Nachfrage vorhersehen: Analytics für die Supply Chain (Teil 3)
Neben der zeitlichen und logistischen Optimierung von Lieferketten ermöglicht SAP Analytics es, konkrete Nachfrageprognosen zu erstellen. Wie diese Anwendung funktioniert und wie das Supply Chain Management davon profitiert, erfahren Sie in diesem Beitrag.
Mehr Beiträge zum Thema:
- Einblick in Lieferketten in Echtzeit: Analytics für die Supply Chain (Teil 1)
- Prozesse transparent machen: Analytics für die Supply Chain (Teil 2)
- Nachfrage vorhersehen: Analytics für die Supply Chain (Teil 3) [Dieser Beitrag]
- Plötzliche Herausforderungen meistern: Analytics für die Supply Chain (Teil 4)
Allgemeine Anwendungsmöglichkeiten von Analytics
Mit Analytics werden Unternehmensdaten im SAP-System aufbereitet und analysiert. Wie in den vorherigen Beiträgen dieser Reihe zum Supply Chain Management mit Analytics beschrieben wurde, ergeben sich daraus viele praktische Vorteile. So kann Analytics beispielsweise in Echtzeit über Lieferantenausfälle informieren oder auf Schwachstellen im Prozessablauf aufmerksam machen.
Insgesamt bietet Analytics eine gesammelte Übersicht über alle relevanten Daten und Analysen. Diese sind in verschiedenen Bereichen für eine Prozessüberwachung und -optimierung einsetzbar. Neben dem direkten Management des Supply Chain Ablaufs ermöglicht Analytics zum Beispiel auch eine Prognose über die zukünftige Nachfrage.
Die Herausforderung – Schwankende Nachfrage
Nachfrageschwankung ist ein relevanter Planungsfaktor für Unternehmen. In Zusammenhang mit Wochentagen oder auch Jahreszeiten und verschiedenen Wetterbedingungen kann selten von einer konstanten Nachfrage ausgegangen werden. Hinsichtlich der Logistik wäre eine möglichst präzise Nachfrageprognose allerdings wünschenswert, denn weder überfüllte noch leere Lager sind effizient. Dennoch basieren Unternehmen ihre Bestellplanungen viel zu häufig bloß auf einem Bauchgefühl und riskieren damit hohe Lagerkosten.
Die Herausforderung: Schwankende Nachfrage
Nachfrage vorhersehen mit Analytics
Auch in diesem Planungsschritt des Supply Chain Managements bietet sich Analytics für die Problemlösung an. Auf der Basis von historischen Unternehmensdaten erstellt Analytics konkrete Prognosen für die zukünftige Nachfrage. Konkret funktioniert das mit Machine Learning. Dahinter verbirgt sich die Idee, vergangene Daten maschinell auswerten zu lassen, um Vorhersagen für die Zukunft zu machen und zukünftig leichter Entscheidungen treffen zu können.
Das Vorhersagemodell SAP Data Intelligence kann beispielsweise Daten aus dem ERP System, aber auch Marktdaten in seine Berechnungen mit einbeziehen. Für die Nutzung dieser Software sind keine Programmierfähigkeiten vorausgesetzt. Es lassen sich viele Quellsysteme anschließen, um eine umfangreiche Analyse durchzuführen.
Best Practices in der Nachfrageprognose mit Analytics
In einem konkreten Praxisbeispiel nutzte etwa ein Unternehmen der Chemiebranche Analytics für genauere Schätzungen von Produktionskosten für Gasanalysegeräte. Die Einschätzung der künftigen Nachfrage ist in diesem Beispiel deshalb besonders anspruchsvoll, da das Unternehmen die Gasanalysegeräte für jeden Kunden einzeln nach eigenen Anforderungen produzierte. Ohne eine konkrete Prognose entstanden viele ungeplante Mehrkosten, die dem Gewinn des Unternehmens schadeten.
Mithilfe eines Prognosemodells auf der Basis von Machine Learning konnten die Kosten durch die zukünftige Nachfrage vorhergesagt werden. Durch die präzise Kostenschätzung bei der Angebotserstellung verringerten sich dann auch die ungeplanten Mehrkosten. Das sorgte insgesamt für mehr Planungssicherheit.
Fazit
Analytics ist nicht nur bei der Planung von Transportprozessen hilfreich, sondern unterstützt Unternehmen beispielsweise auch bei der Kalkulation zukünftiger Produktionskosten. Auch in vielen anderen Prozessschritten bietet Analytics effektive Lösungen an.
Mehr zum Thema erfahren Sie in den weiteren Beiträgen dieser Reihe. Alle Informationen gibt es außerdem kompakt in unserem kostenlosen Webinar „Supply Chain – Lieferketten optimieren mit Analytics“.
