Business Intelligence Fallstudie — B. Braun SE
Business Analytics-basiertes Vorhersagemodell senkt Kapitalbindungskosten
Für eine bessere Kontrolle des Working Capital ist eine möglichst frühe Vorhersage des Lagerbestandswerts entscheidend. Gemeinsam mit der B. Braun SE haben wir eine Lagerbestandsprognose mit BI Analytics-Algorithmen entwickelt, die auf einen Horizont von 12 Monaten eine mittlere Abweichung von nur 2,57 % zum tatsächlichen Wert erreicht.
Das Projekt auf einen Blick
01
Herausforderung
In Vorräten gebundenes Kapital ist gerade für produzierende Unternehmen eine ständige Herausforderung – Bestände sind so gering wie sinnvoll möglich zu halten.
02
Ansatz
Zeitreihen-Profiling und automatisierte Modellauswahl je Aggregationsebene, ergänzt um eine multiple Regression auf Konzernebene – umgesetzt in Python.
03
Ergebnis
Auf Konzernebene eine mittlere Abweichung von 2,57 % über 5 Jahre – im besten Jahr nur 0,5 % – bei einem Vorhersagehorizont von 12 Monaten.
Der Kontext
Die Herausforderung
Das in Vorräten und Beständen gebundene Kapital ist insbesondere für produzierende Unternehmen eine ständige Herausforderung. Bestände sind sowohl im Supply Chain Management als auch in der Lagerhaltung nach der Produktion so gering wie sinnvoll möglich zu halten.
Die Produktionen des B. Braun Konzerns gliedern sich weitgehend in Serien- und Massenproduktion. Bei der Massenproduktion erfolgt eine Produktion auf Lager, dessen Bestand je nach Abnahme, produzierter Menge und weiteren Einflussfaktoren schwankt – für das Controlling ist daher eine möglichst frühe Wertvorhersage zentral.
Ziele des Projektes
- Den Wert der Lagerbestände frühzeitig und verlässlich vorhersagen.
- Auf dieser Basis Steuerungsmaßnahmen zur Kontrolle des Working Capital ermöglichen.
- Vorhersagen über Produkte, Länder, rechtliche Einheiten und weitere Aggregationsebenen hinweg ermöglichen.
Werkzeuge & Architektur
Modular in Python – erweiterbar bis in die Cloud
Da es um die Beurteilung der Machbarkeit und das Sammeln von Erfahrungen ging, wurde für B. Braun mit Python gearbeitet. Der modulare Aufbau macht eine Erweiterung sehr effektiv – etwa um Methoden des maschinellen Lernens (KI).
Parallel wurden die betrauten Mitarbeitenden von B. Braun ausgebildet, sodass Verfahren, Technologien und das eigentliche Skript verständlich wurden. In den kommenden Stufen lässt sich der Code flexibel in Cloud-Umgebungen (SAP Analytics Cloud oder Microsoft Azure), auf intern gehosteten Servern oder über die PAL on premise im SAP-HANA-Kern nutzen; verschiedene Oberflächenwerkzeuge können auf die Prognosen zugreifen.
01
Vorgehen
Profiling & automatisierte Modellauswahl
Zunächst wählte B. Braun für einzelne Produktgruppen repräsentative Produkte aus, um auf breiter Datenbasis Verfahren zur Vorhersage von Menge und Preis anzuwenden – auf den Ebenen Land, rechtliche Einheit, Produkt und weiteren Aggregationsebenen.
Die Zeitreihen durchliefen ein automatisiertes Profiling, das Charakteristika wie Relevanz, Komplexität, zeitliche Muster und Stabilität extrahiert und passende Vorverarbeitungsschritte übernimmt. Pro Zeitreihe wählt der Ansatz automatisiert die beste Vorhersage je Aggregationsebene. Im POC ließ sich so eine passende Vorhersagbarkeit auf die Horizonte 3, 6, 9 und 12 Monate über sechs Granularitäten realisieren.
02
Vorgehen
Regression auf Bilanzniveau
Die über viele Produkte ausgerollten Vorhersagen erzielten zum Teil sehr präzise Ergebnisse. Lediglich bei Produkten mit Projektgeschäft schwankte die Güte, sodass der auf Bilanzniveau kumulierte Wert Abweichungen aufwies.
Daher wurde in einem zweiten Schritt eine Regressionsanalyse ergänzt, um diese Ebene direkt vorherzusagen. Treiber wie Stahl- oder Ölpreise gingen in den Test ein – im Ergebnis entstand eine multiple Regression, die auf Konzernebene die hohe Vorhersagegüte liefert.
Das Ergebnis
12 Monate vor dem Stichtag lässt sich der Lagerbestandswert aus Mengen- und Preisprognose auf Konzernebene mit einer mittleren Abweichung von 2,57 % über 5 Jahre vorhersagen – im besten Jahr nur 0,5 %.
Mit 95 % Wahrscheinlichkeit liegt der Vorhersagefehler laut Konfidenzintervall zwischen 0,5 % und 4,7 %. Ein weiterer Mehrwert: Durch die umfangreiche Datenanalyse wurden Zusammenhänge und Effekte für die Fachanwender sichtbar, die auf herkömmlichem Weg bislang unentdeckt blieben.
Eingesetzte Methoden & Technologien
Python · Zeitreihen-Profiling · Automatisierte Modellauswahl · Multiple Regression · SAP Analytics Cloud · Microsoft Azure · SAP HANA PAL · Machine Learning (KI)
Kapitalbindung senken – mit verlässlichen Prognosen
Sie möchten Lagerbestände, Absatz oder Preise frühzeitig vorhersagen und Ihr Working Capital aktiv steuern? Wir entwickeln modulare Prognosemodelle – vom Proof of Concept bis in den produktiven Betrieb, on premise oder in der Cloud.
