Überwachtes Lernen
Solche Prognose lassen sich mithilfe künstlicher Intelligenz hervorragend erstellen. Die Nachfrageunsicherheiten können von sehr vielen Variablen abhängen, die bereits aus der Vergangenheit bekannt sind. Das Wetter, die Jahreszeiten oder wirtschaftliche Trends können dabei eine Rolle spielen. Weiter kennen Unternehmen häufig Zusammenhänge zwischen der Nachfrage und diesen Einflussgrößen. Es existiert also eine Historie für Bedarfe und die Ausprägung der Variablen. Nun lässt sich im Rahmen einer KI durch überwachtes Lernen auch der Zusammenhang zwischen Eingabegrößen und Ergebnisgrößen lernen.
Ergebnisgüte validiert
Schließlich können die Spezialisten im sogenannten Backtest die Historie über einen Zeitraum von fünf Jahren betrachten. Daraus nehmen sie drei Jahre, um Zusammenhänge zu lernen und die nächsten zwei Jahre, um das erlernte Ergebnis zu testen. Die Länge dieses Zeitraums und damit auch der Umfang der Datenbasis hängen aber stark vom Prognosezeitraum ab. Für die Prognose von einer Woche reicht auch eine Bedarfshistorie von einem Jahr. So entsteht ein Prognosemodell, mit dem sich – basierend auf den Variablen – bei fortlaufender Aktualisierung Prognosen für die Zukunft ableiten lassen. Bedarfsprognosen können dann etwa kundenseitige Nachfrageunsicherheiten reduzieren. Algorithmen aus der KI stärken also auf vielfältige Weise die Resilienz einer Lieferkette. Die Prognosemodelle sind grundsätzlich flexibel konfigurierbar. Die Gewichtung der Historie lässt sich beispielsweise verändern und das Modell neu trainieren.
Zunächst die Datenbasis
Bei dem IT-Dienstleister Cosmo Consult Data & Analytics beginnen Kundenprojekt grundsätzlich damit, die Menge und Qualität der Daten zu bewerten, die der Anwender zur Verfügung stellen kann. Häufig stehen nicht alle Daten zur Verfügung, die zur Problemlösung erfoderlich sind. Dann stehen die IT-Spezialisten vor der häufig schwierigen Aufgabe, eine Lösung zu finden, die fehlende Informationen abzuleiten. Typischerweise ist das ein Problem bei Artikeln, die gerade ins Sortiment aufgenommen wurden und über die es noch keine Nachfragehistorie geben kann. Eine Möglichkeit besteht darin, ähnliche, seit längerem vorhandene Artikel zu betrachten und ihre Historie nach einigen Wochen mit dem Verkaufsverhalten der neuen Artikel zu vergleichen. Je länger dieser Vergleich läuft und je öfter die Berechnungen aktualisiert werden, desto genauer wird die Prognose. Neben der Datenvalidierung werden mit dem Anwender auch seine Anforderungen besprochen und ihm werden Potenziale aufgezeigt. Außerdem wird der Informationsbedarf wie Lieferanteninformationen, Lieferantenkonditionen, Lieferzeiten und ähnliches definiert.
