Maschinelles Lernen soll Absatzprognosen verbessern

KI-Modelle testen und Metadaten auswählen

Präzise Vorhersagen in der Produktion beeinflussen logistische Zielgrößen wie Auslastung, Durchlaufzeiten, Termintreue und Bestand positiv. Allerdings unterliegen solche Prognosen großen Unsicherheiten: Beispielsweise führt eine sich stetig ändernde geopolitische Lage zu unerwarteten Lieferengpässen und Veränderungen der Nachfrage. Die Verlässlichkeit von Erfahrungswerten oder Zeitreihenmodellen, die bisher häufig in kleinen und mittleren Unternehmen (KMU) zum Einsatz kommen, nimmt dadurch ab und reicht mitunter nicht mehr aus. Das Forschungsprojekt MLAb der Leuphana Universität Lüneburg reagiert darauf mit innovativen Lösungen aus dem Bereich des maschinellen Lernens (ML). Die intelligenten Verfahren nutzen dafür das Potenzial von zusätzlichen unternehmensinternen sowie -externen Daten, um die Vorhersagegenauigkeit zu verbessern.

Konjunktur- und Branchendaten schnell analysieren

Entlang zunehmend digitalisierter Lieferketten entstehen viele und teils sehr heterogene Daten, die als Eingangsinformationen für die Absatzprognose ein hohes Potenzial bieten, berichtet Projektmitarbeiter Dr.-Ing. Alexander Rokoss. Allerdings gibt er zu bedenken, dass „der hohe Zeitaufwand für die zielgerichtete Datensammlung und -analyse für die meisten KMU wirtschaftlich nicht sinnvoll ist“. Doch Ansätze aus dem ML-Bereich bieten vielversprechende Möglichkeiten, bestehende Zusammenhänge aus großen Datenmengen in kürzester Zeit zu extrahieren und zur Entscheidungsfindung zu nutzen. Vor allem Metadaten wie Konjunktur- oder Branchenindizes eignen sich, den heutigen Unsicherheitsfaktoren einer Absatzprognose entgegenzuwirken.

Geeignete Prognoseverfahren auswählen

Mit diesem Ziel vergleicht das Forschungsteam in der Praxis etablierte Verfahren zur Absatzprognose mit ML-basierten Verfahren. Die Forschenden analysieren vorhandene ML-Verfahren, entwickeln Methoden, um relevante Metadaten zu ermitteln, und prüfen die Prognosegüte von ML-Modellen. Dabei werden die Ergebnisse systematisch dokumentiert und veröffentlicht. Auf dieser Grundlage „können beteiligte KMU geeignete Verfahren für ihr jeweils vorliegendes Prognoseszenario auswählen und direkt in der Unternehmenspraxis anwenden“, kündigt Alexander Rokoss an. Zudem sind Anleitungen oder Tutorials geplant, wie die ML-Modelle anzuwenden sind. Von dem Erfahrungsaustausch zwischen Unternehmen und Wissenschaft profitieren alle Beteiligten. Das Projekt wird von der Europäischen Union kofinanziert

Hier finden Sie weitere Informationen:

• KI-Werkstatt an der Leuphana Universität Lüneburg
• ML-basierte Absatzprognose anhand von in- und externen Metadaten (MLAb)