Suchen

Expertenbeitrag

Mauro Adorno

Mauro Adorno

Geschäftsführer, ToolsGroup GmbH

Supply Chain

6 Tipps für Maschinelles Lernen in der Nachfrageplanung

| Autor/ Redakteur: Mauro Adorno / Sebastian Human

Maschinelles Lernen (ML) ist eine leistungsstarke Technologie. Falsch angewendet, werden mit ML jedoch nicht nur Zeit und Ressourcen verschwendet, sondern es kommt auch zu Fehlentscheidungen. Für welchen Bereich der Supply Chain ist der Einsatz von ML denn vielversprechend?

Firmen zum Thema

Auf Basis von Maschinellem Lernen lässt sich die gesamte Supply Chain effizienter managen.
Auf Basis von Maschinellem Lernen lässt sich die gesamte Supply Chain effizienter managen.
(Bild: gemeinfrei / Pexels )

Laut einer Gartner-Umfrage eignet sich die Nachfrageplanung einschließlich der Nachfragevorhersage, -erkennung und -gestaltung am besten für den Einsatz von Maschinellem Lernen. Und das aus gutem Grund: Zunehmende Prognosekomplexität und schnell wechselnde Konsumentennachfrage werden oft durch Saisonalität, Neueinführungen, Werbemaßnahmen und unzählige weitere Faktoren (z.B. Wetter, Social Media) verstärkt, sodass herkömmliche Vorhersagemodelle und -methoden allein hier oft zu kurz greifen. ML hingegen ist ideal, um diese Komplexität zu bewältigen.

Damit sich der Einsatz von ML in der Nachfrageplanung auch langfristig lohnt, sollten Unternehmen von Anfang an einen durchdachten Ansatz verfolgen. Die folgenden sechs Tipps zeigen, wie sich dieser in die Praxis umsetzen lässt.

Tipp 1: Geschäftsziel festlegen, bevor das ML-Projekt startet

Es ist zwar verlockend, mit ML von 0 auf 100 zu starten, aber nicht empfehlenswert. Ohne Kennzahlen darüber, was warum verbessert werden soll, kann die ML-Strategie nicht aufgehen. Dazu müssen die Daten erfasst werden, die einen genauen Vergleich zwischen früheren und den ML-Ergebnissen ermöglichen. Da ML-Systeme im Laufe der Zeit intelligenter werden, lässt sich mit einer konsistenten Messmethode genau verfolgen, wie sich die Ergebnisse und die Kapitalrendite im Hinblick auf die Kennzahlen verbessern – oder aber auch nicht verbessern.

Tipp 2: Nichts überstürzen, lieber kurze Sprints einlegen

Nachdem das Geschäftsziel definiert ist, muss eine solide Basis für das ML-Projekt geschaffen werden. Dafür kommen sowohl probabilistische Vorhersagemodelle, bei denen fortschrittliche Algorithmen zur Analyse mehrerer Nachfragevariablen genutzt werden, um die Wahrscheinlichkeiten einer Reihe möglicher Ergebnisse zu identifizieren, als auch fortschrittliche ML-Modelle zum Einsatz. Beide Ansätze sollten nahtlos zusammenarbeiten und den Nutzern die Möglichkeit geben, ihre Nachfragevorhersage auf der feinsten Ebene und in unterschiedlichen Zeithorizonten zu erstellen. Die probabilistischen Modelle werden dabei genutzt, um auf Grundlage der historischen Daten Prognosen zu erstellen. Um die ermittelte Ausgangswahrscheinlichkeit weiter zu verbessern und die Phänomene, die die Nachfrage beeinflussen besser modellieren zu können, werden dann in einem nächsten Schritt ML-Algorithmen erst auf diese historische Daten angewandt, dann aber werden inkrementell weitere Datensätze zur Nachfragehistorie, Produkteigenschaften und anderen Stammdaten hinzugefügt. In weiteren Schritten werden schließlich auch externe Datenquellen wie Wetterdaten, Wirtschaftsindikatoren, POS-Daten, Daten aus Sozialen Medien oder IoT-Quellen hinzugezogen. Dieser Ansatz hilft dabei, eine nachhaltige ML-Lösung zu entwickeln, bei der die Lernergebnisse für jeden Schritt überschaubar überprüft und die Modelle entsprechend angepasst werden können.

Tipp 3: Die vier Datendimensionen berücksichtigen

Bei ML-Projekten sollten alle vier Datendimensionen berücksichtigt werden.

  • Datenvolumen: Das Big-Data-Zeitalter ist ideal für den Einsatz von Maschinellem Lernen. Denn um aus dem ML-Modell eine statistische Signifikanz abzuleiten, müssen genügend Daten zur Verfügung stehen. Allerdings wird dabei leicht übersehen, dass man nicht immer nur riesige Datensätze braucht. Oft ist auch „Small Data“ ausreichend. Zum Beispiel eignen sich kleinere Datensätze über die Nachfrage-Historie hervorragend, um mit dem Ausbau eines aussagekräftigen selbstlernenden Modells zu beginnen.
  • Datengranularität: ML lebt von der Granularität. Ging es in der Vergangenheit oft darum, die Daten zu aggregieren, um mögliches Rauschen aus dem Modell fernzuhalten, ist dies bei ML nicht mehr nötig. Schließlich kann auch das Rauschen genutzt werden, um Korrelationen zu finden, die helfen, das Modell zu trainieren.
  • Datenqualität: Trotzdem bleibt die Datenqualität wichtig. Denn ML kann zwar feststellen, ob ein bestimmter Datenstrom eine korrelative Bedeutung hat, aber nichts darüber aussagen, ob die Daten zuverlässig sind. Die meisten Anbieter von ML implementieren reglementierte Data-Governance-Programme, um die Informationsqualität über den gesamten Lebenszyklus der Daten sicherzustellen.
  • Datenvielfalt: Auch die Vielfalt der Daten ist ein Schlüsselfaktor. Je mehr verschiedene Datenquellen berücksichtigt werden (z.B. Werbeaktionen, Einführung neuer Produkte, Social Media, Wetter), desto robuster und genauer werden die Planungsergebnisse.

Tipp 4: Ergebnisse mit selbstanpassenden Modellen operationalisieren

Häufig implementieren Unternehmen Maschinelles Lernen im Hinblick auf eine konkrete Herausforderung, ohne zu berücksichtigen, dass sich die Rahmenbedingungen ändern können und die Modelle dann angepasst werden müssen. Wird diese Anpassung manuell vorgenommen, sind Experten erforderlich, die sich die meisten Unternehmen nicht leisten können. Selbstanpassende Modelle, meist als Bestandteil einer voll integrierten Geschäftslösung angeboten, werden hingegen regelmäßig automatisch aktualisiert, um auf veränderte Bedingungen reagieren zu können. Mit dieser Anpassungsfähigkeit sorgen sie dafür, dass ML auch langfristig einen nachhaltigen Mehrwert generiert.

Tipp 5: Auf menschliche und maschinelle Stärken bauen

Dank der Automatisierung von ML müssen Planer weniger Manipulationen an Modellen und Tabellenkalkulationen vornehmen und können sich mehr auf wertschöpfende, strategische Arbeit konzentrieren. Doch trotz Automatisierung werden im Laufe der Zeit neue Herausforderungen auftauchen, sodass bestehende Modelle dann überdacht werden müssen. Je komplexer das Modell, desto häufiger muss es gewartet und kalibriert werden. Von daher ist es wichtig, bereits vor Projektbeginn zu verstehen, welche Fähigkeiten und Ressourcen gebraucht werden.

Teil der strategischen Arbeit der Planer ist es, Domänenwissen auf den Prozess anzuwenden. ML kann zwar viel bewirken, aber menschliches Geschäftswissen und Prozesskenntnisse sind dennoch erforderlich, um die ML-Modelle richtig abzustimmen. Diese von Maschinellem Lernen unterstützte Planerrolle ist eine ideale Symbiose zwischen Mensch und Maschine: Das System wird im Laufe der Zeit intelligenter, indem es den menschlichen Input berücksichtigt, und die Menschen werden klüger, indem sie aus dem Erfolg der Wahrscheinlichkeitsprognosen lernen.

Tipp 6: Nicht vergessen – Maschinelles Lernen ist kein Allheilmittel

Nikki Baird, Managing Partner bei Retail Systems Research, warnte in einem Blog Post davor, KI als Allheilmittel zu betrachten. KI nur um der KI willen ist ein Ansatz, der ihrer Meinung nach zum Scheitern verurteilt sei. Das gilt genauso für die Teildisziplin ML: ML kann zwar viel, ist aber kein Allheilmittel.

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de (ID: 45881950)

Über den Autor

Mauro Adorno

Mauro Adorno

Geschäftsführer, ToolsGroup GmbH