Optimierung der statistischen Prognose

Problemstellung

Der Kunde nutzte SAP IBP Demand Planning für die Prognose des Produktbedarfs. Allerdings führten Marktstörungen wie Erdgasverknappung, Preisvolatilität, steigende Nachfrage nach Wärmepumpen und die Entwicklung der deutschen Gesetzgebung zu starker Instabilität und schlechter Prognosegenauigkeit. Als wir in das Unternehmen eintraten, waren die meisten Produktzeitreihen von diesen externen Schocks stark betroffen. Die damalige Konfiguration der Prognosen war nicht robust genug, um diese Schocks aufzufangen.

Darüberhinaus wurden Zubehörprodukte, die in der Regel zusammen mit den Kernprodukten verkauft werden, unabhängig voneinander prognostiziert, wobei ihre korrelierten Absatzmuster außer Acht gelassen wurden.

Gelieferte Lösung

• Implementierung von Ensemble-Prognosen und Optimierung der SAP IBP-Konfiguration zur Verbesserung der Prognosestabilität und -genauigkeit für Kernprodukte und Zubehör.
• Entwicklung eines speziellen Python-Softwarepakets zur Vorhersage des Zubehörbedarfs auf der Grundlage von Kernproduktprognosen und Daten aus dem Produktlebenszyklusmanagement (PLM) sowie Vorbereitung der Integration in die IT-Infrastruktur des Kunden.

Implementierung & Ausführung

Ursprünglich verwendete der Kunde den Best-Fit-Prognosealgorithmus von SAP IBP, der das beste Prognosemodell (z. B. ARIMA, Exponential Smoothing, Gradient Boosting) auf der Grundlage historischer Backtests auswählte. Unser Team ersetzte dies durch einen Ensemble-Ansatz, der mehrere Modelle zu einer gewichteten Prognose kombiniert. Dabei wird derselbe Satz von Prognosemodellen an die Zeitreihe angepasst, und die tatsächliche Prognose besteht nicht nur aus einem einzigen Modell, sondern aus ihrer gewichteten Summe. Die optimalen Modellgewichte wurden anhand von Simulationen der SAP IBP-Prognosen mit einer bestimmten Wartezeit und einer Python-basierten Rastersuche ermittelt. Die Ensemble-Gewichte wurden regelmäßig für Kernprodukte, Zubehör und spezifische Produktuntergruppen mit bemerkenswerten saisonalen Nachfragemustern neu optimiert.

Eine “Core Product Governed Accessory Forecasting” (CPGAF)-Software wurde entwickelt, um Korrelationen zwischen Kernprodukten und deren Zubehör zu nutzen und so die Vorhersagbarkeit der Kernprodukte zu verbessern. Diese Lösung umfasst historische Korrelationsanalysen und PLM-Einblicke, um die Nachfrage nach Zubehör effektiv vorherzusagen.

Darüberhinaus lieferte unser Team detaillierte Datenanalysen, um die wichtigsten Faktoren für die Prognosegenauigkeit zu identifizieren, z. B. für einzelne Produktgruppen und Länder. Weitere Erkenntnisse wurden durch die Analyse verschiedener Prognoseebenen gewonnen, wobei die Produkthierarchie und das Prognoseintervall variiert wurden.

Resultate & Erfolge

• Erreichung einer erheblichen Verbesserung der Prognosestabilität und -genauigkeit und Steigerung der Leistungskennzahlen in verschiedenen Ländern um 15 bis 30 %.
• Erfolgreiche Implementierung des Python-basierten CPGAF-Pakets, das genauere Prognosen für Zubehörteile auf der Grundlage von Kernproduktvorhersagen ermöglicht.