senken. Verschärft wird die Situation durch verkürzte Produktlebenszyklen, dynamisches Kundenverhalten und die Notwendigkeit, sofort auf volatile Märkte zu reagieren. Dies sind nur einige der Herausforderungen, die in diesem Beitrag beschrieben werden. Um Ihre Lieferkette effizient zu gestalten, ist die Implementierung einer effizienten und ausgefeilten Nachfrageplanungssoftware unerlässlich, die es Ihrem Unternehmen ermöglicht, sich auf zukünftige Situationen im Voraus vorzubereiten. Die in der Literatur und in kommerziellen ERP-Systemen verfügbaren Prognosealgorithmen nehmen in Bezug auf Menge und Komplexität ständig zu. Darüber hinaus sind Rechenleistung und Speicherkapazitäten deutlich günstiger geworden, was den Unternehmen neue Möglichkeiten zur Prognostizierung eröffnet. Allerdings sind sowohl quantitative als auch qualitative Prognosemodelle aufgrund der hohen Marktdynamik teilweise nicht geeignet, eine Prognose in ausreichender Qualität zu erstellen. Unter anderem fördern die zunehmende Datenmenge und ein immer komplexeres Geschäftsumfeld die Unsicherheiten in der Prognose. Unsicherheiten sind zum Teil umsatzbedingt und oft das Ergebnis mangelnden Wissens oder falscher Informationen. Darüber hinaus sind häufig wechselnde Sortimente und schwankende Nachfrage aufgrund verschiedener störender Einflussfaktoren (Saisoneinflüsse, Preis- und Sortimentspolitik etc.) nur einige von vielen Faktoren, die den Einsatz herkömmlicher statistischer Prognosemodelle erschweren. Hinzu kommt, dass die tatsächlichen Zusammenhänge zwischen den Einflussfaktoren für den Menschen oft nur schwer oder gar nicht erkennbar sind, was zu einem verstärkten Wunsch und steigenden Einsatz von Methoden der Künstlichen Intelligenz in der Nachfrageplanung führt.

Um eine präzise Vorhersage zu erhalten, werden zunehmend Methoden der Künstlichen Intelligenz (KI) und die Unterkategorien Machine Learning (ML) und Deep Learning (DL) eingesetzt. Beide Methoden können als Teilbereiche der Künstlichen Intelligenz definiert werden. Der Vorteil von KI-basierten Methoden besteht darin, dass eine automatische Analyse von Mustern und Abhängigkeiten in den Eingabedaten genutzt und für die anschließende Prognose verwendet werden kann. Wie bei den statistischen Methoden gibt es keine allgemein gültige KI-basierte Methode, die für jede Situation eine bessere Prognose liefert. Vielmehr lassen sich mit jeder Methode je nach Anwendungsfall unterschiedliche Leistungen erzielen.

Eine automatisierte KI-gesteuerte Nachfrageplanungssoftware ist das Schlüsselelement einer vernetzten Lieferkette. Ein positives Beispiel für eine exzellente Lieferkette ist Amazon. Die Liefergeschwindigkeit von Amazon ist immens schnell. Aber wie ist das überhaupt möglich? Der Grund dafür ist die hervorragende Lieferkette von Amazon., es ist die Anwendung einer Im Hintergrund läuft eine sehr genaue KI-basierte Nachfrageplanungssoftware, die die historischen Daten analysiert, um festzustellen, wo und wann potenzielle Verbraucher ein Produkt in welcher Menge kaufen werden, bevor sie es tun. KI-basierte Nachfrageplanungssoftware hilft Ihnen, näher an Ihre Kunden heranzukommen und ihr Verhalten zu verstehen, um Ihre Lieferkette darauf abzustimmen.

Was ist der USP von Predictwiser.Cloud im Vergleich zu anderen KI-basierten Software-Tools zur Nachfrageplanung?

Predictwiser.Cloud ist eine KI-basierte Nachfrageplanungssoftware, die auf die Bedürfnisse von Lebensmittel- und Getränkeherstellern zugeschnitten ist. Es gibt zwar mehrere Softwarelösungen auf dem Markt, aber Optiwiser A.I. Solutions hebt sich in Bezug auf Leistung, Preis, Implementierungszeit und Benutzerfreundlichkeit von der Konkurrenz ab. Wir haben unser Produkt auf der Grundlage der “ pain points“ unserer Kunden entwickelt, die mit den auf dem Markt verfügbaren Softwarelösungen unzufrieden waren. Von der Idee bis zur Umsetzung waren Kreativität und technisches Know-how gefragt. Enrico Miranda, unser CTO, verfügt über einen Master-Abschluss in Künstlicher Intelligenz und Robotik und ist seit über 10 Jahren in der Branche tätig. Sein ganzes Know-how ist in die Entwicklung des Tools eingeflossen, und das macht es so einzigartig. Einer unserer wichtigsten USPs ist unsere Technologie StreamWiser™, die tief in das Back-End unserer Bedarfsplanungssoftware eingebettet ist. Wenn es um die Auswahl einer Prognosetechnik geht, unterscheidet sich unser Ansatz stark von dem der Wettbewerber. Die Wahl der richtigen Prognoseverfahren ist normalerweise eine sehr komplexe Aufgabe. Es ist nicht möglich, ein Datenmuster zu betrachten und daraus abzuleiten, welche Techniken oder welche Kombination von Parametern besser funktionieren werden.

Die Wahl einer Prognosetechnik erfolgt daher in der Regel durch eine Auswahl von Trial and Error. Mehrere Modelle werden anhand von Vergangenheitsdaten trainiert, und das Modell mit der besten Leistung bei den Vergangenheitsdaten wird in der Regel als das beste Modell ausgewählt. Dieser Auswahl liegt die Annahme zugrunde, dass die vergangene Leistung des Algorithmus in allen Szenarien zu einer guten zukünftigen Leistung des Algorithmus in jedem zukünftigen Szenario führen wird.

Demand planning software: Warum Nachfrageprognose so wichtig ist

Jede Aufschlüsselung der Vorhersagen auf der Grundlage eines längeren historischen Zeitraums ist jedoch zwangsläufig mit Einschränkungen bei der Darstellung der Vorhersagen verbunden. Was ist, wenn die beste Methode insgesamt nicht die beste Methode im Sommer ist? Und was ist, wenn die beste Vorgehensweise zur Vorhersage der Amazon-Verkäufe nicht dieselbe ist wie die beste Vorgehensweise zur Vorhersage der Verkäufe in den Straßengeschäften? In diesem Fall ergeben diese Aufschlüsselungen in der Regel eine riesige Anzahl möglicher Kombinationen. Da mittelständische Unternehmen nicht über die Ressourcen verfügen, um auf einer so detaillierten Ebene zu arbeiten, wird in der Regel das Modell mit der besten Gesamtleistung ausgewählt – auch wenn dies nicht immer und in jedem Fall das beste Modell ist.

Auch wenn dies nicht immer das beste Modell ist hat uns dazu gebracht, darüber nachzudenken, wie wir dieses Problem lösen und sicherstellen können, dass immer der beste Algorithmus für die jeweilige Vorhersage ausgewählt wird. Die Idee zu unserer Technologie StreamWiser™ war geboren. Wie bereits erwähnt, wählt eine wettbewerbsfähige Software Algorithmen aus und trainiert sie auf einem gegebenen Satz von Verkaufsdaten aus der Vergangenheit, um herauszufinden, welcher Algorithmus die beste Leistung aufweist. Dieser Algorithmus wird dann für künftige Vorhersagen ausgewählt, obwohl wir bereits wissen, dass dies nicht immer und in jedem Fall das beste Modell ist.

Mit StreamWiser™ können wir vom heutigen Standpunkt aus die künftig zu erwartende Leistung der einzelnen Algorithmen vorhersagen, die in das Back-End unserer Nachfrageplanungssoftware eingebettet sind. So ist gewährleistet, dass immer die besten Algorithmen für die zugrunde liegende Vorhersage ausgewählt werden. Ein kurzes Beispiel auf der rechten Seite der obigen Abbildung soll helfen, die Logik zu verstehen. Die graue und die petrolfarbene Grafik zeigen die erwarteten Fehlerquoten zweier verschiedener Algorithmen in der Zukunft. Aus heutiger Sicht würde StreamWiser™ den grauen Algorithmus für die Vorhersage der Nachfrage wählen. Wie jedoch zu sehen ist, kommt der Zeitpunkt, an dem der graue Algorithmus voraussichtlich einen geringeren Fehler aufweist, und so schaltet unsere Technologie automatisch auf den grauen Algorithmus um, bevor es zu einem Leistungsabfall kommt. Darüber hinaus ermöglicht uns diese Technologie, automatisch Antworten auf die oben genannten Fragen zu finden wie: „Welches ist die beste Technik für die Vorhersage des Sommers?“ und „Welches ist der beste Algorithmus für die Vorhersage der Nachfrage in verschiedenen Vertriebskanälen?