Supply Chain und Nachfrageprognose

🔄 Kurzer Rueckblick: In Lektion 5 hast du KI-basierte Qualitaetskontrolle kennengelernt — Bildanalyse, Sensorik und den Hybrid-Ansatz. Jetzt verlassen wir die Fertigungshalle und schauen auf die Supply Chain.

Ein mittelstaendischer Zulieferer hat 4.200 Artikelnummern im Lager. Bei 380 davon ist der Bestand zu hoch — Kapital gebunden, das woanders fehlt. Bei 120 Artikeln gibt es regelmaessig Fehlbestaende — Produktion steht, Kunden warten. Der Disponent jongliert mit Excel-Tabellen und Bauchgefuehl.

KI kann das besser. Nicht weil sie klueger ist als der Disponent — sondern weil sie 4.200 Artikel gleichzeitig im Blick behalten kann.

Drei KI-Anwendungen in der Supply Chain

Anwendung	Was die KI macht	ROI-Zeitrahmen
Nachfrageprognose	Bestellmengen vorhersagen	3-6 Monate
Bestandsoptimierung	Bestellpunkte und Sicherheitsbestaende dynamisch anpassen	3-6 Monate
Lieferkettenresilienz	Risiken erkennen, Alternativlieferanten vorschlagen	6-12 Monate

Nachfrageprognose: Der Quick Win

Vom Bauchgefuehl zur datenbasierten Prognose

Methode	Genauigkeit	Aufwand	Kosten
Bauchgefuehl + Excel	±30-40%	Hoch (manuell)	Niedrig
Statistische Methoden (ARIMA, Holt-Winters)	±15-25%	Mittel	Niedrig
KI-Prognose (Machine Learning)	±8-15%	Gering (automatisiert)	Mittel
KI + externe Daten	±5-10%	Gering	Mittel-Hoch

Der Unterschied klingt klein — 15% statt 30% Fehler — aber in Euro ist er enorm: Bei einem Lagerbestand von 2 Mio. EUR und einer Kapitalbindungskostenrate von 20% spart eine Prognoseverbesserung um 15 Prozentpunkte rund 60.000 EUR pro Jahr.

Welche Daten braucht die KI?

Datenquelle	Relevanz	Verfuegbarkeit
ERP-Bestellhistorie (12-36 Monate)	Sehr hoch	Meist vorhanden
Saisonmuster	Hoch	Im ERP enthalten
Aktionsplaene / Promotions	Hoch	Meist im Marketing
Konjunkturindikatoren (ifo, PMI)	Mittel	Oeffentlich verfuegbar
Wetterdaten	Niedrig-Mittel	Je nach Branche
Social-Media-Trends	Niedrig	Eher fuer B2C

✅ Quick Check: Warum reichen 3 Monate ERP-Daten nicht fuer eine KI-Prognose? (Tipp: Saisonalitaet. Ohne mindestens 12 Monate Daten kennt die KI keine Weihnachts-, Sommer- oder Quartalsmuster.)

Bestandsoptimierung: Weniger Lager, weniger Fehlbestaende

KI-basierte ABC/XYZ-Klassifikation

Traditionelle Lagerverwaltung: Feste Min/Max-Werte, einmal pro Jahr aktualisiert. KI-basierte Lagerverwaltung: Dynamische Bestellpunkte, taeglich aktualisiert.

Klassifikation	A (hoher Wert)	B (mittlerer Wert)	C (niedriger Wert)
X (regelmaessig)	Knappe Bestellpunkte, haeufig bestellen	Automatisiert bestellen	Sammelbestellung
Y (schwankend)	KI-Prognose + Sicherheitsbestand	KI-Prognose	Erhoehter Puffer
Z (unregelmaessig)	KI-Prognose + Szenarioplanung	Bedarfsgesteuert	Nur auf Bestellung

Der Clou: KI macht diese Klassifikation nicht einmalig, sondern aktualisiert sie fortlaufend. Ein Artikel, der letztes Jahr X war (regelmaessig), kann dieses Jahr Y werden (schwankend) — die KI passt die Strategie automatisch an.

Typische Ergebnisse

Metrik	Vorher (manuell)	Nachher (KI)	Verbesserung
Lagerbestand (Wert)	2,1 Mio. EUR	1,6 Mio. EUR	-24%
Fehlbestandsquote	8,5%	3,2%	-62%
Lagerdrehung	4,2x/Jahr	5,8x/Jahr	+38%
Dispositionsaufwand	40h/Woche	15h/Woche	-63%

Lieferkettenresilienz: Auf Krisen vorbereitet

Corona, Suezkanal-Blockade, Halbleitermangel — die letzten Jahre haben gezeigt: Lieferketten sind fragiler als gedacht. KI kann helfen, Risiken frueh zu erkennen.

KI-Anwendung	Datenquelle	Nutzen
Lieferantenrisiko-Scoring	Finanzdaten, Nachrichten, Liefertreue	Fruehwarnung bei Lieferantenproblemen
Alternativlieferanten-Matching	Produktkataloge, Zertifizierungen	Schnelle Umstellung bei Ausfall
Transportrisiko-Monitoring	Logistikdaten, Wetter, Geopolitik	Engpaesse vorhersagen

Aber Vorsicht: KI-Prognosen basieren auf Vergangenheitsdaten. Fuer echte Black-Swan-Events (wie Corona) braucht es Szenarioplanung und menschliches Urteilsvermoegen. Die KI sagt dir nicht, dass morgen eine Pandemie ausbricht — aber sie hilft dir, schneller zu reagieren, wenn es passiert.

✅ Quick Check: Warum hat Corona viele KI-Prognosemodelle zum Scheitern gebracht? (Tipp: Die historischen Daten waren ploetzlich wertlos — das Kaufverhalten aenderte sich komplett, und die KI hatte keine Referenz dafuer.)

Implementierung: 6-Wochen-Plan fuer Nachfrageprognose

Woche	Aufgabe	Ergebnis
1	ERP-Datenexport, Datenqualitaet pruefen	Saubere Bestellhistorie
2	Top-50 Artikel identifizieren (nach Wert und Volatilitaet)	Fokus-Artikelliste
3-4	KI-Modell trainieren, Prognose vs. Realitaet vergleichen	Erstes Prognosemodell
5	Bestellpunkte anpassen, Paralleltest (KI vs. manuell)	Validierte Prognose
6	Go-Live fuer Top-50, Monitoring einrichten	System produktiv

Kosten:

Position	Budget
KI-Plattform (Cloud)	200-500 EUR/Monat
ERP-Schnittstelle	3.000-8.000 EUR (einmalig)
Konfiguration + Training	5.000-10.000 EUR
Gesamt	10.000-20.000 EUR + laufend

Tja, und das amortisiert sich oft schon im ersten Quartal — wenn die Kapitalbindung um 15-25% sinkt.

Key Takeaways

Nachfrageprognose ist der beste Supply-Chain-Einstieg — braucht nur ERP-Daten, kein IoT
KI verbessert Prognosegenauigkeit von ±30-40% (Excel) auf ±8-15% — das sind tausende Euro weniger gebundenes Kapital
Dynamische ABC/XYZ-Klassifikation passt Bestellstrategien automatisch an sich aendernde Muster an
KI-Prognosen haben Grenzen bei Black-Swan-Events — Szenarioplanung und Human-in-the-Loop bleiben wichtig
ERP-Datenqualitaet ist der limitierende Faktor — vor dem KI-Projekt die Daten pruefen

Up Next

In der naechsten Lektion geht es um die Einfuehrungsstrategie: Wie fuehrst du KI in deinem Produktionsunternehmen ein — von der Bestandsaufnahme bis zum Piloten?