Problemstellung

Der Kunde setzte SAP IBP Demand Planning für die Bedarfsprognose seiner Produkte ein. Allerdings führten gravierende Marktturbulenzen – darunter Engpässe bei Erdgas, starke Preisvolatilität, ein sprunghafter Anstieg der Nachfrage nach Wärmepumpen sowie dynamische regulatorische Veränderungen in Deutschland – zu erheblicher Instabilität und beeinträchtigten die Prognosegenauigkeit deutlich. Ein Großteil der Produktzeitreihen zeigten signifikante Strukturbrüche, während das bestehende Forecasting-Setup nicht über die notwendige Robustheit verfügte, um auf diese externen Schocks adäquat zu reagieren. Insbesondere fehlten Verfahren zur systematischen Vorverarbeitung der Eingangsdaten: Weder wurden Ausreißer zuverlässig bereinigt, noch wurden temporäre Sondereffekte geglättet. In der Folge reagierten die Modelle überempfindlich auf kurzfristige Volatilität, was zu inkonsistenten und sprunghaften Prognoseverläufen führte.

Zudem wurden Zubehörprodukte, die typischerweise in Kombination mit Kernprodukten abgesetzt werden, separat prognostiziert, wodurch relevante Nachfrageabhängigkeiten unberücksichtigt blieben.

Gelieferte Lösung

• Einführung klar definierter Prozesse zur Datenvorverarbeitung, einschließlich der Erkennung und Korrektur von Ausreißern, um Zeitreihen zu glätten und die Stabilität der Eingangsdaten für die Modellierung zu erhöhen.
• Ablösung des bisherigen Best-Fit-Ansatzes durch eine Ensemble-Prognosestrategie in SAP IBP, bei der mehrere Modelle kombiniert werden, um belastbarere und genauere Vorhersagen über sämtliche Produktgruppen hinweg zu erzielen.
• Entwicklung einer maßgeschneiderten, Python-basierten Lösung zur Prognose von Zubehörprodukten. Das Modell basiert auf den statistischen Korrelationen zwischen Kern- und Zubehörprodukten und leitet die erwartete Zubehörnachfrage direkt aus den Prognosen der Kernprodukte ab.

Implementierung & Ausführung

Zu Projektbeginn setzte der Kunde auf den Best-Fit-Algorithmus von SAP IBP, der ein einzelnes Modell (z. B. ARIMA, Exponential Smoothing, Gradient Boosting) basierend auf historischen Daten auswählte. Wir ersetzten diesen Ansatz durch eine Ensemble-Prognosestrategie, bei der mehrere Modelle zu einem gewichteten Gesamtergebnis kombiniert werden, um belastbarere und präzisere Prognosen zu erzielen. Die optimalen Modellgewichte wurden mittels Zeitreihen-Cross-Validation ermittelt, um die reale Prognoseleistung zu bestimmen und eine robuste Auswahl über verschiedene Nachfragemuster hinweg zu ermöglichen. Diese Gewichtungen wurden regelmäßig für Kernprodukte, Zubehör und stark saisonale Produktgruppen neu kalibriert.

Ein zentraler Hebel für die Verbesserung der Prognosegüte war die Einführung einer gezielten Datenvorverarbeitung. Durch die systematische Glättung der Verkaufsdaten und die Korrektur von Ausreißern konnten kurzfristige Ausschläge wirksam abgefedert und die Prognosestabilität deutlich erhöht werden.

Im Verlauf des Projekts entwickelten wir zusätzlich eine maßgeschneiderte Python-basierte Softwarelösung (“Core Product Governed Accessory Forecasting - CPGAF”) zur signifikanten Verbesserung der Bedarfsplanung für Zubehörprodukte. Die Software leitet die Bedarfsprognosen für Zubehörprodukte direkt aus der erwarteten Nachfrage der Kernprodukte ab und bezieht Produktlebenszyklen mit ein.

Ergänzend führten wir strukturierte Analysen durch, um zentrale Performance-Treiber über unterschiedliche Produktgruppen, Regionen und Prognosegranularitäten hinweg zu erkennen.

Resultate & Erfolge

• Deutliche Steigerung der Prognosegüte mit einer Verbesserung zentraler KPIs um 15 bis 30 Prozent in den verschiedenen Zielmärkten.
• Erfolgreiche Einführung der Python-basierten CPGAF-Lösung zur präziseren und effizienten Zubehörplanung auf Basis der Prognosen für Kernprodukte.
• Sicherstellung verlässlicher Absatzprognosen auch unter volatilen Marktbedingungen, als Grundlage für fundierte, datengetriebene Entscheidungen.