Mit neuen KI-Modellen immer wissen, was fehlt

Die Zukunft der Bedarfsplanung liegt im KI-gestützten Forecasting – und mit der Integration in der SAP-Lösung „Integrated Business Planning – IBP“ wird sie zum „Game Changer“. Klassische Nachfrageprognosen bedeuten Unsicherheit und Kosten, während intelligente Machine-Learning-Algorithmen die Vorhersagegenauigkeit von durchschnittlich 65 % auf bis zu 98 % steigern. Durch die Kombination modernster Algorithmen mit der End-to-End-Integration in SAP IBP werden nicht nur interne und externe Datenquellen von KI-Modellen genutzt, sondern auch Schwankungen auf den Märkten, Kundenverhalten und externe Treiber in Echtzeit berücksichtigt. Der Einsatz dieser Technologie führt zu einer datengetriebenen Strategie, die den manuellen Aufwand drastisch reduziert und Produktivität maßgeblich steigert.

Flexible Parameter für bewegte Zeiten

Eine präzise Nachfrageprognose ist zentral, um Bestände, Produktion und Kosten zu steuern und die Lieferfähigkeit zu sichern. Sie verbessert Ressourcenplanung, verhindert Fehl- und Überbestände und unterstützt bessere Entscheidungen. Mit steigender Komplexität stoßen klassische statistische Modelle jedoch an Grenzen – diese sind oft subjektiv und ungenau. Daher investieren immer mehr Unternehmen in individuell zugeschnittene, leistungsfähigere Lösungen.

Hier setzt der Trend ein: Business AI optimiert Prozesse, automatisiert Aufgaben und liefert datenbasierte Entscheidungen. KI-Modelle skalieren flexibel und ermöglichen schnelleres Reagieren auf Marktveränderungen. SAP-integrierte, datengetriebene Prognosen können Bestände um bis zu 30 % reduzieren – bei Service-Levels über 98 %.

Die zentrale Herausforderung ist die Integration moderner KI-Prognosen in bestehende Systeme. Das Whitepaper zeigt den Mehrwert zugeschnittener Modelle und wie sie in Lösungen wie SAP IBP eingebunden werden können – als integraler Teil einer datengetriebenen Entscheidungsstrategie.

Herausforderungen beim Einsatz von SAP IBP-Prognosemodellen

Bedarfsprognosen sind oft ungenau, da viele Unternehmen auf isolierte, nicht integrierte Lösungen und manuelle Datenerfassung setzen. Das führt zu Verzerrungen und hohem Aufwand. Die Folgen sind unrealistische Ziele, fehlerhafte Planungen und eine schlechte Bestandsverteilung. Dabei können datenbasierte Prognosen diese Schwächen deutlich verringern.

SAP Integrated Business Planning (SAP IBP) ist eine cloudbasierte Lösung zur Erstellung und Harmonisierung von Demand und Supply Planning. Das Modul basiert auf der SAP-HANA-Technologie und unterstützt Unternehmen, ihre Planungsprozesse zu integrieren und zu optimieren. Verschiedene Module von SAP IBP unterstützen einen End-to-End „Sales & Operations Planning“-Prozess (S&OP). Dem Endanwender stehen dazu verschiedene Interfaces zur Verfügung wie unter anderem Fiori Apps, SAP IBP Excel Addin oder der auf der SAC-Technologie basierende Supply Chain Control Tower. 

Die obere Darstellung zeigt die vier Entwicklungsphasen eines klassischen S&OP-Prozesses. Die Darstellung zeigt die vier Phasen eines klassischen S&OP-Prozesses: Zunächst wird ein taktischer Plan mit Prognosen und Meilensteinen erstellt. Danach erfolgt die Abstimmung von Nachfrage und Angebot unter Berücksichtigung von Restriktionen. In der dritten Phase werden finanzielle Auswirkungen der Planungsentscheidungen analysiert. Abschließend werden Szenarien sowie Finanz- und Supply-Chain-Aspekte integriert, um eine ganzheitliche Planung zu ermöglichen.

Die Standardmodelle für Nachfrageprognosen in SAP IBP erfüllen viele Anforderungen nur eingeschränkt. Algorithmen wie Simple Moving Average, Exponential Smoothing oder Croston-Methode bieten eine geringe Vorhersagegüte und ignorieren teils externe Einflussfaktoren. Sie arbeiten nur mit wenigen Inputs wie Trend und Saisonalität und reagieren kaum auf komplexe Muster, plötzliches Nachfrageverhalten, Ausreißer oder verschobene Saisonverläufe. Das führt zu ungenauen Prognosen, einem sinkenden Service-Level, Fehl- und Überbeständen, hohen Lagerkosten und einer schlechten Abstimmung mit der Produktion.

Im Gegensatz dazu können maßgeschneiderte KI-Forecasting-Lösungen die Schwächen der Standardmodelle ausgleichen. Sie beziehen deutlich mehr externe Faktoren ein, etwa Zinsen, Wetter, Wechselkurse oder politische Rahmenbedingungen, und passen ihre Parameter über selbstlernende Algorithmen laufend an. So steigt die Prognosegenauigkeit spürbar. Solche individuellen Modelle sind jedoch nicht in SAP IBP integriert. Dadurch müssen Daten und Ergebnisse oft manuell aus verschiedenen Systemen zusammengeführt werden, was Zeit kostet, Fehler begünstigt und Prozesse ausbremst. Um Genauigkeit und Effizienz zu erhöhen und den manuellen Aufwand zu senken, sollten Unternehmen ihre Systemlandschaft besser integrieren und SAP IBP funktional erweitern.

Smarte in SAP IBP integrierte  Prognosemodelle als Lösungsansatz

Was ist ein smartes Prognosemodell?

Ein wirksames Prognosemodell muss mehr leisten als reine Nachfrageprädiktion. Neben hoher Genauigkeit sind Verständlichkeit, Stabilität und Skalierbarkeit zentral. Es sollte unter verschiedenen Bedingungen zuverlässig funktionieren, auf neue Produkte übertragbar sein und eine gute Wartbarkeit sowie konsistente Ergebnisse bieten – als Grundlage für ein robustes, zukunftssicheres Prognosesystem. Das Modell selbst setzt sich aus drei wesentlichen Säulen zusammen – dem Algorithmus, den Daten und den Indikatoren:

Der Algorithmus ist der Kern jeder Prognose. Einfache statistische Modelle wie Regression sind leicht verständlich, liefern aber oft nur geringe Genauigkeit. Komplexere ML-Verfahren wie neuronale Netze erzielen bessere Ergebnisse, sind jedoch schwerer erklärbar. Hier empfiehlt es sich ein hybrides Modell zu wählen, welches beide Ansätze verbindet, etwa mit N-BEATS und Prophet. N-BEATS Algorithmus erkennt komplexe Muster sehr präzise und lernt automatisch, benötigt aber viel Rechenleistung und sorgfältige Hyperparameter-Optimierung. Der Prophet Algorithmus ist einfacher zu trainieren und berücksichtigt Trend, Saisonalitäten und Feiertage, stößt jedoch bei komplexen nichtlinearen Trends und großen Datenmengen an Grenzen.

Neben dem Algorithmus sind die verfügbaren Daten entscheidend. Es braucht genügend historische Informationen in passender Granularität und guter Qualität, Ausreißer und Lücken müssen bereinigt werden. Auch bei wenigen Datenpunkten, etwa bei Produkten mit geringer Nachfrage, lässt sich die Prognose durch Clustering verbessern. Dabei werden ähnliche Produkte oder Kundengruppen gebündelt, um eine ausreichende Datenbasis zu schaffen.

Verbesserung der Prognose

Externe Indikatoren erhöhen deutlich die Genauigkeit der Prognose und Erklärbarkeit gegenüber Modellen, die auf den einfachen Zeitreihenkomponenten basieren. Zu solchen Indikatoren zählen interne Treiber wie Promotionen, Preise oder Markensentiments sowie externe Signale wie Rohstoffpreise, Börsenindizes, Inflation oder Markttrends. Für die Auswahl relevanter Variablen und Signale, eignet sich ein mehrstufiger Analyseprozess:

Zunächst werden interne und externe Signale gesammelt, z. B. über ein eigens entwickeltes „Signal Repository“ oder über externe Datenanbieter. Auch interne Quellen wie Bestellsysteme, Sentiment-Analysen oder Umfragen liefern wertvolle Inputs. Anschließend reduziert eine Korrelations- und Lag-Analyse die Vielzahl an Signalen auf fachlich relevante Faktoren – zunächst auf etwa 100, danach KI-gestützt auf rund 20–30 Kernsignale als Basis für die datengetriebene Vorhersage.

Die Signale werden so zusammengefasst, dass ihr Einfluss auf die Nachfrage erkennbar wird – etwa durch Kombination von z.B. Inflationsraten, Konsumklima oder Einkommensquoten zur Ableitung von Kundensentiments. Der zentrale Vorteil besteht darin, externe Faktoren klar zu identifizieren und ihren Einfluss auf die Prognose zu quantifizieren. Dies erfolgt in drei Schritten:

1. Identifikation externer Indikatoren 
2. Definition und Analyse von Szenarien
3. Quantifizierung der Auswirkungen

Unter Verwendung eines geeigneten Szenario Analyse Applikationen besteht die Möglichkeit, verschiedene Ereignisse einzeln oder zusammen zu simulieren und die Auswirkungen dieses Szenarios auf den erwarteten Bedarf zu visualisieren. Zudem kann auch angezeigt werden, welchen Erklärungsbeitrag die einzelnen Indikatoren zur Berechnung der Prognose haben und somit, wie sie die künftigen Umsätze beeinflussen können.

Technische Umsetzung

Die technische Umsetzung einer modernen Nachfrageprognose folgt einem klaren Ablauf. Zunächst werden interne Daten wie historische Absätze und Preisinformationen sowie externe Informationen zu Markt, Wirtschaft und Trends gesammelt und aufbereitet. Durch vordefinierte Transformationen entstehen modellbereite Datensignale, welche in einer Modellierungspipeline einfließen. Hier werden verschiedene Modelle trainiert und evaluiert. Basierend auf dem besten Modell wird die Vorhersage für die neuen Daten berechnet. Die neu berechneten Prognosen werden anschließend in die benötigten Systeme übertragen, damit diese systematisch weiter prozessiert werden oder in Excel, wie auch Analyse-Dashboards ausgewertet werden können. Der gesamte Ablauf lässt sich vollständig in SAP IBP integrieren und automatisieren, wodurch der manuelle Aufwand deutlich sinkt.

Offensichtlicher Mehrwert für Unternehmen 

Die Integration einer KI-gestützten Nachfrageprognose in SAP IBP bietet zahlreiche Vorteile, die sich direkt auf die Effizienz und Wettbewerbsfähigkeit eines Unternehmens auswirken. Ein herausragender Nutzen ist die höhere Genauigkeit der Bedarfsvorhersagen, da unternehmensspezifische ML-Algorithmen umfangreichere Datensätze und fortgeschrittene Modellierungstechniken nutzen und die Vorhersagegenauigkeit von 60-70% auf bis zu 98% steigern. Dies führt wiederum zu einer Optimierung der Lagerhaltung und Produktionsplanung, da somit Über- und Unterkapazitäten bei gleichzeitiger Sicherstellung der Produktverfügbarkeit minimiert werden können.

Gleichzeitig steigt die Resilienz, denn externe Einflüsse werden in Echtzeit erkannt und Störungen früh vorhergesagt. Unternehmen, die KI-gestützte Vorhersagemodelle in ihrer Lieferkette nutzen, reagieren schneller auf Marktveränderungen und arbeiten effizienter. Prognosen entstehen in Minuten statt in Wochen, der manuelle Aufwand sinkt und die Abläufe werden transparenter. Trotz Automatisierung können Fachbereiche die Ergebnisse bei Bedarf anpassen, was Vertrauen schafft, und die Akzeptanz stärkt. Die Lösung fügt sich nahtlos in die bestehende Systemlandschaft ein und sorgt für einen durchgängigen Informations- und Wertfluss.

Das könnte Sie auch interessieren

Agentic AI in der ERP-Landschaft Warum Datenqualität zum entscheidenden Wettbewerbsfaktor wird

Künstliche Intelligenz verändert derzeit die Rolle klassischer ERP-Systeme. Während ERP-Lösungen weiterhin die operative Prozessabwicklung und Datenhaltung übernehmen, werden sie in vielen Unternehmen zunehmend durch spezialisierte KI-gestützte Forecasting-, Planungs- und Analyse-Systeme ergänzt. Dabei verbinden viele Unternehmen KI vor allem mit Automatisierung. Der größere Hebel liegt derzeit jedoch an anderer Stelle: in einer belastbaren Datenbasis. Datenqualität entwickelt sich damit zur Voraussetzung moderner Geschäftsprozesse – nicht nur in der Bedarfsplanung.

Agentic AI : Unterstützung statt Dashboard-Dschungel Wie aktive Agenten den Betriebs Workflow neu definieren

IT-Betriebsteams verwalten heute vielschichtige Ökosysteme mit immer mehr Tools für Monitoring, Observability, ITSM, CMDB, Automatisierung, Security und Asset-Management. Diese liefern aber selten ein einheitliches Lagebild. Koordinierte KI-Agenten, die Datenquellen zusammenführen, Ursachenhypothesen bilden, Maßnahmen vorschlagen und (im klar abgegrenzten Rahmen) Teile der Ausführung übernehmen, werden Teams zukünftig aktiver unterstützen.

Wissen im richtigen Moment verfügbar RAG als Brücke zwischen Dokumenten, Systemen und Nutzerfragen

Wie wird Wissen in ERP- und MES-Umgebungen genau dann verfügbar, wenn es gebraucht wird? Der Beitrag zeigt, wie integrierte Retrieval-Augmented Generation natürliche Fragen versteht, quellenbasierte Antworten liefert und Prozesse direkt im laufenden Betrieb unterstützt. Warum dabei Integration, Nachvollziehbarkeit und Datensouveränität entscheidend sind – und weshalb RAG im industriellen Umfeld weit mehr ist als nur ein KI-Trend.

Wie stabil ist meine Lieferkette? Über Datenbasis zur Strategie; strukturierte Resilienzbewertung ist heute nötiger denn je

Aktuelle Krisen und geopolitische Unsicherheiten setzen globale Lieferketten zunehmend unter Druck. Für Unternehmen wird es immer wichtiger, die Risiken ihrer Lieferkette zu erfassen und die Resilienz gezielt zu stärken. Nur so werden Störungen frühzeitig erkannt und kann flexibel darauf reagiert werden. Hierfür müssen die Risiken, denen die Lieferketten ausgesetzt sind, strukturiert aufbereitet werden. Die Resilienz der Lieferkette wird so zu einem strategischen Erfolgsfaktor.

BIM trifft ERP: Mit AAS zum digitalen Zwilling Planung und Betrieb rücken im digitalen Bauwesen zusammen

Die Digitalisierung des Bauwesens schreitet voran, doch zwischen Planung und Betrieb besteht weiterhin eine Lücke im Informationsfluss. Während BIM die Grundlage für die digitale Modellierung von Bauwerken liefert und ERP-Systeme betriebswirtschaftliche Prozesse steuern, sorgt die Asset Administration Shell (AAS) für die Verbindung beider Welten. Sie macht Daten aus Planung und Betrieb nutzbar und ebnet den Weg zum digitalen Zwilling.