Ein Beispiel aus der Praxis: Joghurt im Regal

Stellen Sie sich vor, Sie kaufen einen Joghurt in einem Supermarkt in Ihrer Nähe. Damit dieses einfache Produkt erhältlich ist, mussten im Vorfeld mehrere Entscheidungen getroffen werden:

  • Das Vertriebsteam musste mit dem Einzelhändler verhandeln.
  • Das Logistikteam hat die Lieferung geplant.
  • Das Distributionszentrum hat den Artikel in der richtigen Menge vorrätig.
  • Das Produktionsteam hat den Joghurt hergestellt.
  • Das Beschaffungsteam hat die Zutaten und Verpackungsmaterialien bereits Wochen im Voraus gekauft.

Berücksichtigt man mehrere SKUs, saisonale Schwankungen, Werbeaktionen und verschiedene Vertriebskanäle (Einzelhandel, Großhandel, E-Commerce), steigt die Komplexität exponentiell an. Die Aufgabe von S&OP besteht darin, diese Kette zu koordinieren, um sicherzustellen, dass das richtige Produkt zur richtigen Zeit am richtigen Ort verfügbar ist – und zwar zu den niedrigsten Kosten und mit der höchstmöglichen Rendite.

Wo AI einen Mehrwert bietet: Bedarfsplanung

Der Ausgangspunkt von S&OP ist die Nachfrageprognose. Und genau hier AI bislang den größten Einfluss ausgeübt.

Wie funktionieren Modelle zur Nachfrageprognose?
Traditionell wurden Prognosen mithilfe einfacher statistischer Methoden oder menschlicher Einschätzungen erstellt. Mit AI nutzen wir Algorithmen des maschinellen Lernens, die in der Lage sind, Muster in großen Mengen historischer data zu erkennen und gleichzeitig relevante externe Variablen einzubeziehen.

Robuste Modelle folgen in der Regel einem Ablauf wie dem folgenden:

  • Erstellen Sie eine historische Verkaufsdatenbank, die umfangreich genug ist, um Trends und saisonale Schwankungen zu erfassen.
  • Ergänzen Sie die Daten um erklärende Variablen:
    • Werbe-Kalender
    • Regionale Feiertage
    • Temperatur und Wetter
    • Marketingveranstaltungen
    • Wirtschaftsindikatoren (z. B. Inflation)
    • Maßnahmen der Wettbewerber
    • Produktkanibalisierung
  • Die data sollten data aktiver Mitwirkung des Geschäftsteams aufbereitet werden – dies ist unerlässlich, um irrelevante oder verzerrte Variablen zu entfernen.
  • Modellierung unter Verwendung von Techniken wie Entscheidungsbäumen, Regressionen, neuronalen Netzen oder Ensemble-Modellen, je nach Komplexität und Detailgenauigkeit der Problemstellung.
  • Kontinuierliche Bewertung, Erkennung von Ausreißern, regelmäßige Anpassung der Prognosen und Quantifizierung der Unsicherheit.

Gute Modelle geben nicht nur eine Zahl an, sondern liefern auch Konfidenzintervalle, heben Ausreißer in den Prognosen hervor und erläutern, welche Variablen die einzelnen Ergebnisse beeinflussen.

Anmerkung: Das Ziel in dieser Phase besteht darin,die uneingeschränkte Nachfrage zu schätzen, d. h. das, was der Markt unabhängig von Bestands- oder logistischen Einschränkungen kaufen würde. Da diese Informationen nicht immer direkt beobachtbar sind, helfen Indikatoren wie der Index für nicht vorrätige Artikel, die Flottenverfügbarkeit, die Nachfragekurve und die Abschreibungskosten für abgelaufene Bestände bei der Kalibrierung der Modelle.

Wo AI noch mehr leisten AI : Betriebsplanung und -optimierung

Sobald die Nachfrageprognose vorliegt, stellt sich die Frage: Wie lässt sich diese Nachfrage unter Berücksichtigung der tatsächlichen betrieblichen Einschränkungen decken? Hier kommen Optimierungsmodelle ins Spiel – ein weiterer Bereich, in dem AI intensiver genutzt werden AI (und sollte).

Wie funktionieren Optimierungsmodelle?
Im Gegensatz zu Vorhersagemodellen, die Verhalten antizipieren, zielen Optimierungsmodelle darauf ab, unter Berücksichtigung klarer Einschränkungen und Ziele die besten Entscheidungen zu treffen.

Zu den typischen Schritten gehören:

  • Abbildung struktureller Parameter:
    • Produktionskapazität nach Linie und Werk
    • Produktions- und Transportkosten
    • Lieferzeit
    • Logistikvorschriften und vertraglich vereinbarte Serviceleistungen
  • Definition der Zielfunktion:
    • Die Gesamtkosten minimieren?
    • Die Erfüllung der prognostizierten Nachfrage maximieren?
    • Die Auslastung auf die Werke verteilen?
  • Festlegen von Einschränkungen:
    • Maximale Produktions- und Lagerkapazität
    • Mindestanforderungen an die Service-Level-Vereinbarung (SLA)
    • Eingaben und Flottenverfügbarkeit
    • Mindestproduktionsmenge pro Werk
  • Die Auswahl eines Optimierungsalgorithmus, der realistische Betriebsszenarien generieren kann, die anhand von Finanz- oder Risikokriterien verglichen werden können.

Der große Vorteil besteht darin, dass strukturierte Simulationen ermöglicht werden, wie zum Beispiel:

  • Was passiert, wenn sich ein Lieferant verspätet?
  • Lohnt es sich, für ein schnelleres Verkehrsmittel mehr zu bezahlen?
  • Ist es besser, den Service in einer Region einzustellen, um das Serviceniveau in einer anderen Region aufrechtzuerhalten?

Der nächste Schritt: Finanzielle Prüfung und Entscheidungsfindung

Sobald die Betriebsszenarien erstellt sind, beginnt die Phase der finanziellen Überprüfung. Hier helfen Simulations- und Sensitivitätsanalysemodelle dabei, entscheidende Fragen zu beantworten:

  • Wie viel kostet es, einen Verkauf zu verlieren?
  • Lohnt es sich, für einen dringend benötigten Rohstoff mehr zu bezahlen?
  • Welche finanziellen Auswirkungen hat es, wenn einem Kunden oder einer Region Vorrang eingeräumt wird?

AI hier ebenfalls eingesetzt werden, um diese Auswirkungen zu quantifizieren und umsetzbare Erkenntnisse zu gewinnen. Wichtiger als die Technologie ist es jedoch, sicherzustellen, dass die Teams aus den Bereichen Finanzen, Vertrieb und Controlling in die Abwägung der Vor- und Nachteile einbezogen werden.

Artificial intelligence Brücke zwischen Silos

Zwar liegt ein Großteil des Nutzens AIin technischen Schritten (Prognose- und Optimierungsmodellen), doch entfaltet sich ihre Wirkung erst dann, wenn bereichsübergreifend zusammengearbeitet wird. S&OP erfordert eine ständige Abstimmung zwischen Teams mit unterschiedlichen Zielen – und AI dabei als Vermittler fungieren, indem sie data bereitstellt data schwierige Gespräche unterstützen und Entscheidungen lenken.

Um dies zu ermöglichen, ist es außerdem unerlässlich, in folgende Bereiche zu investieren:

  • Data zur Gewährleistung der Qualität und Integrität von Informationen
  • Einbindung eines interdisziplinären Teams, wobei der Fokus auf dem Mehrwert und nicht nur auf der technischen Genauigkeit liegt

Eine Kultur des kontinuierlichen Lernens mit kurzen Validierungs- und Anpassungszyklen

Ergebnisse, die bereits AI der S&OP-Planung mit AI erzielt wurden

Unternehmen, die AI bereits AI ihren S&OP-Prozessen einsetzen, haben greifbare Vorteile erzielt:

  • Weniger Umsatzverluste durch die Vorhersage von Spitzenzeiten und Lieferengpässen
  • Optimierte Lagerbestände mit geringerem Kapitalbedarf
  • Höhere betriebliche Effizienz, Vermeidung von Produktions- und Logistikengpässen
  • Bessere Verhandlungen mit Lieferanten auf der Grundlage zuverlässigerer Prognosen

Diese Erfolge unterstreichen, dass AI nicht mehr nur eine Wette auf die Zukunft AI – sie ist ein Hebel der Gegenwart, der noch viel Wachstumspotenzial birgt.

Fazit

S&OP ist von Natur aus ein Prozess der Abstimmung und Konvergenz. AI das Potenzial, diesen Prozess präziser, reaktionsschneller und besser auf die Marktrealität abgestimmt zu gestalten. Diese Auswirkungen zeigen sich bereits bei der Nachfrageprognose – und der nächste Schritt besteht darin, den Einsatz von KI auf operative und finanzielle Entscheidungen auszuweiten, stets unter Einbeziehung menschlicher Unterstützung und unter Berücksichtigung der geschäftlichen Zielsetzung.

Je stärker AI in den täglichen Geschäftsbetrieb von Unternehmen integriert AI , desto mehr wird sich S&OP von einer Koordinierungsmaßnahme zu einem strategischen Leistungsmotor wandeln.