Ein Beispiel aus der realen Welt: Joghurt im Regal

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

  • Das kaufmännische Team musste mit dem Einzelhändler verhandeln.
  • Das Logistikteam hat die Lieferung geplant.
  • Das Vertriebszentrum hat den Artikel in der richtigen Menge auf Lager.
  • Das Produktionsteam hat den Joghurt hergestellt.
  • Das Beschaffungsteam kaufte Zutaten und Verpackungen schon Wochen im Voraus.

Wenn wir mehrere SKUs, Saisonalität, Werbeaktionen und verschiedene Kanäle (Einzelhandel, Vertrieb, E-Commerce) berücksichtigen, wächst die Komplexität exponentiell. 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 - zu den niedrigsten Kosten und mit dem höchstmöglichen Ertrag.

Wo KI bereits Mehrwert liefert: Bedarfsplanung

Der Ausgangspunkt von S&OP ist die Nachfrageprognose. Und hier hat die KI bisher den größten Einfluss gehabt.

Wie funktionieren prädiktive Nachfragemodelle?
Traditionell wurden Prognosen mit einfachen statistischen Methoden oder nach menschlichem Ermessen erstellt. Bei der KI verwenden wir Algorithmen des maschinellen Lernens, die in der Lage sind, Muster in großen Mengen historischer data zu erkennen und dabei auch relevante externe Variablen einzubeziehen.

Robuste Modelle folgen in der Regel einem Prozess wie diesem:

  • Erstellen Sie eine data-Datenbank mit historischen Umsätzen, die tief genug ist, um Trends und Saisonalität zu erfassen.
  • Anreichern mit erklärenden Variablen:
    • Werbekalender
    • Regionale Feiertage
    • Temperatur und Wetter
    • Marketing-Veranstaltungen
    • Wirtschaftsindikatoren (z.B. Inflation)
    • Aktionen der Wettbewerber
    • Produktkannibalisierung
  • Kuratieren Sie das data unter aktiver Beteiligung des Geschäftsteams - wichtig, um irrelevante oder verzerrte Variablen zu entfernen.
  • Modellieren Sie mit Techniken wie Entscheidungsbäumen, Regressionen, neuronalen Netzen oder Ensemble-Modellen, je nach Komplexität und Granularität des Problems.
  • Bewerten Sie fortlaufend, erkennen Sie Ausreißer, revidieren Sie die Prognosen regelmäßig und quantifizieren Sie die Unsicherheit.

Gute Modelle geben nicht nur eine Zahl an, sondern liefern auch Konfidenzintervalle, heben Ausreißerprognosen hervor und erklären, welche Variablen die einzelnen Ergebnisse beeinflussen.

Notiz: Das Ziel in dieser Phase ist es, zu schätzen unbeschränkte Nachfrage, d.h. das, was der Markt unabhängig von Lagerbeständen oder logistischen Beschränkungen kaufen möchte. Da diese Informationen nicht immer direkt beobachtbar sind, helfen Indikatoren wie Out-of-Stock-Index, Flottenverfügbarkeit, Nachfragekurve und Abschreibungskosten für abgelaufene Bestände bei der Kalibrierung der Modelle.

Wo KI noch weiter gehen kann: Betriebsplanung und -optimierung

Wenn Sie die Nachfrageprognose in der Hand haben, stellt sich die Frage, wie Sie diese Nachfrage angesichts der realen betrieblichen Zwänge befriedigen können. Hier kommen Optimierungsmodelle ins Spiel - ein weiterer Bereich, in dem KI intensiver genutzt werden kann (und sollte).

Wie funktionieren die Optimierungsmodelle?
Im Gegensatz zu prädiktiven Modellen, die das Verhalten vorhersagen, zielen Optimierungsmodelle darauf ab, die besten Entscheidungen zu treffen, wobei klare Einschränkungen und Ziele berücksichtigt werden.

Typische Schritte sind:

  • Kartierung struktureller Parameter:
    • Produktionskapazität nach Linie und Werk
    • Produktions- und Transportkosten
    • Vorlaufzeit des Lieferanten
    • Logistikregeln und vertraglich vereinbarte Servicelevel
  • Definieren Sie die Zielfunktion:
    • Die Gesamtkosten minimieren?
    • Maximieren Sie die Erfüllung der prognostizierten Nachfrage?
    • Die Last auf die Fabriken verteilen?
  • Zwänge definieren:
    • Maximale Produktions- und Lagerkapazität
    • Zu erfüllende Mindest-SLA
    • Input und Verfügbarkeit der Flotte
    • Mindestproduktion pro Fabrik
  • Auswahl eines Optimierungsalgorithmus, der praktikable Betriebsszenarien erzeugen kann, die nach finanziellen oder Risikokriterien verglichen werden können.

Der große Vorteil ist, dass strukturierte Simulationen möglich sind, wie z.B.:

  • Was passiert, wenn sich ein Lieferant verspätet?
  • Lohnt es sich, mehr für ein schnelleres Transportmittel zu bezahlen?
  • Ist es besser, eine Region nicht mehr zu bedienen, um das Serviceniveau in einer anderen aufrechtzuerhalten?

Der nächste Schritt: Finanzielle Überprüfung und Entscheidungsfindung

Sobald die operativen Szenarien erstellt sind, beginnt die Phase der finanziellen Überprüfung. Hier helfen Simulations- und Sensitivitätsanalysemodelle bei der Beantwortung kritischer Fragen:

  • Wie viel kostet es, einen Verkauf zu verlieren?
  • Ist es das wert, mehr für einen dringenden Rohstoff zu bezahlen?
  • Welche finanziellen Auswirkungen hat die Bevorzugung eines Kunden oder einer Region?

Auch hier kann KI eingesetzt werden, um diese Auswirkungen zu quantifizieren und umsetzbare Erkenntnisse zu gewinnen. Aber wichtiger als die Technologie ist es, sicherzustellen, dass die Finanz-, Handels- und Controlling-Teams an der Festlegung von Kompromissen beteiligt sind.

Künstliche Intelligenz als Brücke zwischen Silos

Während ein großer Teil des Wertes von KI in technischen Schritten liegt (Vorhersage- und Optimierungsmodelle), kommt ihre Wirkung nur dann zum Tragen, wenn es eine bereichsübergreifende Zusammenarbeit gibt. S&OP erfordert eine ständige Abstimmung zwischen Teams mit unterschiedlichen Zielen - und KI kann als Vermittler fungieren, indem sie data zur Unterstützung schwieriger Gespräche und als Entscheidungshilfe einsetzt.

Um dies zu ermöglichen, ist es auch wichtig, zu investieren:

  • Data Verwaltung, um die Qualität und Integrität der Informationen zu gewährleisten
  • Engagement eines multidisziplinären Teams, Konzentration auf den Wert, nicht nur auf die technische Genauigkeit

Eine Kultur des kontinuierlichen Lernens, mit kurzen Validierungs- und Anpassungszyklen

Bereits beobachtete Ergebnisse mit AI in S&OP

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

  • Weniger Umsatzeinbußen durch die Vorwegnahme von Auftragsspitzen und Lieferengpässen
  • Optimierte Lagerbestände, mit weniger gebundenem Kapital
  • Höhere betriebliche Effizienz, Vermeidung von Engpässen in Produktion und Logistik
  • Bessere Verhandlungen mit Lieferanten, basierend auf zuverlässigeren Prognosen

Diese Gewinne unterstreichen, dass KI nicht mehr nur eine Wette auf die Zukunft ist - sie ist ein aktueller Hebel, der noch wachsen kann.

Fazit

S&OP ist von Natur aus ein Prozess der Artikulation und Konvergenz. KI kann diesen Prozess präziser und reaktionsschneller machen und an der Marktrealität ausrichten. Wir sehen diese Auswirkung bereits bei der Nachfrageprognose - und der nächste Schritt ist die Ausweitung ihrer Präsenz bei operativen und finanziellen Entscheidungen, immer mit menschlicher Unterstützung und unternehmerischem Weitblick.

Je mehr KI in das Tagesgeschäft der Unternehmen integriert wird, desto mehr wird sich S&OP von einer Anpassungsübung zu einem strategischen Leistungsmotor entwickeln.