Woche 7 | Session 1: KI-ML für Nachfrageprognose & Bedarfsplanung

Kurs: Supply Chain Digitalisierung — Modul 3: Analytics im SCM

Session-Agenda

Warum Bedarfsplanung wichtig ist — Die Kosten von Prognosefehlern

Ziel des Bedarfsplaners: Prognostizierte Nachfrage ≈ Tatsächliche Nachfrage. Jede Abweichung in beide Richtungen verursacht Kosten.

Szenario	Was passiert	Unmittelbare Auswirkung	Langfristige Auswirkung
Tatsächlich > Prognose (Unter-Prognose)	Nachfrage übersteigt verfügbaren Bestand. Kann nicht alle Bestellungen erfüllen.	Entgangene Umsätze. Kunden gehen zur Konkurrenz.	Kundenabwanderung. Umsatzverlust. Verlust von Marktanteilen.
Tatsächlich < Prognose (Über-Prognose)	Mehr Bestand produziert/bestellt als Nachfrage. Überbestände bauen sich auf.	Lagerhaltungskosten. Verderb bei verderblichen Waren.	Gebundenes Kapital. Lagerkosten. Preisnachlässe zur Lagerräumung.
Tatsächlich = Prognose (Genaue Prognose)	Produktion und Beschaffung sind auf die reale Nachfrage abgestimmt.	Keine Fehlbestände (Stockouts). Kein Überbestand.	Effiziente SC. Zufriedene Kunden. Optimales Betriebskapital.

Verderbliche Produkte: Über-Prognosen sind besonders kostspielig — Verderb fügt den Haltekosten noch physische Verluste hinzu
Entgangene Umsätze: Schwerer zu quantifizieren als Überbestände — aber langfristig schädlicher durch Kundenabwanderung

Warum KI-ML benötigt wird — 4 Vs von Big Data im Nachfragekontext

Traditionelle Prognosetools: Gleitender Durchschnitt, exponentielle Glättung, ARIMA — gut für stabile Trends und Saisonalität. Problem: Im heutigen Umfeld weisen Nachfragedaten alle 4 problematischen Vs gleichzeitig auf → traditionelle Tools scheitern an dieser Komplexität.

Big Data vs. Traditionelle Prognosen

V	Big Data Merkmal	Wie es in Nachfragedaten auftritt	Warum traditionelle Prognosen scheitern
V1 Volume	Riesige Datenmenge	Bestellungen 24/7 via Omni-Channel → Millionen von Datenpunkten kontinuierlich generiert	Nicht darauf ausgelegt, Millionen kontinuierlicher Datenpunkte in Echtzeit zu verarbeiten und daraus zu lernen
V2 Variety	Mehrere Datentypen	Kundenbewertung als Text \| Bild \| Bewertung \| Audio-Feedback	Akzeptieren nur strukturierte numerische Daten — können Text, Bild, Audio nicht verarbeiten
V3 Velocity	Echtzeitdaten	Bestellungen, Stornierungen, Warenkorb-Hinzufügungen passieren 24/7 in Echtzeit	Batch-basierte traditionelle Prognosen sind zu langsam, um auf Echtzeitverschiebungen zu reagieren
V4 Variability	Instabile Muster	Kundenpräferenzen verschieben sich unvorhersehbar aufgrund von Trends, Aktionen, Richtlinien	Erfassen Saisonalität/Trend, können aber Social-Media-getriebene Schwankungen nicht modellieren

KI-ML-Modelle zur Nachfrageprognose — Überblick

Wichtige KI-ML-Modelle zur Nachfrageprognose

Modell	Output-Typ	Wichtige Annahme / Merkmal	Anwendungsfall für Nachfrageprognose
Lineare Regression	Kontinuierlich	Beziehung zwischen abhängiger und unabhängiger Variable ist LINEAR	Vorhersage verkaufter Einheiten basierend auf: historischen Verkäufen + Preisgestaltung + Aktionen.
Logistische Regression	Kategorisch (Wahrsch.)	Abhängige Variable ist binär oder kategorisch — Wahrscheinlichkeit eines Ereignisses	Wahrscheinlichkeit der erfolgreichen Akzeptanz einer Produkteinführung oder Reaktionswahrscheinlichkeit auf Aktion.
Entscheidungsbaum	Kategorisch oder Kontinuierlich	Regelbasierte Aufteilungen. Bewältigt nicht-lineare Beziehungen.	Identifiziert HAUPTTREIBER von Nachfrageschwankungen. Generiert interpretierbare Geschäftsregeln.
Random Forest	Kategorisch oder Kontinuierlich	Ensemble aus mehreren Entscheidungsbäumen. Reduziert Overfitting.	Robustere Prognose, wenn ein einzelner Baum overfittet. Geht besser mit verrauschten Daten um.
Boosting-Algorithmen (XGBoost, LightGBM)	Kategorisch oder Kontinuierlich	Sequenzielles Ensemble: Jedes Modell korrigiert Fehler des vorherigen.	Dynamische Prognose — passt sich an veränderte Bedingungen an. In der Industrie weit verbreitet.
Neuronale Netze (LSTM, CNN)	Kontinuierlich oder Kategorisch	Erfasst hochkomplexe, nicht-lineare Muster. Verarbeitet strukturierte UND unstrukturierte Daten.	Am besten für unstrukturierte Daten (Textbewertungen, Bild-Feedback) und komplexe Zeitreihen (LSTM).

Vertiefung der wichtigsten Modelle

Lineare Regression: Einfach, schneidet aber schlecht ab, wenn die Nachfrage scharfe, nicht proportionale Reaktionen auf Veränderungen zeigt.
Logistische Regression: Verknüpft Marketingausgaben mit dem erwarteten Nachfrageanstieg.
Entscheidungsbaum: Identifiziert, WELCHE Faktoren die Nachfrage am meisten treiben. Einschränkung: Kann bei Trainingsdaten überanpassen (Overfitting).
Random Forest: Bildet den Durchschnitt aus mehreren Bäumen → stabiler, weniger rauschempfindlich. Nachteil: Weniger interpretierbar.
Boosting-Algorithmen: Werden heute am häufigsten im wettbewerbsorientierten ML und in Bedarfsplanungsteams der Industrie verwendet — schnell, präzise, skalierbar.
Neuronale Netze: LSTM ist für Nachfrage-Zeitreihen weit verbreitet, um langfristige Abhängigkeiten zu erfassen. Nachteil: Am schwersten zu interpretieren.

Externe Faktoren — Was kontinuierlich überwacht werden muss

Herausforderung für Bedarfsplaner: Interne Daten allein reichen nicht aus. Externe Faktoren verschieben die Nachfragemuster ständig und müssen in das Modell integriert werden.

Externer Faktor	Wie er die Nachfrage beeinflusst	Wie KI-ML ihn integriert
Aktionen von Mitbewerbern	Kunden wechseln während einer Aktion zum Konkurrenten → Ihre Nachfrage sinkt	Boosting-Modelle nehmen Aktionsdaten als Merkmal auf und passen die Prognose an
Preisgestaltung der Mitbewerber	Niedrigerer Preis → Nachfrage verschiebt sich. Treue Kunden wechseln.	Preiselastizität wird modelliert. Modell prognostiziert Nachfragerückgang.
Gesamtwirtschaft / BIP	Wirtschaft wächst → Nachfrage steigt. Wirtschaft schrumpft → Ausgaben begrenzt.	Makroökonomische Indikatoren werden als Merkmale in Boosting-/Regressionsmodellen aufgenommen
Änderungen in der Regierungspolitik	Vorschriften, Steuern oder Subventionen verschieben Nachfragemuster plötzlich	Werden als Dummy-Variablen oder Strukturbrüche in Zeitreihenmodellen behandelt
Social Media Trends	Virales Produkt → Nachfragespitze. Negative Berichterstattung → Einbruch.	NLP bei Social-Media-Posts fließt in Neuronale Netze ein, um Stimmungsumschwünge früh zu erkennen

Rahmenwerk zur Modellauswahl — Wie wählt man das richtige Modell?

Output-Typ definieren: Ist die Nachfrage eine Zahl (kontinuierlich)? → Regressionsmodelle. Ist es eine Kategorie? → Klassifikationsmodelle.
Verfügbare Datentypen bewerten: Nur strukturierte numerische Daten → Lineare Regression, Entscheidungsbaum, Random Forest, Boosting | Unstrukturiert (Text, Bild, Audio) → Neuronale Netze
Nachfragemuster prüfen: Stabiler Trend + Saisonalität → Traditionelle Tools können ausreichen | Hohe Variabilität, nicht-linear → KI-ML benötigt
Bedarf an Interpretierbarkeit berücksichtigen: Muss man es dem Management erklären? → Entscheidungsbaum | Genauigkeit über Interpretierbarkeit? → Random Forest, XGBoost, LSTM
Modelle benchmarken: Mehrere Modelle ausführen → Fehlermetriken vergleichen (MAE, RMSE, MAPE) → Modell mit geringstem Fehler auf Testdaten auswählen
Überwachen und neu trainieren: Nachfragemuster entwickeln sich weiter. Modell regelmäßig neu trainieren oder Continuous-Learning-Pipeline einrichten.

Zusammenfassung der Session

Warum Bedarfsplanung: Prognose ≠ Tatsächlich → entweder entgangene Umsätze (unter) oder Lagerkosten (über). Genaue Prognose = Umsatzschutz + Kostenkontrolle.
Warum KI-ML benötigt wird: 4 Vs der Nachfragedaten (Volume, Variety, Velocity, Variability) übersteigen das, was traditionelle Prognosetools bewältigen können.
6 KI-ML-Modelle: Lineare Regression | Logistische Regression | Entscheidungsbaum | Random Forest | Boosting (XGBoost, LightGBM) | Neuronale Netze (RNN, LSTM, CNN)
Zu überwachende externe Faktoren: Aktionen + Preise der Mitbewerber | BIP / Wirtschaft | Regierungspolitik | Social Media Trends
Modellauswahl: Modell auf Output-Typ, Datentyp, Musterkomplexität, Interpretierbarkeit und Fehler-Benchmark abstimmen.
Nächste Session: Fallstudie — Anwendung eines KI-ML-Modells auf ein Nachfrageprognose-Problem. Einführung von Fehlermetriken (MAE, RMSE, MAPE).