Forecasting in der Unternehmenssteuerung – von der Hochr ... / 4.2 Fallbeispiel Getreidehandel

In dem zweiten Praxisbeispiel wird eine AI/ML-Absatzprognose verwendet, um die Erweiterung eines Getreidehandelsunternehmens mit Getreideveredelung besser zu planen. Solche Prognosen sind entscheidend für die Rentabilität der Trocknungsanlage, da sie den Lagerumschlag, die Amortisation und die logistische Planung innerhalb des Supply Chain Managements beeinflussen.

Besonders bei Verkaufszahlenprognosen in einem wettbewerbsorientierten Marktumfeld führen zahlreiche, unvorhersehbare Faktoren zu einer erhöhten Prognoseunsicherheit. Dazu zählen nicht nur typische Vertriebsänderungen wie Kundenstammdynamiken, Veränderungen in der Vertriebsgröße und Preisfluktuationen, sondern auch schwerwiegendere Faktoren wie Konjunkturentwicklungen und globale Ereignisse wie die COVID-19-Pandemie. Diese haben zu abrupten und grundlegenden Veränderungen in der globalen Wirtschaft geführt, die einige Branchen schwer getroffen und andere unerwartet begünstigt haben. In einer sich schnell wandelnden, multipolaren Welt führen geopolitische Verschiebungen und Handelsstreitigkeiten zu weiteren Unsicherheiten und Schwankungen z. B. in den Weizenpreisen, beeinflusst durch Änderungen in Handelsbeziehungen, Zöllen und geopolitischen Spannungen. Klimawandel und ökologische Veränderungen beeinflussen ebenfalls massiv die landwirtschaftliche Produktivität und damit die globalen Preise. In dieser komplexen Umgebung sind agile und zeitnahe Entscheidungen für die Maximierung des Unternehmensgewinns entscheidend. Spekulative Marktbewegungen erhöhen das Risiko, weshalb ein tiefes Verständnis des Marktes und effektives Risikomanagement unerlässlich sind. Präzise Umsatzprognosen, die durch fortschrittliche AI-basierte Systeme unterstützt werden, ermöglichen es, Ressourcen effizient zu planen und Marktchancen proaktiv zu nutzen, um ihre Wettbewerbsposition zu stärken und das Wachstum voranzutreiben.

Abb. 11 zeigt die Planungsgenauigkeit für eine bestimmte Getreidesorte im Vergleich zum tatsächlichen Absatz. Die größten Summen der Fehlerquadrate ergeben sich wegen eines Umsatzsprungs, ausgelöst durch den starken Preisanstieg mit ungefährem Beginn des Monates März 2022 (Ukrainekrieg). Trotz des Preisschocks blieb das Modell für die monatliche Voraussage über die weitesten Teile der Prognose innerhalb geringer und annehmbaren Fehlersummen.

Abb. 11: Predicted vs. Actual Summe von Tonnage Getreideart, Durchschnittswert aller Kunden

In einigen Fällen wurde eine Erhöhung der Prognosegenauigkeit von bis zu 100 % berichtet.^[1] In diesem Sinne leistet AI und ML im Zuge der Digitalisierung einen wesentlichen Beitrag zur Profitabilität und Nachhaltigkeit eines Unternehmens. Die wöchentliche, monatliche oder quartalsbezogene Prognose der Verkaufsmengen für Produktion und Disposition der Produkte ist ebenso entscheidend wie ein längerfristiger Forecast für die (rollierende) Budgetierung.

[1] Vgl. Khan et al., 2024, S. 24.