Fraunhofer Austria
Fraunhofer Austria

Fritz Holter GmbH und Gebr. Lotter KG | Potenzial von KI in der Lagerbestandsoptimierung

© Fraunhofer Austria, Holter

Hohe Liefertreue und Servicegrade konkurrieren in den meisten Fällen mit einer wirtschaftlichen Lagerhaltung. Deshalb haben wir KI-Algorithmen erforscht, welche die Bestellvorschläge generieren, die die Verfügbarkeit von Teilen sicherstellen und gleichzeitig die Lagerkosten möglichst gering halten.

Gemeinsam mit den beiden Großhandelsunternehmen Fritz Holter GmbH und Gebr. Lotter KG entwickelte das Team der Fraunhofer Austria Research GmbH und des Fraunhofer-Instituts für Integrierte Schaltungen IIS eine Softwarelösung, die durch Anwendung innovativer KI-Algorithmen dabei unterstützt, Bestandskosten nachhaltig zu senken – ohne die Warenverfügbarkeit zu beschränken.

Das Potenzial der KI-Algorithmen liegt insbesondere darin größere Datenmengen effizienter verarbeiten zu können. Bei der Bedarfsprognose werden dabei bspw. Zusammenhänge im Absatzverhalten ähnlicher Artikel identifiziert und für die Erstellung einer verbesserten Prognose verwendet. Bei der Berechnung der Bestellvorschläge hat das KI-Modell erlernt, verschiedene Szenarien zur Bestandsentwicklung zu beurteilen und davon, je nach gefordertem Verfügbarkeitsniveau, optimierte Bestellvorschläge abzuleiten.

In einer abschließenden Vergleichsstudie konnte gezeigt werden, dass im Vergleich zu aktuell eingesetzten Softwarelösungen die Bestandskosten um 10-30% reduziert werden können bei gleichzeitiger Sicherstellung der geforderten Verfügbarkeit.

© Fraunhofer Austria
© Fraunhofer Austria
© Fraunhofer Austria

Fact Box

Projekt: Dynamische Optimierung der Materialdisposition
projektdauer: 22 Monate
methoden: Mittels Deep Autoregressive Recurrent Networks (DeepAR) werden detaillierte Bedarfsprognosen je Artikel erstellt. Diese berücksichtigen neben historischer Absatzmengen und Saisonalitäten auch Abhängigkeiten zwischen Artikelgruppen sowie Rabattaktionen.
Daraus werden durch Anwendung von Deep Reinforcement Learning optimierte Bestellvorschläge für die Disposition errechnet. Der Algorithmus vergleicht dabei verschieden Bedarfsszenarien und bestimmt unter Berücksichtigung der erwarteten Lieferzeit und des geforderten Servicelevels, ob eine Nachschubbestellung ausgelöst werden solle.
projektergebnisse: Das Ergebnis des Projektes ist eine entwickelte Softwarelösung zum operativen Einsatz in Unternehmen. Durch Anwendung innovativer KI-Methoden konnte bei zwei Großhandelsunternehmen retrospektiv gezeigt werden, dass die Kapitalbindung um 10-30% im Vergleich zu aktuell eingesetzter Algorithmik reduziert werden kann – bei gleichzeitiger Sicherstellung der geforderten Verfügbarkeit.