Mit exakter Materialbedarfsplanung Überschuss und Kosten reduzieren
Die Materialplanung gestaltet sich für viele Zulieferer komplex, vor allem in reglementierten Branchen. Die Materialien müssen höchsten Qualitätsstandards entsprechen und haben oft lange Vorlaufzeiten. Erstausrüster (OEM) produzieren allerdings überwiegend just-in-time. Viele Unternehmen versuchen diese Herausforderung zu lösen, indem sie mehr Materialien ordern, als sie tatsächlich benötigen. So sollen Lieferengpässe und -verzögerungen abgefedert werden. Die Folge? Nicht benötigte Materialen müssen storniert, eingelagert oder entsorgt werden. Die Planung wird dadurch immer komplexer und es entsteht ein Überschuss, der unnötige Kosten verursacht und das Erfüllen von ESG-Pflichten erschwert.
Eine exakte und vorausschauende Materialbeschaffung lindert diese Problematik und stellt demnach einen entscheidenden Faktor für den Erfolg von Unternehmen in der Lieferkette dar. Um Vorhersagen für eine effizientere Materialplanung und -beschaffung zu ermöglichen, eignen sich Methoden aus dem Bereich Machine Learning (ML).
Beispiel: Forecasting mit ML bei einem Luft- und Raumfahrtzulieferer
Einer unserer Kunden, mit dem wir ML-basierte Vorhersagen umgesetzt haben, ist ein weltweit tätiger Zulieferer für Luft- und Raumfahrtunternehmen. Er stand vor der Herausforderung, dass seine Produkte mit nur wenigen Wochen Vorlaufzeit verbindlich bestellt wurden, die Lieferzeit von Rohmaterialien für die eigene Produktion aber bis zu sieben Monate betrug. Die Forecasts für die Bedarfsmengen basierten auf dem Erfahrungswissen der eigenen Planungsexpert:innen und den Bedarfsindikationen von Kunden. Da die Kunden allerdings vor ähnlichen Herausforderungen und Unsicherheiten stehen wie ihre Zulieferer, fiel deren Planung ebenfalls großzügiger aus, um eine Verletzung von Lieferfristen und damit verbundene Vertragsstrafen zu vermeiden. Dieses Vorgehen hatte zur Folge, dass über die Lieferkette hinweg immer höhere Lager- und Kapitalbindungskosten entstanden – ein klassisches Beispiel des sog. „Bullwhip Effekts“. Dem wollte unser Kunde durch eine präzisere Materialplanung entgegenwirken.
Signifikant weniger Bedarfsabweichung durch ganzheitliche Analyse von Bestell- und Lieferdaten
Zusammen mit unserem Kunden haben wir eine Lösung entwickelt, die mit Machine Learning historische Bestellungen analysiert, dabei externe Faktoren wie Markttrends berücksichtigt und zusätzliche Informationen wie Bedarfsindikatoren von Kunden einbezieht. Die ganzheitliche Sicht auf all diese Daten ermöglicht es, präzisere Vorhersagen zu treffen, z. B. wann welche Produkte in den nächsten Monaten in welchen Mengen bestellt werden. Dadurch können der Materialbedarf genau ermittelt und Lager- sowie Produktionskapazitäten effizienter verwaltet werden – eine deutliche Verbesserung zu der bisherigen rein erfahrungsbasierten Planung. Im Vergleich zur bisherigen Materialplanung lassen sich somit Abweichungen vom echten Bedarf signifikant reduzieren. Gerade bei länger anhaltenden Über- oder Unterschätzungen des echten Bedarfs werden somit die Gefahren von Bestandsaufbau bzw. Lieferunfähigkeit (sog. Stock-outs) deutlich reduziert.
Automatisierte Prozesse unterstützen Planungsexpert:innen
Durch die ML-basierte Prognose kann unser Kunde seine Lagerkosten erheblich reduzieren und gleichzeitig sicherstellen, dass stets genügend Material vorhanden ist, um seine Aufträge zu erfüllen. Außerdem bedeutet die neue Lösung eine enorme Effizienzsteigerung: Wo Planungsexpert:innen bisher Bedarfsindikationen manuell sammeln und aufbereiten mussten, läuft dieser Prozess nun automatisiert ab. Dies ist nicht nur deutlich schneller, die Daten können auch rund um die Uhr in Echtzeit gesammelt und Materialbedarfe stets aktuell geplant werden. So haben die Mitarbeiter:innen im Einkauf mehr Zeit, um sich bspw. um die Kommunikation und Vertragsverhandlung mit Lieferanten zu kümmern.
Ihre nächsten Schritte mit Comma Soft
Wenn Sie sich dazu austauschen möchten, wie Machine Learning das Forecasting und die Planung von produzierenden Unternehmen verbessern kann, sprechen Sie uns gerne an:
