Intelligente Verkaufsmengen vorhersagen
Wie die zukünftige Produktnachfrage mit Hilfe des maschinellen Lernens vorhergesagt werden kann
Der Kunde
Die Dr.-Ing. Max Schlötter GmbH & Co. KG mit Hauptsitz in Geislingen zählt zu den führenden Firmen für Galvanotechnik in Deutschland. Die Kernkompetenzen des Unternehmens liegen in der Entwicklung und Herstellung von Galvano-chemikalien zur Oberflächenbeschichtung sowie im Bau von Galvanoanlagen. Der Mittel-ständler blickt hierbei auf mehr als 100 Jahre Erfahrung in der elektro-chemischen Forschung zurück.
www.schloetter.de
Die Daten
Schlötter stellte den Datenanalyseexperten des SDSC-BW die Verkaufsdaten der letzten 13 Jahre zur Verfügung: insgesamt rund eine Million Datenelemente. Die Daten enthielten Verkaufsinformationen zu jedem Produkt an jedem Tag, wie z.B. Verkaufsvolumen, Lageradresse, Kundennummer, Bestellzeit, Lieferzeit usw.
Die Herausforderung
Das Verkaufsvolumen der Schlötter-Produkte wird von vielen Faktoren beeinflusst – darunter beispielsweise der Marktwettbewerb, wirtschaftliche Veränderungen oder Marketingstrategien. Das Erstellen qualitativ hochwertiger Umsatzprognosen ist entsprechend schwierig. „Überraschungsbestellungen“, bei denen die Bestellmenge oft unvermittelt um ein Vielfaches höher ist als üblich, erschweren die Prognosen zusätzlich. Ungenaue Vorhersagen können in diesem Kontext zu unterschiedlichen Verlusten führen: Unterprognose führt zu Auftragsverlusten und Sonderfahrten Überprognose zu unnötigen Lagerkosten.
Die Potentialanalyse
Um die durch ungenaue Prognosen verursachten Verluste zu verringern, versuchte das SDSC-BW-Team, mithilfe des maschinellen Lernens die Vorhersage der Verkaufsmenge zu optimieren. Es betrachtete die Fragestellung hierfür als Zeitreihen-Vorhersage-Aufgabe. Da eine Unterprognose im Vergleich zu einer Überprognose zu einem dreifach höheren Verlust führen kann, definierten die Experten eine asymmetrische Bewertungsmetrik. Im Folgen-den extrahierten sie verschiedene Merkmale aus den Verkaufsdaten-Zeitreihen, darunter statistische Informa-tionen (wie Mittelwerte und Autokorrelationen) oder Frequenzinformationen (wie Fourier Transformation). Auf Basis dieser Merkmale testeten sie verschiedene Modelle, um das beste unter ihnen zu identifizieren. Abschließ-end verglich das Team das optimierte Modell mit der Prognosestrategie von Schlötter.
Das Resultat
Durch die detaillierte Analyse und umfassende Recherchen entwickelten die Experten des SDCS-BW eine Methode, die die Verkaufsmengen unterschiedlicher Schlötter-Produkte automatisch und adaptiv vorhersagt. Das neue Modell erzielte bessere Ergebnisse als die bislang von Schlötter genutzte Prognosestrategie.
Wie es weiter geht
Dank der Ergebnisse der Potentialanalyse weiß Schlötter nun, welch großes Potential für die Entwicklung eines intelligenten Systems in den firmeneigenen Daten liegt. Aufgrund der gewonnenen Erkenntnisse gehen die Partner davon aus, dass weitere Datenanalysen die Produktionsplanung zusätzlich verbessern werden.