Logistik & Mobilität

Lieferketten mit KI steuern: Bedarfsprognose, Bestände und Control Tower

Für Verantwortliche aus Logistik, Einkauf, Produktion und IT zeigt dieser Tag, wo KI in der Supply Chain messbar Wert schafft: bei der Bedarfsprognose, bei Sicherheitsbeständen und Produktionsplanung, bei Ankunftszeiten und Wareneingang. Sie prüfen die Datenbasis aus ERP, WMS und IoT-Sensoren, verfolgen das Training eines Prognosemodells in Python und entwerfen einen Echtzeit-Control-Tower. Am Ende stehen ROI-Rechnung, Business-Case und eine Roadmap für ein Pilotprojekt. Sie können danach einschätzen, welches Vorhaben in Ihrer Lieferkette den Anfang machen sollte und was es technisch voraussetzt.

Für wen

Verantwortliche für Lieferketten aus Logistik, Einkauf, Produktion und IT, als Fach- oder Führungskraft mit operativem oder strategischem Auftrag, die KI in diesen Prozessen verstehen und mitgestalten wollen.

KI-Tagesseminar · 1 Tag

KI für Prognose, Bestandsführung und Transparenz entlang der Supply Chain

Das nehmen Sie mit

  • Ein Daten-Audit-Vorgehen, mit dem Sie Lücken und Anomalien in ERP-, WMS- und Sensordaten erkennen
  • Verständnis für Demand Sensing, Prognosemodelle und ihre Bewertung mit MAPE und WAPE
  • Ansätze für Sicherheitsbestände, ABC/XYZ-Lagerstrategien, Predictive ETA und KPI-Dashboards
  • Eine Roadmap mit ROI-Abschätzung für ein Pilotprojekt in Ihrer Lieferkette

Ablauf

  1. Teil 1

    Modul 1 – Ausgangslage und Datenbasis: Werttreiber benennen, Daten prüfen

    • Heutige SCM-Herausforderungen und eine Werttreiberanalyse von Beschaffung bis Auslieferung
    • Wie sich KI von klassischer Analytics unterscheidet, mit den nötigen Grundbegriffen
    • Check-in: Die Teilnehmenden benennen mögliche Einsatzfelder in ihrer eigenen Lieferkette
    • Datenquellen der Supply Chain: ERP, WMS und IoT-Sensoren in Lager und Transport
    • ETL-Prozesse und Data Lakes als Fundament für Auswertungen über Systemgrenzen hinweg
    • Fehlende Werte (Missing Values) behandeln und Anomalie-Erkennung in Bewegungsdaten
    • Übung: Ein Daten-Audit an vorbereiteten Datensätzen durchführen
  2. Teil 2

    Modul 2 – Forecasting und Demand Sensing: Bedarf früher erkennen

    • Zeitreihenprognosen mit Prophet und LSTM im Vergleich
    • Feature Engineering mit Kalendereffekten wie Feiertagen und mit geplanten Promotions
    • Live-Demo: Ein Prognosemodell wird in Python trainiert
    • Prognosegüte mit MAPE und WAPE messen und Modelle vergleichen
  3. Teil 3

    Modul 3 – Bestände und Produktion: Optimieren und Szenarien durchspielen

    • Reinforcement Learning und Optimierungsverfahren wie MILP für Bestands- und Produktionsplanung
    • Szenarioplanung im Digital Twin, etwa für Nachfragespitzen oder Lieferausfälle
    • Lagerstrategien mit ABC/XYZ-Analyse festlegen
    • Übung in Gruppen: Parameter für Sicherheitsbestände einstellen und die Wirkung vergleichen
  4. Teil 4

    Modul 4 – Transparenz: Warenfluss in Echtzeit verfolgen und steuern

    • Predictive ETA und Optimierung von Routen im Transport
    • Computer Vision bei der Kontrolle im Wareneingang
    • KPI-Dashboards mit Power BI oder Tableau aufbauen
    • Übung: Einen Echtzeit-Control-Tower für die eigene Lieferkette skizzieren
  5. Teil 5

    Modul 5 – Einführung: Betrieb der Modelle, Wirtschaftlichkeit und Pilotplan

    • MLOps-Pipeline und Modell-Governance, damit Prognosen im Betrieb verlässlich bleiben
    • Skalierung in der Cloud mit Azure ML oder AWS Sagemaker
    • ROI-Berechnung und Business-Case für ein KI-Vorhaben in der Supply Chain
    • Abschlussaufgabe: Eine Roadmap für ein eigenes Pilotprojekt entwerfen

VoraussetzungenGrundkenntnisse in Supply-Chain-Prozessen sowie in Excel und einfacher Datenanalyse. Erfahrung mit Programmierung oder Data Science hilft, wird aber nicht vorausgesetzt.

AbschlussTeilnahmezertifikat und digitales Badge

Thema anfragen