Kooperation von KI und Mensch in der Absatzplanung bei Dr. Oetker
Ob Grillabende im Sommer, Fußball-WM oder ein verschneiter Winterabend – viele Menschen greifen in solchen Momenten gern zur Tiefkühlpizza. Doch wie viel Pizza wird tatsächlich gekauft, wenn Deutschland im WM-Halbfinale steht oder der Sommer besonders heiß wird? Für Dr. Oetker sind solche Fragen kein bloßes Zahlenspiel. Als Hersteller eines vielfältigen Produktsortiments steht das Unternehmen täglich vor der Herausforderung, die Nachfrage möglichst genau vorherzusagen. Denn jede Prognoseabweichung wirkt sich unmittelbar auf Produktion, Lagerhaltung und Lieferketten aus.
Im Leuchtturmprojekt ‚MKIFusion‘ hat Dr. Oetker deshalb gemeinsam mit Partnern erprobt, wie Künstliche Intelligenz (KI) dabei helfen kann, die Absatzplanung flexibler und effizienter zu gestalten – und dabei trotzdem nachvollziehbar für die Mitarbeitenden zu bleiben.
Herausforderungen in der Lebensmittelbranche
Planung in der Lebensmittelindustrie ist komplex: Neben saisonalen Effekten wirken viele externe Faktoren auf den Absatz ein. Klassische statistische Verfahren stoßen hier zunehmend an Grenzen.
„Schnelllebige Marktveränderungen, hohe Produktvielfalt und externe Einflüsse führen zu komplexen, schwer vorhersehbaren Entwicklungen,“ erklärt Kristina Brinkmann, Process Excellence Manager bei Dr. Oetker. Gleichzeitig wünschen sich die Beschäftigten nachvollziehbare Systeme, die ihre Arbeit unterstützen, statt sie zu ersetzen.
Ziel: Präzisere Prognosen und mehr Transparenz
Das Ziel von MKIFusion ist es, neue KI-Methoden in die bestehende Planungslandschaft von Dr. Oetker zu integrieren. Dabei steht nicht allein eine höhere Prognosegenauigkeit im Vordergrund. Ebenso wichtig ist es, die Vorschläge der KI für die Beschäftigten verständlich und überprüfbar zu machen.
Durch die nachvollziehbare und kooperative Gestaltung dieser Methoden arbeiten Mensch und KI zukünftig zusammen, um eine optimierte Absatzplanung im Unternehmen zu erreichen.– Kristina Brinkmann, Dr. Oetker
Demonstrator macht verschiedene Prognosemodelle anschaulich
Herzstück des Projekts ist ein Demonstrator, der verschiedene Prognosemodelle miteinander vergleicht. Er ermöglicht es, sowohl klassische statistische Verfahren (wie Seasonal Naive oder AutoETS) als auch moderne Machine-Learning-Modelle (wie LGBM oder N-Beats) einzusetzen.
Nutzer:innen können:
- Prognosemodelle vergleichen
- Prognosezeiträume flexibel einstellen
- Analysen auf Wochen- oder Monatsbasis durchführen
- Prognosen mit Ist-Werten abgleichen
Die Visualisierung hilft, die Unterschiede zwischen den Modellen zu erkennen und deren Prognosegüte einzuschätzen. So können Planer:innen weiterhin ihre Erfahrungen einbringen und fundierte Entscheidungen treffen.
Maschinelle Lernverfahren sind nicht immer die beste Wahl. Besonders bei spärlichen Daten können klassische Methoden auch zuverlässiger sein. Bei größeren und komplexeren Datenstrukturen liefert Machine Learning jedoch meist bessere Ergebnisse.– Christoph-Alexander Holst, Wissenschaftlicher Mitarbeiter am inIT
Mehrwert für Planung und Beschäftigte
Ein zentraler Nutzen der KI-Methoden liegt in der Fähigkeit, externe Einflussfaktoren zu berücksichtigen, die auf den Absatz wirken. Gerade bei komplexen Produktportfolios mit vielen ähnlichen Artikeln helfen moderne Analyseverfahren, Muster zu erkennen und bessere Prognosen zu erstellen.
Gleichzeitig bleibt die Rolle der Mitarbeitenden unverzichtbar. „Durch den Einsatz von KI-Methoden unterstützen wir unsere Mitarbeitenden in der integrierten Planung insbesondere bei komplexen Prognosen“, fasst Kristina Brinkmann zusammen. „Eine transparente und benutzerorientierte Anwendung von KI-Methoden ermöglicht eine effektive Zusammenarbeit zwischen Menschen und KI mit dem Ziel einer optimierten Absatzplanung im Unternehmen.“
Kontakt
Projektpartner
