ERFAHRUNGSBERICHT // STEINEMANN
Signifikante Verbesserungen in der Produktionsplanung durch KI-gestützte Vorhersagen
Mit Qlik und SLA als Partner revolutioniert Steinemann die Datenanalyse und hebt den Unternehmenserfolg dank KI auf ein neues Level.
90
Prozent
beträgt die Präzision der Vorhersagen.
1000
Tonnen
Lebensmittel werden nicht verschwendet.
Echtzeit
Produktionszahlen
können jetzt in der Planung verwendet werden.
HERAUSFORDERUNG
Erfahrungswerte bestimmen die Produktionsprozesse
In der Fleischproduktion stellt die präzise Rohstoffplanung eine große Herausforderung dar, da Entscheidungen bisher oft auf Erfahrungswerten basieren mussten. Prognosen über den Rohstoffbedarf sind schwierig, da Bestellungen oft erst spät eintreffen und zusätzliche Faktoren wie Wetter, Aktionen und Lagerkosten die Planung erschweren.
Um dies zu verbessern, setzte das Unternehmen Steinemann auf datenbasierte Ansätze mit Machine Learning (ML) und historischen Produktionsdaten. Gemeinsam mit dem Qlik ISV Partner SLA wurde untersucht, wie diese Technologien die Planung effizienter und genauer machen können.
LÖSUNG
Datenanalyse trifft auf Künstliche Intelligenz
Das Unternehmen nutzte historische Verkaufsdaten, um einen Prototypen zur Bedarfsprognose in der Lebensmittelproduktion zu entwickeln. Erste Tests zeigten eine Übereinstimmung von über 90 Prozent zwischen den Vorhersagen und den tatsächlichen Verkaufszahlen – weit besser als manuelle Schätzungen.
Durch die Einbeziehung zusätzlicher Faktoren wie Wochentage, Artikelnummern und Aktionen wurden die Prognosen weiter präzisiert. Über eine Schnittstelle wird das Ergebnis von Qlik in das bestehende ERP-System integriert.
ERGEBNIS
Mit KI zum Branchen-Vorreiter
Die präzisen Prognosen mithilfe von Qlik AutoML verbessern die Rohstoffplanung in der Fleischproduktion erheblich. Dank Machine Learning konnten komplexe Variablen wie Marktgröße und Lagerpositionen bewältigt werden.
Das System optimiert auch logistische Aspekte, wie den Einkauf von Verpackungsmaterialien und Gewürzen, und senkt die Fehlerquote. Die Integration ins bestehende ERP-System führte zu mehr Effizienz, Kostenersparnis und Nachhaltigkeit, indem unnötige Lagerung und Verschwendung reduziert wurden, was Tierwohl und Umweltschutz fördert.
WAS DAS FÜR SIE BEDEUTET
Präzise Bedarfsprognosen optimieren den Betrieb
Mithilfe von Qlik AutoML können tiefgehende Analysen erstellt werden, um fundierte Geschäftsentscheidungen zu treffen. Präzise Bedarfsprognosen unterstützen das Unternehmen dabei, die Effizienz zu steigern und Fehlerquoten sowie Kosten zu senken, was sich letztlich positiv auf die Nachhaltigkeit auswirkt.
Wir haben die KI-generierten Vorhersagen den Verkaufsdaten gegenübergestellt und ich habe selber nicht glauben können, dass diese derart deckungsgleich sind.
