Logistik & Mobilität

Lagerbestände mit ML senken: Kapital freisetzen, lieferfähig bleiben

Volle Regale geben Sicherheit, binden aber Geld, und trotzdem fehlt im entscheidenden Moment oft genau der gefragte Artikel. Dieses Tagesseminar zeigt Disposition und Materialwirtschaft, wie Machine Learning (ML) Bedarfsprognosen, Sicherheitsbestände und die Sortimentssegmentierung auf eine rechnerische Grundlage stellt. Sie rechnen Bestellparameter selbst durch, segmentieren ein Beispielsortiment und übertragen die Ergebnisse auf die Parameter Ihres ERP-Systems. Danach begründen Sie Reserven mit Zahlen statt mit Gewohnheit und haben einen Plan, wie Ihr Lager mit weniger Kapital dieselbe Verfügbarkeit erreicht.

Für wen

Fach- und Führungskräfte aus Materialwirtschaft, Disposition und Supply Chain, die Bestände abbauen wollen, ohne die Lieferfähigkeit zu gefährden.

KI-Tagesseminar · 1 Tag

Bestände per ML-Prognose bemessen und gebundenes Kapital messbar reduzieren

Das nehmen Sie mit

  • Ein klares Bild vom Spannungsfeld aus Servicegrad, Kapitalbindung und Fehlmengen in Ihrem Lager
  • Gerechnete Sicherheitsbestände, Bestellmengen und Bestellpunkte statt Erfahrungswerten
  • Eine mit ML verfeinerte ABC/XYZ-Analyse, aus der sich je Artikelgruppe eine eigene Dispositionsstrategie ergibt
  • Einen Fahrplan, wie die neuen Parameter ins ERP gelangen und die Disposition den Wandel mitträgt

Ablauf

  1. Teil 1

    Modul 1 – Ausgangslage: Der Zielkonflikt zwischen Lieferfähigkeit und Lagerkapital

    • Servicegrad, Kapitalbindung und Fehlmengen: wie eine Stellschraube die beiden anderen verschiebt
    • Meldebestand und Sicherheitsbestand nach klassischer Rechnung und ihre blinden Flecken
    • Ungenaue Absatzplanung als Bestandstreiber: jeder Prognosefehler wird als Puffer eingelagert
    • Weshalb ein schlankeres Lager mit höherer Lieferbereitschaft zusammenpasst
    • Eigene Zahlen: Ihr Lagerwert und der Anteil, der über den tatsächlichen Bedarf hinausgeht
  2. Teil 2

    Modul 2 – Prognose und Reserve: Die Disposition auf ML-Vorhersagen stützen

    • Bedarfsvorhersage per ML-Modell als Ausgangspunkt jeder Bestellentscheidung
    • Pufferbestände aus der gemessenen Streuung der Prognose ableiten statt nach Bauchgefühl festlegen
    • Übung: Für Beispielartikel mit Absatzhistorie werden wirtschaftliche Bestellmengen und Bestellpunkte berechnet
    • Vergleich der berechneten Reserve mit dem bisherigen Erfahrungswert desselben Artikels
  3. Teil 3

    Modul 3 – Segmentieren: Artikelgruppen und Lagerstufen differenziert steuern

    • Die ABC/XYZ-Analyse durch ML-gestützte Klassenbildung schärfen
    • Auslaufartikel und Überbestände anhand von Absatzsignalen erkennen, bevor Abschreibungen drohen
    • Zentrallager und Regionallager: Bestände in mehrstufigen Netzwerken aufeinander abstimmen
    • Übung: Ein Beispielsortiment wird in Segmente gegliedert
    • Je Segment eine passende Dispositionsstrategie festlegen, vom Schnelldreher bis zum sporadischen Ersatzteil
  4. Teil 4

    Modul 4 – Verankern: ERP-Parameter und Kennzahlen

    • Prognosen und berechnete Reserven in die ERP-Dispositionsparameter übertragen
    • Kennzahlen wie Servicegrad, Reichweite und Lagerumschlag laufend verfolgen
    • Regelmäßige Nachjustierung der Parameter als fester Teil der Bestandssteuerung
  5. Teil 5

    Modul 5 – Transfer: Vom Fallbeispiel zum eigenen Umsetzungsplan

    • Fallstudie: Ein Unternehmen baut Bestand ab und hält den Servicegrad auf bisherigem Niveau
    • Disponentinnen und Disponenten einbinden, damit sie die Rechenvorschläge prüfen und tragen
    • Ihr eigener Fahrplan zu einer schlankeren Bestandssteuerung mit ersten Maßnahmen

VoraussetzungenSie bringen Grundwissen im Bestandsmanagement mit und arbeiten sicher mit Excel.

AbschlussTeilnahmezertifikat und digitales Badge

Thema anfragen