Kostenreduzierung in der Ersatzteilplanung durch KI-basierte Prognosen

Leo Müller ist Planer im Zentrallager eines großen Automobilherstellers. In den letzten Jahren kam es immer wieder zu hohen Inventarüberschüssen im Ersatzteilbereich. Oft lagern am Ende des Lebenszyklus eines Teils noch hohe Bestände im Zentrallager. Diese Bestände haben über Jahre Lagerplatz eingenommen und müssen dann verschrottet werden. Eine große Verschwendung von Ressourcen, Kapital und Lagerplatz. Aber wieso muss es dazu kommen?
 IBM hat für die Ersatzteilvorhersage in verschiedenen Lebenszyklusphasen eine Lösung zur Vorhersage der zukünftigen Ersatzteilverbräuche über den gesamten Ersatzteillebenszyklus entwickelt.
IBM hat für die Ersatzteilvorhersage in verschiedenen Lebenszyklusphasen eine Lösung zur Vorhersage der zukünftigen Ersatzteilverbräuche über den gesamten Ersatzteillebenszyklus entwickelt.Bild: IBM Deutschland GmbH

Automobilhersteller in Deutschland haben den Anspruch ihren Kunden auch nach Auslauf eines Modellbauzyklus für mindestens 10 Jahre Originalersatzteile zur Verfügung zu stellen. Ein normaler Bauzyklus dauert ca. sieben Jahre. Während dieser Zeit ist die Versorgung mit Ersatzteilen problemlos zu gewährleisten, da die Zulieferer regelmäßig Teile für die Produktion liefern. Von diesem Teilefluss lassen sich die Ersatzteilbedarfe abzweigen und es besteht eine hohe Verfügbarkeit bei Werkstätten und Endkunden.

 Übersicht der Ersatzteilbedarfe in der Automobil-Branche.
Übersicht der Ersatzteilbedarfe in der Automobil-Branche.Bild: IBM Deutschland GmbH

Ersatzteilbedarfe in der Automobil-Branche

Schwieriger wird es für Leo Müller, nach dem Ende des Autoproduktionszyklus den Ersatzteilbedarf seiner Kunden weiterhin zu erfüllen. Für schnelldrehende Teile, das heißt Bauteile, die verglichen mit anderen Bauteilen schnell abgenutzt sind und in hoher Frequenz nachgefragt werden, zum Beispiel Schrauben, kann er eine dauerhafte Belieferung mit dem Lieferanten vereinbaren. Kompliziert wird es hingegen bei Ersatzteilen, welche nur unregelmäßig benötigt werden, zum Beispiel den lilafarbenen Kotflügel. Die Kosten pro Stück können sehr hoch sein, da der Lieferant jederzeit eine Produktionsstraße für das Ersatzteil zurückhalten muss, diese aber oft nicht auslasten kann.

Eine weitere Strategie ist es, in regelmäßigen Abständen den Bedarf für ein vorher definiertes zeitliches Intervall zu bestellen. Hier entstehen Zusatzkosten für die Lagerung und die Umrüstung der Produktion beim Lieferanten.

Schließlich gibt es die Strategie des sogenannten Last Time Buy. Hier muss Leo Müller die wahrscheinliche Nachfrage nach dem Ersatzteil für den gesamten restlichen Lebenszyklus auf einmal bestellen. Diese Bestellung muss bis zu 30 Jahre in die Zukunft reichen. Dadurch kann sich Leo günstige Herstellungskosten pro Stück sichern. Allerdings entstehen höhere Lagerhaltungskosten und ein höheres Risiko am Ende des Ersatzteillebenszyklus hohe Endbestände zu haben. Es besteht auch das Risiko eines Stock outs. Dieser tritt ein, wenn die bestellte Menge zu schnell abverkauft ist. Dann muss in Verhandlungen mit dem Lieferanten getreten werden, um nachbestellen zu können. Der Lieferant hat in diesem Fall eine sehr gute Verhandlungsposition und kann wahrscheinlich hohe Stückpreise erzielen.

Statistische Modellierung zur Ersatzteilvorhersage in verschiedenen Lebenszyklusphasen

IBM hat für diese Herausforderung eine Lösung zur Vorhersage der zukünftigen Ersatzteilverbräuche über den gesamten Ersatzteillebenszyklus entwickelt. Die Lösung basiert auf verschiedenen Vorhersagemethoden, unter anderem ähnlichkeitsbasierte Methoden der Künstlichen Intelligenz wie beispielsweise Neuronale Netzwerke und Regressionsmodelle. Außerdem hat IBM kausalbasierte Vorhersagemodelle entwickelt. Es wurden insgesamt sechs unterschiedliche statistische Modelle zur Absatzvorhersage für verschiedene Lebenszyklusphasen erstellt.

Auf der einen Seite gibt es sogenannte ähnlichkeitsbasierte Modelle. Diese lernen anhand der Absatzdaten älterer Ersatzteile, wie Ersatzteilkurven aussehen können. Zur Erlernung der Kurven werden Smoothing Splines (Funktionsschätzungen) genutzt. Dieses Wissen wird für die Absatzvorhersage jüngerer Ersatzteile genutzt. Es gibt aber auch Neuronale Netzwerke, die zum Beispiel für die Bedarfsvorhersage von Ersatzteilen mit sporadischer Nachfrage genutzt werden. Darüber hinaus hat IBM kausalbasierte Modelle erarbeitet, die die Anzahl an Fahrzeugen im Markt, ihre Schwundrate und die Fehlerrate der Ersatzteile zur Basis für ihre Vorhersage nehmen.

Diese Prognose hilft Leo Müller bei den schwierigen Entscheidungen, welches Ersatzteil wann und in welchem Umfang eingelagert werden soll. Seitdem die Lösung produktiv ist, wurden jährliche Einsparungen in Millionenhöhe realisiert, hauptsächlich durch die Reduktion zu hoch geplanter Ersatzteilnachfrage.

Die Lösung kann nicht nur in der Automobilindustrie eingesetzt werden, sondern in jeder Branche, die mit hohen Ersatzteilbedarfen arbeitet. Zu nennen sind hier die Luftfahrtbranche, Kraftwerksausrüster, Maschinenproduzenten oder Rüstungsunternehmen. Sie alle haben langlebige Produkte im Sortiment, für die sie Ersatzteile mit hohem Verfügungsgrad für lange Zeit vorhalten müssen.

Teil einer umfassenden Lösung

Die Mittel- und Langfrist Ersatzteilprognose ist Teil eines IBM Services Offerings im Supply Chain Bereich. Unter anderem gibt es Assets und Projektansätze zur Inventar- und Safety Stock Optimierung, automatische Bestellbearbeitung, kurzfristige Demand Forecasts oder Supply Chain Risiko Evaluation.

Das könnte Sie auch Interessieren

Anzeige

Anzeige

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

„Künstliche Intelligenz ist eine, wenn nicht die wichtigste Zukunftstechnologie für Unternehmen.“ Diese Aussage bejahen 70 Prozent der Befragten der jüngsten Bitkom-Studie zu KI. Aber nur 10 Prozent aller Unternehmen haben KI-Technologie aktiv im Einsatz, lediglich 30 Prozent planen und diskutieren deren Anwendung. Was ist der Grund für diese große Diskrepanz?

Bild: Blue Yonder, Inc.
Bild: Blue Yonder, Inc.
Künstliche Intelligenz – mehr als eine Wissenschaft

Künstliche Intelligenz – mehr als eine Wissenschaft

Data Science ist mittlerweile ein fester Bestandteil der strategischen Planung in vielen Unternehmen. Um künftige Entwicklungen realistisch zu planen, brauchen wir Künstliche Intelligenz (KI) und Maschinelles Lernen (ML). Insbesondere im Einzelhandel vertrauen immer mehr große Player auf KI-Lösungen, die präzise Prognosen ermöglichen und zum Beispiel Bestände oder Preise optimieren. Doch viele Entscheidungsträger glauben noch nicht daran, dass KI in den Lieferketten der Zukunft eine tragende Rolle spielen wird. Der Grund hierfür liegt in einer falschen Sicht auf die Wissenschaft.

Bild: ©Stock57/stock.adobe.com
Bild: ©Stock57/stock.adobe.com
KI-Verfahren für die Produktion

KI-Verfahren für die Produktion

Mathematiker der Hochschule Darmstadt (h_da) entwickeln gemeinsam mit dem Hanauer Simulationsdienstleister und Softwareunternehmen SimPlan und dem Automationsexperten Fibro Läpple Technology neue KI-Technologien. Im Rahmen des Loewe-Projekts ‚KISPo‘ will das Konsortium eine autonome, selbstlernende Steuerungssoftware für Produktionsanlagen entwickeln, wie sie z.B. bei der Herstellung von Komponenten für Windräder oder Elektromotoren zum Einsatz kommen. Es wäre die erste KI-Software dieser Art. Damit würde eine von Industrieverbänden und Forschung lange bemängelte Technologielücke geschlossen. Das Land Hessen fördert das Projekt für zwei Jahre mit 320.000 Euro. Konsortialführerin ist die Hochschule Darmstadt.

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Chancen und Herausforderungen von Machine Learning in der Fertigung

Chancen und Herausforderungen von Machine Learning in der Fertigung

Automatisierung, künstliche Intelligenz (KI), Internet of Things (IoT) und Machine Learning (ML) sind heutzutage bekannte Technologien und kommen bereits in vielen Unternehmen zum Einsatz. Mit Hilfe von Machine Learning wird es IT-Systemen ermöglicht, Muster und Zusammenhänge aus Daten zu lernen und sich selbst zu verbessern. Dabei ist keine explizite Programmierung notwendig. Die Bearbeitung von Kundenanfragen, die Erkennung möglicher Störfälle sowie unerwarteter Ereignisse wie z.B. Cyberangriffe sind klassische Anwendungsfelder von ML. Aber auch die Unterstützung bei einer rein datengestützten Entscheidungsfindung und die Interpretation großer Datenmengen gehören dazu.

Bild: ©Shuo/stock.adobe.com
Bild: ©Shuo/stock.adobe.com
Sensoren lernen das Denken

Sensoren lernen das Denken

Im Fraunhofer-Leitprojekt NeurOSmart forscht das Fraunhofer IPMS zusammen mit vier weiteren Instituten (ISIT, IMS, IWU, IAIS) unter Leitung des Fraunhofer ISIT gemeinsam an energieeffizienten und intelligenten Sensoren für die nächste Generation autonomer Systeme. Dabei sollen die Brücken zwischen Wahrnehmung und Informationsverarbeitung durch innovative Elektronik neu definiert werden.

Bild: ©ipopba/stock.adobe.com
Bild: ©ipopba/stock.adobe.com
Wie KI 2022 praktikabel wird

Wie KI 2022 praktikabel wird

Künstliche Intelligenz war bereits in der Vergangenheit in aller Munde, schaffte es aber doch oft nicht bis in die Anwendung. Das wird sich 2022 ändern – auch weil sich langsam Standards etablieren und sich neue, konkrete Einsatzmöglichkeiten ergeben. In welchen Bereichen Business-Implementierungen zu erwarten sind, erläutert Bernhard Niedermayer, Head of AI bei Cloudflight.

Anzeige

Anzeige

Anzeige