Das Projekt untersucht, wie maschinelles Lernen Absatzprognosen verbessert. KMU sollen ML-Methoden nutzen, um Unsicherheiten zu mindern und ihre Planung zu optimieren.

Präzise Absatzprognosen befähigen Produktionsunternehmen zu einer verbesserten Eigenfertigungs-, Fremdbezugs- und Bestandsplanung. Hierdurch lassen sich die produktionslogistischen Zielgrößen wie Auslastung, Durchlaufzeiten, Termintreue und Bestand positiv beeinflussen. In der heutigen Wirtschaftswelt unterliegen Absatzprognosen jedoch großen Unsicherheiten. Pandemie, Krieg und eine sich stetig ändernde geopolitische Lage führen zu anhaltenden Lieferengpässen und Nachfrageveränderungen. Demnach reduziert sich die Korrelation zwischen historischen Nachfragewerten und zukünftiger Nachfrage zunehmend. Die Prognosegüte von, in kleinen und mittelständischen Unternehmen (KMU) häufig gängigen, Zeitreihenmodellen oder Erfahrungswerten nimmt dadurch ab und ist mitunter nicht mehr ausreichend.
Gleichzeitig entstehen entlang zunehmend digitalisierter Lieferketten viele und teils sehr heterogene Daten, die als Eingangsinformationen für die Absatzprognose ein hohes Potenzial bieten. Jedoch ist der hohe Zeitaufwand für die zielgerichtete Datensammlung und -analyse durch die meisten KMU nicht zu leisten. Ansätze aus dem Bereich des maschinellen Lernens (ML) bieten vielversprechende Möglichkeiten, bestehende Zusammenhänge aus großen Datenmengen in kürzester Zeit zu erlernen und zur Entscheidungsfindung zu nutzen. Darüber hinaus birgt die Berücksichtigung von zusätzlichen internen und externen Inputfaktoren bzw. Metadaten in ML-Modellen das Potenzial, den heutigen Unsicherheitsfaktoren einer Absatzprognose entgegenzuwirken.
Die Zielsetzung des Forschungsprojektes „ML-basierte Absatzprognose anhand von in- und externen Metadaten“ ist es, in der Praxis etablierte Verfahren mit ML-Verfahren zu vergleichen und das Potenzial der Hinzunahme von Metadaten, wie bspw. Konjunktur- oder Branchenindizes, zu bewerten. Beteiligte KMU sollen befähigt werden, geeignete Verfahren für das jeweils vorliegende Prognoseszenario auswählen und anwenden zu können.
Die teilnehmenden KMU erhalten Zugang zu allgemeinen und unternehmensspezifischen Erkenntnissen hinsichtlich der ML-basierten Absatzprognose, die direkt in die Unternehmenspraxis einfließen können. Aufgrund der engen Zusammenarbeit findet darüber hinaus eine Vernetzung zwischen mehreren Unternehmen und Wissenschaftler*innen statt, sodass die Beteiligten von einem Erfahrungsaustausch profitieren. Durch die fortlaufende Publikation und die Entwicklung einer Tutoring-Umgebung werden die Projektergebnisse für Wissenschaft, Lehre und industrielle Praxis bereitgestellt.