Motivation
Präzise Absatzprognosen befähigen Produktionsunternehmen zu einer verbesserten Eigenfertigungs-, Fremdbezugs- und Bestandsplanung. Hierdurch lassen sich die produktionslogistischen Zielgrößen wie Auslastung, Durchlaufzeiten, Termintreue und Bestand positiv beeinflussen. In der heutigen Wirtschaftswelt unterliegen Absatzprognosen jedoch großen Unsicherheiten. Pandemie, Krieg und eine sich stetig ändernde geopolitische Lage führen zu anhaltenden Lieferengpässen und Nachfrageveränderungen. Demnach reduziert sich die Korrelation zwischen historischen Nachfragewerten und zukünftiger Nachfrage zunehmend. Die Prognosegüte von, in kleinen und mittelständischen Unternehmen (KMU) häufig gängigen, Zeitreihenmodellen oder Erfahrungswerten nimmt dadurch ab und ist mitunter nicht mehr ausreichend.
Gleichzeitig entstehen entlang zunehmend digitalisierter Lieferketten viele und teils sehr heterogene Daten, die als Eingangsinformationen für die Absatzprognose ein hohes Potenzial bieten. Jedoch ist der hohe Zeitaufwand für die zielgerichtete Datensammlung und -analyse durch die meisten KMU nicht zu leisten. Ansätze aus dem Bereich des maschinellen Lernens (ML) bieten vielversprechende Möglichkeiten, bestehende Zusammenhänge aus großen Datenmengen in kürzester Zeit zu erlernen und zur Entscheidungsfindung zu nutzen. Darüber hinaus birgt die Berücksichtigung von zusätzlichen internen und externen Inputfaktoren bzw. Metadaten in ML-Modellen das Potenzial, den heutigen Unsicherheitsfaktoren einer Absatzprognose entgegenzuwirken.

Ziel
Die Zielsetzung des Forschungsprojektes ist es, in der Praxis etablierte Verfahren mit ML-Verfahren zu vergleichen und das Potenzial der Hinzunahme von Metadaten, wie bspw. Konjunktur- oder Branchenindizes, zu bewerten. Beteiligte KMU sollen befähigt werden, geeignete Verfahren für das jeweils vorliegende Prognoseszenario auswählen und anwenden zu können.

Ablauf
Für das Forschungsprojekt ist eine Laufzeit von 24 Monaten vorgesehen, in der die folgenden Arbeitspakete (AP) bearbeitet werden:
 AP 1: Systematische Analyse des Einsatzes von ML-Verfahren zur Absatzprognose.
 AP 2: Entwicklung einer Methode zur Ermittlung relevanter Inputfaktoren in den Unternehmen sowie Identifikation von allgemeinen, branchen- und unternehmensspezifischen Faktoren, die Einfluss auf die Absatzprognose haben könnten.
 AP 3: Entwicklung einer systematischen Vorgehensweise zur Eignungsprüfung von ML-Modellen in Anlehnung an den etablierten Cross-Industry Standard Process for Data Mining (CRISP-DM).
 AP 4: Durchführung der Datenvorbereitung sowie Modellierung in den Anwendungsfällen der Kooperationsunternehmen gemäß der in AP 2 und AP3 entwickelten Methode bzw. Vorgehensweise.
 AP 5: Bewertung der Prognosegüte von statistischen und ML-Verfahren für die Absatzprognose sowie Evaluation der Interpretierbarkeit entsprechender ML-Modelle.
 AP 6: Dokumentation und Publikation der Ergebnisse.

Nutzen
Die teilnehmenden KMU erhalten Zugang zu allgemeinen und unternehmensspezifischen Erkenntnissen hinsichtlich der ML-basierten Absatzprognose, die direkt in die Unternehmenspraxis einfließen können. Aufgrund der engen Zusammenarbeit findet darüber hinaus eine Vernetzung zwischen mehreren Unternehmen und Wissenschaftler*innen statt, sodass die Beteiligten von einem Erfahrungsaustausch profitieren. Durch die fortlaufende Publikation und die Entwicklung einer Tutoring-Umgebung werden die Projektergebnisse für Wissenschaft, Lehre und industrielle Praxis bereitgestellt.