Durchschnittlich bis zu 70% genauere Prognosen von Liefer- und Wiederbeschaffungszeiten – das will der neue Machine Learning (ML) Ansatz des Aachener Softwareentwicklers Inform bieten.
Die Diskrepanz zwischen dem von Lieferanten zugesicherten und dem tatsächlichen Liefertermin ist in vielen Branchen außerordentlich groß. „Wir haben die Datenhistorie vieler Unternehmen analysiert. In zwei Drittel der Fälle wurde der Termin nicht eingehalten“, berichtet Dr. Marco Schmitz, der im Team „New Solutions“ bei Iinform an der ML-Lösung mitgewirkt hat. Ebenso sind in ERP-Systemen meist nur ungenaue Schätzungen der Wiederbeschaffungszeiten als Stammdaten hinterlegt, deren Pflege manuell nur mit hohem Aufwand vonstattengeht.
In ersten Studien konnte der Algorithmus die Abweichung des Liefertermins von 25 Tagen auf 12 Tage reduzieren. „Das schmälert die Unsicherheit und das Risiko so stark, dass deutlich weniger Deckungskäufe nötig sind“, sagt Schmitz. Solche Deckungskäufe bei Plan-B-Lieferanten oder Konkurrenzunternehmen kosten nicht selten mehrere Millionen Euro pro Jahr und schmälern vor allem in Handelsunternehmen die Margen. Sinkt die Unsicherheit, reduzieren sich gleichzeitig auch diese Kosten. Mit der neuen ML-Lösung will Inform in Zusammenarbeit mit den hauseigenen Datenspezialisten des Inform DataLab hier Abhilfe schaffen. Sie ist sowohl als unabhängiges Modul für beliebige ERP-Systeme verfügbar als auch integriert in bestehende Systeme zur Bestandsoptimierung (ADD*ONE) und Produktionsplanung (FELIOS).
