Sinnvolle Anwendung einer automatisierten Prognose

Ein Fachartikel der Orbis AG

Festzuhalten ist, dass der Entscheidung gründliche Vorüberlegungen vorausgehen müssen, um die richtige Prognose-Ebene zu finden und um sinnvolle Prognose-Horizonte zu definieren. Die Ansicht, dass die Prognose für das Tagesgeschäft nicht einsetzbar sei, ist weit verbreitet. Angesichts vieler aktiver Produkte und auf Sachnummernebene stark schwankender Bedarfe gibt es aber wenig echte Alternativen, wenn es um eine effektive Planung und Disposition geht.

Eine Prognose gründet sich auf altbekannte mathematische Formeln und kann prinzipiell nur Vergangenheitswerte interpretieren. Daher eignet sie sich vor allem für Produkte mit großer Stückzahl bei denen zumindest auf aggregierter Ebene eine gewisse Gleichmäßigkeit oder Gesetzmäßigkeit herrscht. Andererseits ist eine manuelle Prognose einer großen Anzahl von Produkten in Kombination mit vielen Lokationen und verschiedenen Märkten durch den Planer schier unmöglich. In diesen Fällen sollte eine automatisierte Prognose in Erwägung gezogen werden. Die Lösung SAP APO DP (Advanced Planner and Optimizer – Demand Planning) bietet die Möglichkeit einer automatisierten Prognose, die sich in sechs Schritte gliedert.

Schritt 1: Korrektur der Vergangenheitsdaten

Für die Korrektur der Vergangenheitsdaten stehen verschiedene Verfahren zur Verfügung. Dabei ist es erforderlich, die Vergangenheitsdaten für die Prognose entsprechend vorzubereiten. Im Anschluss werden die verschiedenen Verfahren charakterisiert. Daneben ist zu beachten, dass diese Verfahren sowohl zur Korrektur der Vergangenheitsdaten, als auch für die spätere Korrektur der Prognose verwendet werden können.

Ein- und Auslauf neuer bzw. alter Produkte können über die Lebenszyklusplanung gesteuert werden. Dazu wird eine Zeitreihe definiert, die den Lebenszyklus abbildet. Danach wird die Prognose mit der Zeitreihe der entsprechenden Periode multipliziert. So wird der Lebenszyklus in die Prognose eingearbeitet. Beispielsweise kann der Auslauf eines Artikels für eine Zeitreihe wie folgt definiert werden: 100 % 80 % 60 % 40 % 20 % 0 %. Die Prognose folgt dann diesem auf unternehmensspezifischen Erfahrungswerten basierendem Lebenszyklus. Eine variierende Anzahl von Arbeitstagen kann bei der Interpretation der Vergangenheitsdaten ebenfalls berücksichtigt werden. Dazu wird im Prognoseprofil die mittlere Anzahl der Arbeitstage hinterlegt (z. B. 20 Tage für einen Monat). Hat ein Monat 21 Arbeitstage, wird der Vergangenheitswert durch 21 dividiert und mit der mittleren Anzahl der Arbeitstage multipliziert. Aufbauend auf diesen korrigierten Wert wird die Prognose erstellt. Hat nun der zu prognostizierende Monat nur 19 Tage, wird der Prognosewert durch 20 dividiert und mit 19 multipliziert. Ein Highlight dieser Funktion ist, dass keine aufwendige Pflege der Arbeitstage stattfinden muss, stattdessen werden die Arbeitstage aus dem Fabrikkalender entnommen. So besteht die Möglichkeit, Betriebsferien oder auch Feiertage bei der Prognose einfach zu berücksichtigen.