Logistik & Mobilität

Nachfrage mit ML vorhersagen: Absatzplanung für Disposition und Vertrieb

Zu viel Aktionsware im Lager, leere Regalplätze beim Renner, Ersatzteile, die nur alle paar Monate gefragt sind: Fehlprognosen ziehen sich durch die ganze Kette. Der Tag richtet sich an Supply Chain, Disposition, Vertriebsplanung und Controlling und zeigt, wann ML-Modelle klassische Verfahren übertreffen und wann nicht. Zwei Übungen mit echten Daten, eine davon zu sporadischer Nachfrage, bilden den Kern. Am Ende steht ein begründetes Urteil, welches Verfahren zu Ihrer Datenlage passt und wie ein ML-Forecast in ERP, Planungssystem und Planeralltag ankommt.

Für wen

Fach- und Führungskräfte aus Supply Chain, Disposition, Vertriebsplanung und Controlling, die ihre Nachfrageprognosen mit ML verbessern wollen.

KI-Tagesseminar · 1 Tag

Absatz und Bedarf mit ML genauer vorhersagen, auch bei Neuprodukten und Ersatzteilen

Das nehmen Sie mit

  • Sie erkennen, in welchen Sortimentsbereichen ML Ihre bisherige Planung messbar verbessern kann.
  • Eine Absatzprognose mit externen Treibern haben Sie an realen Daten selbst erstellt.
  • Für sporadische Artikel, Neuprodukte und verschiedene Planungsebenen kennen Sie passende Vorgehensweisen.
  • Anbindung an ERP und Advanced Planning Systeme sowie Regeln für Overrides sind Teil Ihres Umsetzungsplans.

Ablauf

  1. Teil 1

    Modul 1 – Standortbestimmung: Grenzen der bisherigen Bedarfsplanung

    • Wo klassische Prognoseverfahren wie gleitende Durchschnitte an ihre Grenzen kommen
    • Einsatzfelder mit spürbarem Effekt: Sortimentsplanung, Aktionsware, Produktneueinführungen
    • Prognosegüte messen und den Bullwhip-Effekt zwischen Handel, Lager und Produktion verstehen
    • Wie sich ein Planungsfehler als Überbestand, Fehlmenge oder Eilfracht durch die Kette fortpflanzt
    • Abgleich mit der Praxis: wie genau Ihre derzeitigen Absatzpläne eintreffen
  2. Teil 2

    Modul 2 – Verfahren: Zeitreihen, ML-Modelle und Deep Learning

    • Zeitreihenmethoden, ML-Modelle und Deep Learning im Vergleich
    • Feiertage, Wetterlage, Preisänderungen und Konjunktur als externe Treiber einbeziehen
    • Übung: An realen Verkaufsdaten eine Absatzprognose aufbauen und ihre Güte bewerten
    • Verfahrenswahl nach Datenlage: Länge der Historie, Zahl der Artikel, verfügbare Treiber
  3. Teil 3

    Modul 3 – Sonderfälle: sporadische Nachfrage, Neuprodukte, Planungsebenen

    • Intermittierende Nachfrage, etwa bei Ersatzteilen mit vielen Perioden ohne Abgang
    • Neuprodukte ohne eigene Verkaufshistorie: Wege zu einer ersten belastbaren Prognose
    • Prognosen auf Artikel-, Filial- und Warengruppenebene und wie sie zueinander passen
    • Übung: Einen nur sporadisch nachgefragten Artikel prognostizieren
    • Mit einer dünnen Datenbasis überlegt umgehen
  4. Teil 4

    Modul 4 – Integration: Systeme, Governance und Planerteam

    • Anbindung an ERP und Advanced Planning Systeme
    • Prognose-Governance: Forecast Value Added messen, manuelle Overrides nachvollziehbar steuern
    • Fallstudie: Ein Handels- oder Fertigungsbetrieb stellt seine Planung auf ML-Forecasts um
    • Disponentinnen und Disponenten einbinden: Prognose als Entscheidungshilfe, nicht als Bevormundung
    • Umsetzungsplan für verlässlichere Prognosen in Ihrem Planungsprozess

VoraussetzungenErwartet werden ein Grundverständnis von Planungsprozessen und sicherer Umgang mit Excel.

AbschlussTeilnahmezertifikat und digitales Badge

Thema anfragen