Einsatz von maschinellem Lernen zur Kontrolle von Ungenauigkeiten bei der Bestandsaufnahme
Fehlerhafte Bestandsdaten sind insbesondere in Handelsunternehmen ein weit verbreitetes Problem: frühere Forschungsarbeiten des Fachgebiets haben gezeigt, dass im Durchschnitt bei 65% der gehandelten Warengruppen die in einer Filiale verfügbaren Artikel nicht mit den in einem Bestandsmanagementsystem verzeichneten Mengen übereinstimmen. Diese Bestandsabweichungen beeinträchtigen die Leistung von Bestandsmanagementsystemen, da in der Folge Bestellungen verfrüht oder verspätet ausgelöst werden können. Im ersten Fall ergeben sich im Zeitablauf zu hohe Lagerbestände, die unnötige Bestandsinvestitionen erfordern und zu Platzproblemen in der Filiale führen können, während im zweiten Fall das Risiko von Lagerunterdeckungen steigt und mithin die Artikelverfügbarkeit in der Filiale leidet. In vielen Fällen haben Handelsunternehmen, die eine hohe Leistungsfähigkeit ihres Bestandsmanagementsystems sicherstellen wollen, nur die Möglichkeit, Datenfehler durch kostspielige Inventuren zu korrigieren.
Vor dem Hintergrund dieser Problemstellung entwickelt das Fachgebiet Produktion und Supply Chain Management der TU Darmstadt (Prof. Dr. Christoph Glock) gemeinsam mit der Cardiff Business School (Prof. Dr. Aris Syntetos) und der ESCP Paris (Prof. Dr. Yacine Rekik) sowie dem Branchenverband Efficient Consumer Response (ECR) Verfahren des maschinellen Lernens, mit deren Hilfe Artikelbestände vorhergesagt werden können. Erste Projektergebnisse zeigen, dass sich für viele Warengruppen die Entwicklung des tatsächlichen Bestands – und damit auch der Datenfehler – gut vorhersagen lässt, sodass das Bestandsmanagement dann mithilfe korrigierter Bestandsdaten betrieben werden kann. Handelsunternehmen können dann auf häufige Inventuren für solche Produkte verzichten, deren Bestandsverlauf gut prognostiziert werden kann, und die freigewordenen Ressourcen in Inventuren für Warengruppen investieren, die eine schlechte Vorhersagbarkeit aufweisen. Auf diese Weise können Ressourcen in der Warenbewirtschaftung dann gezielt auf solche Produkte konzentriert werden, die am meisten von Inventuren profitieren, um so gleichzeitig Kosten einzusparen und die Artikelverfügbarkeit zu erhöhen.
Nach Abschluss des Forschungsprojekts im Dezember 2024 werden wir an dieser Stelle einen detaillierten Projektbericht veröffentlichen.
