- Sporadischer Bedarf heißt: viele Perioden ohne Verbrauch, dazwischen einzelne Bedarfe, mal in ähnlicher, mal in stark wechselnder Höhe. Glättung und gleitende Durchschnitte liegen hier systematisch daneben, direkt nach einem Bedarf meist zu hoch.
- Trennen Sie zuerst den planbaren Bedarf aus Wartung und Revisionen ab. Für den Rest passen Verfahren nach Croston und probabilistische Prognosen, die angeben, wie wahrscheinlich welche Menge ist.
- Der MAPE ist in Perioden ohne Bedarf nicht definiert. Messen Sie mit Kennzahlen, die Nullwerte vertragen, und am Ende an Verfügbarkeit und Bestand.
- Wie viel Sicherheit ein Teil braucht, entscheiden die Folgen eines Ausfalls. Ob ein KI-Modell mehr leistet als Croston, zeigt erst der Vergleich auf Ihren eigenen Daten.
Woran Sie sporadischen Bedarf erkennen
Ein Schnelldreher wird fast jede Woche gebraucht, in ähnlichen Mengen. Ein typisches Ersatzteil dagegen monatelang gar nicht, dann zwei Stück, dann wieder lange nichts. Beschreiben lässt sich dieses Muster mit dem mittleren Abstand zwischen zwei Bedarfen und der Schwankung der Bedarfsmengen.
| Muster | Kennzeichen | Was meist passt |
|---|---|---|
| Glatt | Bedarf in fast jeder Periode, ähnliche Mengen | Klassische Prognosemodelle, etwa die im SAP-Materialstamm |
| Schwankend | Bedarf in fast jeder Periode, stark wechselnde Mengen | Klassische Modelle oder Croston-Varianten; Ausreißer wie Großaufträge getrennt planen |
| Intermittierend | Lange Pausen, ähnliche Mengen | Verfahren nach Croston und seine Weiterentwicklungen |
| Klumpig | Lange Pausen, stark wechselnde Mengen | Croston-Varianten oder probabilistische Prognosen, Sicherheit nach Ausfallfolgen |
Die Grenzen zwischen den Mustern haben Syntetos, Boylan und Croston 2005 bestimmt. Sporadisch ist Bedarf bei einem mittleren Abstand von mehr als 1,32 Perioden zwischen zwei Bedarfen. Stark wechselnd sind die Mengen bei einem quadrierten Variationskoeffizienten über 0,49, einem Maß für ihre Streuung.
Das Muster hängt vom Zeitraster ab. Ein Teil, das jeden Monat gebraucht wird, kann auf Wochenbasis sporadisch sein. Werten Sie deshalb in dem Raster aus, in dem Sie disponieren.
Warum Mittelwerte und Glättung danebenliegen
Ein Beispiel mit angenommenen Werten: Ein Teil wird in zwölf Monaten dreimal gebraucht, einmal drei Stück, einmal eines und einmal zwei. Im Mittel ist das ein halbes Stück pro Monat. Diese Menge tritt nie auf, und sie sagt nichts darüber, ob der Bestand für den nächsten Ausfall reicht.
Exponentielle Glättung, im SAP-Materialstamm etwa das Konstantmodell, springt nach jedem Bedarf nach oben und sinkt in den Monaten ohne Bedarf langsam ab. Bestellt wird aber meist direkt nach einem Bedarf, wenn der Bestand gefallen ist. Genau dann liegt die Prognose zu hoch, und es wird zu viel bestellt.
Croston hat diesen Effekt 1972 beschrieben und dafür das Verfahren entwickelt, das seinen Namen trägt. Findet die automatische Modellauswahl in SAP kein regelmäßiges Muster, wählt sie das Konstantmodell, also genau diese Glättung.
Auch der Sicherheitsbestand leidet. SAP rechnet ihn bei der maschinellen Bestellpunktdisposition aus Servicegrad, Wiederbeschaffungszeit und der mittleren absoluten Abweichung der Prognose.
Der Sicherheitsfaktor folgt dabei der Normalverteilung und unterstellt Abweichungen, die symmetrisch um den Mittelwert streuen. Für sporadischen Bedarf passt diese Annahme nicht: Er ist meist null und selten deutlich höher.
Erst den planbaren Bedarf abtrennen
Nicht jeder Ersatzteilbedarf ist Zufall. Teile für Wartungspläne, Inspektionen und geplante Stillstände sind oft Wochen vorher bekannt. In SAP kommen sie über die Reservierungen der Instandhaltungsaufträge in die plangesteuerte Disposition.
Bei der Bestellpunktdisposition zählen solche Reservierungen nur, wenn das Dispositionsmerkmal externe Bedarfe einbezieht, im Standard V1 oder V2. Welche Reservierungen dazugehören, regelt das Customizing. Sonst merkt die Disposition den geplanten Bedarf erst bei der Entnahme.
Bei plangesteuerten Materialien führt SAP neben dem Gesamtverbrauch den ungeplanten Verbrauch, also Entnahmen ohne Reservierung oder über die reservierte Menge hinaus. Im Customizing des Dispositionsmerkmals legen Sie fest, ob die Prognose den Gesamtverbrauch oder nur den ungeplanten Verbrauch verwendet. So prognostizieren Sie nur, was wirklich ungeplant ist.
Verfahren für sporadischen Bedarf
Croston trennt die Höhe eines Bedarfs vom Abstand bis zum nächsten. Beide Werte glättet das Verfahren getrennt und nur nach einem tatsächlichen Bedarf; die Prognose je Periode ist die Höhe geteilt durch den Abstand. Für das Beispiel oben heißt das: zwei Stück etwa alle vier Monate.
Rechnerisch bleibt es bei einem halben Stück je Monat. Der Unterschied liegt im Verlauf: Die Prognose springt nach einem Bedarf nicht automatisch nach oben und bleibt in den leeren Monaten stehen. Und die Disposition sieht, worauf sie sich einstellen muss, nämlich auf einen seltenen Bedarf von zwei Stück.
| Verfahren | Idee | Stärke | Grenze |
|---|---|---|---|
| Croston | Höhe und Abstand der Bedarfe getrennt glätten | Kein Sprung nach jedem Bedarf | Überschätzt den Bedarf leicht und bleibt in langen Pausen unverändert |
| Croston mit Korrektur nach Syntetos und Boylan | Croston mit einem Korrekturfaktor | Nimmt die Überschätzung weitgehend heraus und ist einfach umzusetzen | Bleibt eine einzelne Zahl ohne Aussage zur Streuung |
| TSB, benannt nach Teunter, Syntetos und Babai | Wahrscheinlichkeit eines Bedarfs statt des Abstands, in jeder Periode aktualisiert | Sinkt, wenn ein Teil nicht mehr gebraucht wird, und zeigt so Auslaufteile | Reagiert auch auf zufällige lange Pausen |
| Probabilistische Prognose | Wahrscheinlichkeit jeder Bedarfsmenge in der Wiederbeschaffungszeit, aus einer Verteilung oder aus der eigenen Historie | Liefert direkt den Bestand für einen gewünschten Servicegrad | Braucht genug Historie oder gut begründete Annahmen |
Für die Disposition zählt am Ende, welcher Bestand mit welcher Wahrscheinlichkeit über die Wiederbeschaffungszeit reicht. Probabilistische Prognosen beantworten das direkt.
Vereinfacht mit dem Beispiel oben und einem Monat Wiederbeschaffungszeit: In drei von vier Monaten kommt kein Bedarf, sonst einer von ein, zwei oder drei Stück. Ein Stück am Lager reicht dann in gut acht von zehn Monaten, zwei Stück in gut neun von zehn. Welche Quote genügt, entscheidet die Kritikalität des Teils.
In SAP hinterlegen Sie das Ergebnis etwa als Meldebestand der manuellen Bestellpunktdisposition und aktualisieren ihn regelmäßig per Massenpflege.
Prognosegüte messen, wenn der Bedarf meist null ist
Der MAPE, die mittlere absolute prozentuale Abweichung, ist eine verbreitete Kennzahl für Prognosegüte. Er teilt jede Abweichung durch den tatsächlichen Bedarf. In Perioden ohne Bedarf ist das eine Division durch null, der MAPE ist dort nicht definiert.
Lässt man diese Perioden weg, bewertet der MAPE nur die Monate mit Bedarf. Eine Prognose, die in den leeren Monaten Bestand aufbaut, fällt dann nicht auf. Für Teile mit regelmäßigem Bedarf bleibt der MAPE eine gute, verständliche Kennzahl.
Für sporadischen Bedarf eignen sich andere Maße, etwa der MASE, den Rob Hyndman 2006 dafür vorgeschlagen hat. Auch MASE und WAPE haben eine Grenze: Bei vielen Nullen schneidet eine Prognose von null oft gut ab, obwohl sie nie ein Teil bereitstellt. Deshalb gehören Bias und Simulation dazu.
| Kennzahl | Was sie zeigt | Bei Perioden ohne Bedarf |
|---|---|---|
| WAPE, der gewichtete MAPE | Summe der Abweichungen im Verhältnis zur Summe der Bedarfe | Rechenbar, solange im Zeitraum Bedarf auftritt; begünstigt Prognosen nahe null |
| MASE, der mittlere absolute skalierte Fehler | Abweichung im Verhältnis zu einer einfachen Vergleichsprognose; unter 1 heißt genauer als diese | Rechenbar, begünstigt aber Prognosen nahe null |
| Bias, die systematische Abweichung | Ob die Prognose im Mittel zu hoch oder zu niedrig liegt | Rechenbar; zu hoch heißt Bestandsaufbau |
| Abdeckung | Ob ein Bestand, der in neun von zehn Fällen reichen soll, rückblickend so oft gereicht hat | Rechenbar, für probabilistische Prognosen |
| Simulation | Bestand und Servicegrad, die mit der Prognose entstanden wären | Maßstab für die Entscheidung |
Entscheidend ist, was die Prognose im Lager bewirkt. Spielen Sie deshalb jedes Verfahren auf Ihrer eigenen Historie durch und vergleichen Sie Bestand und Servicegrad, die dabei entstanden wären.
Sicherheit nach Ausfallfolgen bemessen
Ein einheitlicher Servicegrad für alle Ersatzteile führt in die Irre. Ein Teil, dessen Fehlen eine Linie stilllegt, braucht eine andere Absicherung als eines, für das es eine Umgehung gibt. Die Kritikalität legen Instandhaltung und Produktion fest, die Disposition setzt sie um.
Servicegrad kann zweierlei meinen: die Wahrscheinlichkeit, dass in der Wiederbeschaffungszeit nichts fehlt, oder den Anteil der Menge, der sofort ab Lager geliefert wird. SAP beschreibt das Feld im Materialstamm als Mengenanteil, nimmt den Sicherheitsfaktor aber aus der Normalverteilung, wie für eine Wahrscheinlichkeit. Legen Sie fest, welches Maß gilt, und messen Sie genau dieses.
| Folge eines Fehlteils | Wiederbeschaffung | Bevorratung |
|---|---|---|
| Anlage steht, Sicherheit oder Umwelt betroffen | Lang | Bevorraten, auch ohne Verbrauch in der Historie; Zustand und Lagerfähigkeit regelmäßig prüfen |
| Anlage steht | Kurz | Kleiner Bestand oder vereinbarte Schnelllieferung, etwa über einen Rahmenvertrag |
| Leistung eingeschränkt, Umgehung möglich | Lang | Bestand nach Prognose und Servicegrad, mit niedrigerem Zielwert |
| Kein Einfluss auf den Betrieb | Kurz | Nicht bevorraten, bei Bedarf beschaffen |
Wo mehrere Werke dieselben Teile einsetzen, kann ein gemeinsamer Bestand die Absicherung für alle tragen, wenn der Transport schnell genug ist. Für dieselbe Absicherung braucht er meist weniger Teile als viele einzelne Bestände.
Bei Teilen mit regelmäßigem Verbrauch liegen die Hebel dagegen eher bei Losgrößen und Sicherheitsbeständen.
Wann sich KI-Prognosen lohnen
KI-Modelle können Einflussgrößen nutzen, die eine Verbrauchshistorie nicht kennt, etwa Laufzeiten und Alter der Anlagen, Wartungshistorie oder geplante Stillstände. Bei sporadischem Bedarf ist aber auch ihre Datengrundlage dünn.
In einem Projekt zur KI-gestützten Bedarfsprognose für Ersatzteile haben wir Projektleitung und Product Ownership übernommen. Prognose, Simulation und die Messung der Prognosegüte haben wir fachlich gesteuert und die Ergebnisse abgenommen.
Unser Maßstab für solche Projekte: Ein KI-Modell geht erst in den Betrieb, wenn es auf derselben Historie messbar besser abschneidet als einfachere Verfahren. Gemessen wird an Bestand und Servicegrad, nicht allein am Prognosefehler. Bei einem Pilotprojekt sollten Sie diese Punkte verlangen.
- Vergleich mit der heutigen SAP-Einstellung und mit Croston-Varianten auf derselben Historie
- Kennzahlen, die Perioden ohne Bedarf vertragen, dazu der Bias
- Simulation von Bestand und Servicegrad, getrennt nach Bedarfsmuster und Kritikalität
- Begründungen, die Disponenten nachvollziehen können
- Ein festgelegter Weg der Ergebnisse ins SAP-System, etwa als Meldebestand
- Eine klare Zuständigkeit im Betrieb, also wer die Prognosegüte überwacht und wer das Modell nachtrainiert
Häufige Fragen
Kann SAP sporadischen Bedarf nach Croston prognostizieren?
Mit den klassischen Prognosemodellen im Materialstamm nicht. Dort wählen Sie zwischen Konstant-, Trend- und Saisonmodellen, gleitenden Durchschnitten und Glättung zweiter Ordnung.
Planungswerkzeuge wie SAP Integrated Business Planning (IBP) kennen Croston-Varianten. Ihre Ergebnisse, etwa Meldebestand oder Sicherheitsbestand, kommen über eine Schnittstelle oder per Massenpflege in den Materialstamm.
Was tun mit Teilen, die seit Jahren nicht gebraucht wurden?
Prüfen Sie zuerst, ob die Anlage, für die das Teil gedacht ist, noch läuft. Läuft sie nicht mehr, ist das Teil ein Kandidat für Verkauf oder Verschrottung; läuft sie noch, entscheidet die Kritikalität. Verfahren wie TSB machen solche Teile früh sichtbar, weil ihre Prognose in langen Pausen sinkt.
Wie viel Historie braucht eine Ersatzteilprognose?
So viel, dass je Teil mehrere Bedarfe vorliegen; bei Ersatzteilen sind das oft mehrere Jahre. Fehlt Historie, etwa bei neuen Anlagen, helfen Vergleichsteile, Herstellerangaben zum Verschleiß und die Zahl der eingebauten Teile.
Gilt das auch für Ersatzteile, die wir an Kunden verkaufen?
Ja, die Verfahren sind dieselben. Den Servicegrad bestimmt dann die Lieferfähigkeit, die Sie Ihren Kunden zusagen, statt der Ausfallfolgen im eigenen Werk. Als Einflussgrößen kommen die Zahl der Geräte im Markt und das Auslaufen einer Baureihe dazu.
Wie wir unterstützen
Wir teilen Ihre Ersatzteile nach Bedarfsmuster ein und messen die Güte der heutigen Prognose. Die Ausfallfolgen legen Instandhaltung und Produktion fest, wir übersetzen sie in Meldebestände und Sicherheitsbestände. Den Anfang macht die Analyse von Beständen und Dispoparametern.
Planen Sie ein KI-Prognoseprojekt, übernehmen wir Projektleitung und Product Ownership auf Ihrer Seite und machen die Prüfpunkte oben zum Maßstab der Abnahme. Beides gehört zu unserer Leistung Supply Chain Planning und Bestandsoptimierung.