Blog

Wer mit dem Mittelwert plant, plant für einen Fall, der fast nie eintritt. Die tatsächliche Nachfrage eines Artikels streut – mal stark, mal schwach, oft asymmetrisch. Ein Mittelwert verdichtet diese ganze Information auf eine einzige Zahl und wirft dabei genau das weg, was für die Disposition entscheidend ist: das Risiko.

Klassische Systeme kompensieren das mit pauschalen Sicherheitsbeständen. Das Ergebnis: Bei gutmütigen Artikeln liegt zu viel im Lager, bei sporadischen zu wenig. Eine Wahrscheinlichkeitsdichte dagegen beschreibt für jede mögliche Nachfragemenge, wie wahrscheinlich sie ist. Daraus lässt sich der Bestellpunkt direkt aus dem gewünschten Servicegrad ableiten – artikelindividuell, statt mit einem Puffer für alle.

In unseren Projekten ist genau dieser Schritt – von der Punktprognose zur Verteilung – der größte Hebel: 15–30 % weniger Bestand bei gleicher oder besserer Verfügbarkeit. Nicht, weil das Modell die Zukunft besser kennt, sondern weil es ehrlich über die eigene Unsicherheit ist.

Erstens: Ihre Bestellpunkte wurden seit über einem Jahr nicht angepasst. Nachfrage und Lieferzeiten ändern sich laufend – statische Parameter sind damit per Definition falsch. Zweitens: Ihre Disponenten exportieren regelmäßig nach Excel, weil sie dem System nicht vertrauen. Das ist kein Disziplinproblem, sondern ein Hinweis, dass das System schlechte Vorschläge macht.

Drittens: Sie haben gleichzeitig Überbestände und Fehlteile. Das klingt paradox, ist aber das typische Muster pauschaler Sicherheitsbestände – zu viel beim falschen Artikel, zu wenig beim richtigen. Viertens: Niemand kann beziffern, welcher Servicegrad eigentlich angestrebt wird. Ohne Zielgröße lässt sich kein Bestand optimieren. Fünftens: Die Lagerreichweite wächst schneller als der Umsatz.

Jedes dieser Symptome lässt sich quantifizieren – mit Ihren eigenen historischen Daten, bevor irgendetwas am System geändert wird. Genau dafür ist unser Proof of Value gedacht: Wir rechnen nach, was eine probabilistische Disposition in Ihrer Vergangenheit gespart hätte. Erst dann sprechen wir über Integration.

Ein Proof of Concept beantwortet die Frage: Funktioniert es technisch? Das ist die falsche Frage. Mit modernen ML-Methoden funktioniert fast alles irgendwie. Die richtige Frage lautet: Lohnt es sich – in Euro, auf Ihren Daten, gegenüber Ihrem heutigen Prozess?

Deshalb beginnen unsere Projekte mit einem Proof of Value: Wir nehmen Ihre historischen Daten und simulieren, welche Entscheidungen das KI-System in der Vergangenheit getroffen hätte – und was sie gekostet oder gespart hätten. Das Ergebnis ist ein belastbarer Business Case mit einem klar definierten Arbeitspunkt, bevor ein einziger Euro in Integration fließt.

Der Nebeneffekt ist mindestens so wertvoll wie die Zahl selbst: Ihre Fachexperten sehen nachvollziehbar, wo das Modell besser ist als der Status quo und wo nicht. Diese Transparenz entscheidet später über die Akzeptanz im Tagesgeschäft – und damit über den Erfolg des gesamten Projekts.