Das Unternehmen hat eine über viele Jahre optimierte Nachfrageprognose verwendet und eine gute Performance erzielt. Die verwendete Lösung war allerdings nicht in der Lage, die Vielzahl an Einflussfaktoren auf die Nachfrage zu verarbeiten. Insbesondere bei Langsamdrehern und Artikeln mit asymmetrischen Schwankungen um den Wert der Bedarfsprognose war die bestehende Lösung unzureichend. Da die Nachfrageprognose ursächlich für die Beschaffung und die Produktion ist, wurde eine Verbesserung angestrebt.

Die geschaffene Lösung verwendet Mustererkennungsverfahren – technisch neuronale Netzwerke. Durch die Verwendung dieser konnten alle relevanten Einflussfaktoren auf die Nachfrage berücksichtigt werden. Darüber hinaus kann das Verfahren besser mit Langsamdrehern und asymmetrischen Schwankungen umgehen.

In einem ersten Schritt wurde die Prognosepräzision der geschaffenen Lösung mit der aktuellen Prognose verglichen.

Nach erfolgreicher Feststellung der gesteigerten Präzision und des damit einhergehenden Nutzens wurde die Lösung in der Kundenumgebung installiert. Die Prognoseergebnisse werden in die Kundensysteme zurückgeschrieben, sodass kaum prozessuale Anpassungen benötigt wurden. Durch die Installation beim Kunden verlassen keinerlei Daten das Unternehmen.

Das Modell wird regelmäßig durch uns neu trainiert, um neuen Marktgegebenheiten gerecht zu werden.