Neuronale Netze – empirisch überprüft in DISKOVER 

In Ergänzung zu statistischen Methoden der Absatzprognose gewinnen KI-Methoden, wie v.a. neuronale Netze immer mehr an Bedeutung. Aber auch neuronale Netze kämpfen mit dem Problem, dass Sie chaotisches Marktverhalten nicht voraussagen können. Das Verhalten der Märkte und Kunden ist bis zu einem gewissen Grad leider fast immer chaotisch, wie ein Blick in kontinuierlich empirisch erhobene Daten zeigt.

Chaos kann man nicht prognostizieren, das Ausmaß des Chaos kann man aber messen und mittels Sicherheitsbestand versuchen zu kompensieren. Die Schlacht der Prognostik wird deshalb mit Sicherheitsbeständen gewonnen.

Prognoseverfahren und Sicherheitsbestandsverfahren sind miteinander verwoben. Daher hängt der Erfolg einer Bedarfsplanung davon ab, dass die Methode der Prognoseermittlung gut mit der Methode der Sicherheitsbestandsermittlung im dynamischen Zeitverlauf – und nicht nur im statistischen Durchschnitt – harmoniert.

Um die richtige „Verfahrenskombination“ von Prognoseverfahren und Sicherheitsbestandsverfahren zu finden, setzt DISKOVER deshalb auf eine dynamische empirische Simulation auf der Basis realer Daten aus der Vergangenheit. Dieser Simulation müssen sich in DISKOVER auch Prognosen auf Basis künstlicher Intelligenz unterwerfen, um ihre Belastbarkeit für den praktischen Einsatz im Planungs- und Dispositionsprozess zu beweisen.

DISKOVER überprüft deshalb die ausgewählte Verfahrenskombination typischerweise monatlich für jeden einzelnen Artikel mittels Simulation und entscheidet selbständig, welche Verfahrenskombination für einen Artikel am besten geeignet ist. Das für jeden Artikel ermittelte Prognose- sowie das zugehörige Sicherheitsbestandsverfahren werden automatisch angewandt. Diese simulative Optimierung in DISKOVER ist ein entscheidender Erfolgsfaktor für eine belastbare Bedarfsplanung und damit für eine stärker automatisierbare Disposition.