Vorhersagemethoden: Diese Methoden dienen der Vorhersage einer bestimmten Kenngröße in der Supply Chain. Dies kann der Forecast sein oder wie beim Demand Sensing das kurzfristige Bestellverhalten des Kunden. Zum Einsatz kommen hier neuronale Netze, Entscheidungsbäume (Gradient Boosting of decision trees), aber auch klassische Forecast-Methoden wie ARIMA, exponentielle Glättung oder Modelle wie die lineare Regression.
Klassifizierungsmethoden: Im Gegensatz zu Vorhersagemethoden trifft man hier die Aussage, ob dem Datensatz eine bestimmte Eigenschaft zugeordnet werden kann. Ein typisches Beispiel ist die Objekterkennung, bei der die Objekte auf einem Bild bestimmt werden. Eine zweite Anwendung in der Supply Chain ist die Zuordnung von Produkten in bestimmte Familien aufgrund ihrer charakteristischen Eigenschaften. Des Weiteren können Eigenschaften in Zeitreihen erkannt werden, beispielsweise die Saisonalität oder einen linearen Trend. Auch die Analyse von Texten ist hier ein wichtiger Anwendungsfall, der die Suche nach Vorgänger- und Nachfolgerbeziehungen erleichtert.
Mustererkennung: Diese Methode dient dazu, Gemeinsamkeiten aus einer Vielzahl von Produkten zu erkennen. Im Gegensatz zur Klassifizierung liegen die Eigenschaften der Klasse hier nicht vor. Es ist die Aufgabe des Algorithmus, die verschiedenen Gruppen zu definieren. Einige Methoden sind zusätzlich in der Lage, die Produktcluster in eine hierarchische Abfolge zu bringen und die jeweiligen Datensätze diesen Gruppen zuzuordnen. Eine der gängigsten Clustermethoden ist der k-Means-Algorithmus.
Optimierung: Dies ist ein vollständig eigenständiges Feld, dem auch Simulationen zuzuordnen sind. Der Algorithmus hat das Ziel, Lösungen auf Basis vordefinierter Randbedingungen zu finden. Dies können beispielsweise Lieferzeiten und Fertigungskapazitäten sein, um einen Fertigungsplan zu optimieren, aber auch LKW-Routen dienen dazu, einen optimalen Auslieferplan zu bestimmen. Der Algorithmus berechnet dann eine Vielzahl von Lösungen und versucht, die beste Lösung zu priorisieren.
Eine Vielzahl der genannten AI Methoden kommt im Rahmen einer Supply Chain Analytics Beratung zum Einsatz. Wir können Methoden und Modelle, die sich im Pilotprojekt bewährt haben, im Rahmen einer Cloud Anwendung schnell in den produktiven Bereich transferieren und skalieren.