Lieferfähigkeit mit KI-gestützter Bestandsplanung optimieren

Möglichst viele Bestellungen noch am Tag ihres Eingangs liefern und gleichzeitig Lagerflächen effizient nutzen: Für Unternehmen mit tausenden Artikeln ist das ein echter Spagat. Gemeinsam mit dem Mittelstand-Digital Zentrum Augsburg hat ein Hersteller für Optoelektronik untersucht, wie sich Nachfrageentwicklungen, Lieferzeiten und Bestellmengen mithilfe von Datenanalyse und KI besser vorhersagen und bestimmen lassen.

Zentrale Logistik für den europäischen Markt

Die Thorlabs GmbH entwickelt und produziert optische sowie photoakustische Geräte. Zum Sortiment zählen unter anderem Mess- und Laborgeräte sowie weitere Bestandteile für den Laboreinsatz. Die Produktionsstandorte in Europa sind jeweils auf unterschiedliche Komponenten spezialisiert. Rund 90 Prozent der mehr als 25.000 in Deutschland geführten Artikel stammen aus der unternehmenseigenen Produktion.

Im Distributionszentrum in Bergkirchen laufen die Produkte zusammen und werden für Kunden in Europa versendet. Rund 100 Mitarbeitende sorgen dafür, dass die benötigten Produkte zur richtigen Zeit verfügbar sind. Eine wichtige Rolle übernimmt dabei das Logistikteam um Jürgen Kotzer, Director European Logistics, und Mareike May, Logistics Planner. Zu ihren Aufgaben gehören die Bestandsplanung, die Berechnung von Sicherheitsbeständen und die Koordination von Bestellungen über verschiedene Standorte hinweg.

Hohe Lieferfähigkeit trifft auf begrenzte Lagerkapazitäten

Das Unternehmen verfolgt die Vision der Same Day Delivery: Bestellungen sollen noch am Tag ihres Eingangs geliefert werden. Bei zahlreichen Artikeln gelingt dies bereits, setzt jedoch ausreichende Sicherheitsbestände im zentralen Lager voraus. Daraus entsteht ein Zielkonflikt: Hohe Bestände verbessern die Lieferfähigkeit, binden aber Kapital und benötigen Lagerfläche.

Hinzu kommen saisonale Schwankungen beispielsweise wenn Schulen und Hochschulen ins neue Jahr starten und dort die Labore ausgestattet werden. Auch einzelne Projektgeschäfte erschweren die Planung. Bestellt ein Kunde einmalig eine sehr große Menge, kann dies die historischen Nachfragedaten erheblich beeinflussen: Wird eine solche Bestellung wie ein regelmäßig auftretender Bedarf behandelt, führt das möglicherweise zu überhöhten Beständen, aber wird sie hingegen nicht angemessen berücksichtigt, können bei vergleichbaren Bestellungen Artikel im Lager fehlen.

Das Unternehmen war daher auf der Suche nach einem Ansatz, der bestehende Daten besser nutzbar macht und Mitarbeitende bei Bestandsentscheidungen unterstützt.

Ausreißer erkennen und Lieferzeiten realistischer einschätzen

Gemeinsam mit dem Projektteam des Mittelstand-Digital Zentrums Augsburg rund um Dr. Ursula Neumann vom Fraunhofer IIS wurde ein Use Case ausgearbeitet, der für die Bestandsplanung eine belastbarere Datengrundlage schaffen soll. Im Mittelpunkt standen dabei zwei Fragestellungen: Wie lassen sich ungewöhnliche Bestellmengen automatisch erkennen? Und wie können zukünftige Bedarfe und Lieferzeiten zuverlässiger prognostiziert werden? Auf Unternehmensseite begleitete Tilman Voss als ERP-Spezialist das Projekt und verantwortete die Bereitstellung und Auswertung der Daten.

Das Projekt wurde insgesamt in zwei Arbeitspakete gegliedert. Im ersten Arbeitspaket wurden die Aufbereitung der Bestandsdaten, die Erkennung ungewöhnlicher Bestellmengen sowie Prognosen für zukünftige Bedarfe und Lieferzeitabweichungen fokussiert. Zunächst wurden historische Bestell-, Bestands- und Lieferdaten analysiert. Dabei verdeutlichte sich, dass außergewöhnlich große Bestellungen einen erheblichen Einfluss auf die Planung haben können. Daher wurde eine Anomaliedetektion durchgeführt: Mithilfe statistischer Verfahren wurden diese Ausreißer identifiziert und gemeinsam mit dem Unternehmen bewertet. So konnte nachvollziehbar festgelegt werden, welche Werte für zukünftige Analysen berücksichtigt werden sollen.

Ein weiterer Schwerpunkt des ersten Arbeitspakets lag auf den Lieferzeiten. Dazu verglich das Projektteam die in den Stammdaten hinterlegten Lieferzeiten mit den tatsächlich eingetretenen Werten. Die Abweichungen wurden nach Merkmalen wie Monaten, Produktgruppen, internen Lieferanten und Versandarten ausgewertet. Auf diese Weise ließ sich herausfinden, unter welchen Bedingungen Lieferungen häufiger verspätet eintreffen.

Darauf aufbauend wurde ein mehrstufiges Prognoseverfahren konzipiert: Zunächst stellt ein Klassifikationsmodell fest, ob eine Bestellung voraussichtlich verspätet eintreffen wird. Ist dies der Fall, prognostiziert ein Regressionsmodell im zweiten Schritt, um wie viele Tage die festgelegte Lieferzeit voraussichtlich überschritten wird. Ein ergänzendes Regelsystem bewertet die Unsicherheit der Prognose und prüft, ob der vorhergesagte Wert aussagekräftig genug ist, um den statischen Vorgabewert zu ersetzen.

Bedarfe mehrere Wochen im Voraus prognostizieren

Neben den Lieferzeiten wurden auch zukünftige Bedarfe betrachtet. Dazu wurden elf verschiedene statistische, maschinelle und KI-basierte Prognosemodelle miteinander verglichen. Ziel war es herauszufinden, welche Methoden sich für verschiedene Nachfrageverläufe am besten eignen.

Dabei zeigte sich, dass Artikel sehr unterschiedliche Nachfrageprofile aufweisen können. Während einige Produkte regelmäßig und gut vorhersehbar nachgefragt werden, treten bei anderen längere Phasen ohne Nachfrage und anschließend starke Ausschläge auf. Entsprechend eignen sich nicht alle Prognoseverfahren gleichermaßen für jeden Artikel. Zusätzlich wurden Zeitreihen analysiert, um saisonale Muster von langfristigen Entwicklungen zu unterscheiden. Dadurch lässt sich beispielsweise feststellen, ob die Nachfrage eines Produkts dauerhaft wächst oder lediglich zu bestimmten Zeitpunkten im Jahr ansteigt.

Auf diesen Ergebnissen aufbauend wurde im zweiten Arbeitspaket untersucht, wie sich KI-basierte Bestellentscheidungen langfristig bewerten und durch mathematische Optimierung weiterentwickeln lassen. Dazu wurden Nachfrageprognosen, Bestandsinformationen und Lieferzeiten in Modellrechnungen zusammengeführt, um auf Basis dieser Informationen bestmögliche Bestellentscheidungen treffen zu können. Die Unsicherheiten in Nachfrage und Lieferzeiten erhöhen hier die Komplexität immens. Ein mathematisches Optimierungsmodell berücksichtigt neben den gesammelten Daten explizit die Unsicherheiten und macht auf deren Grundlage konkrete Bestellvorschläge, die den zentralen Zielkonflikt zwischen Warenverfügbarkeit und Kosten gegeneinander abwägen. Kenngrößen wie das Servicelevel spielen dabei eine essenzielle Rolle. Über einen historischen Zeitraum wurden die KI-basierten Bestellvorschläge simuliert und mit den historischen Bestellungen verglichen. Die Berechnungen zeigten, dass sich bestehende Verfahren zur Bestandsplanung sinnvoll durch Prognosen, eine automatisierte Anomaliedetektion und realistischere Lieferzeitwerte ergänzen lassen. Darüber hinaus können auf Basis dieser Informationen durch ein mathematisches Optimierungsmodell automatisiert konkrete Bestellmengen und -zeitpunkte abgeleitet werden.

Datengrundlage für die Weiterentwicklung der Bestandsplanung

Diese umfangreiche Datengrundlage mit Analysen, Prognosen und Handlungsempfehlungen lässt sich nun für die weitere Optimierung der Bestandsplanung nutzen. Die Ergebnisse helfen dabei, Nachfrageentwicklungen und Lieferzeiten besser einzuschätzen sowie ungewöhnliche Bestellungen frühzeitig zu erkennen.

Perspektivisch können die entwickelten Ansätze schrittweise in bestehende Prozesse und Systeme (z. B. ERP-System) integriert und die Bestandsplanung dadurch zunehmend automatisiert werden. So konnte im Projekt verdeutlicht werden, dass durch die Kombination aus Datenanalyse, statistischen Verfahren und KI neue Möglichkeiten entstehen, um Lieferfähigkeit und Bestandsmanagement besser miteinander in Einklang zu bringen.