Das Lieferkettenmanagement verwendet häufig die Regressionsanalyse, um Beziehungen zwischen Variablen zu analysieren und Vorhersagen über zukünftige Ergebnisse zu treffen. Beispielhafte Anwendungsdomänen sind die Steuerung von Produktionsniveaus, Bestandsniveaus, Transportkosten, Lieferzeiten, Kundennachfrage, Ausschussreduzierung und Kundenzufriedenheit. Im heutigen Blogbeitrag schreibe ich über die Regressionsanalyse, ihre Anwendung im SCM und ihre Integration in die wichtigsten ERP-Systeme für SCM. Ich werde mich auf Bedarfsprognosen und Bestandskontrolle konzentrieren. Dennoch unterstützt die Regressionsanalyse zB auch die Transportkostenanalyse und Entscheidungsfindung sowie zB die Identifikation von Haupttreibern der Kundenzufriedenheit.

Regressionsmodelle für Nachfrageprognosen und Bestandskontrolle

Mehrere Arten von Regressionsmodellen werden häufig für Bedarfsprognosen und Bestandskontrollen verwendet. Jeder Modelltyp ist in einigen Bereichen stark und in anderen schwach. Unternehmen prüfen sorgfältig, welches Modell ihren Anforderungen am besten entspricht, bevor sie Bedarfsprognosen oder Bestandskontrollanalysen durchführen.

Lineare Regression

Linera-Regressionsmodelle gehen davon aus, dass die Beziehung zwischen der Nachfrage nach einem Produkt und einer oder mehreren Prädiktorvariablen linear ist. Anwendungen mit linearen Regressionsmodellen können beispielsweise die Haupttreiber der Nachfrage finden und dadurch die Priorisierung, Entscheidungsfindung und Planung unterstützen. Sie können beispielsweise versuchen, ein lineares Regressionsmodell an Daten anzupassen, die Preise und Nachfrage nach einem Produkt vergleichen. Wie stark erhöhen Promotions, also Preisnachlässe, die Nachfrage?

Die zugrunde liegende Annahme ist, dass eine Preissenkung die Nachfrage erhöht. Die lineare Regression geht, wie gesagt, davon aus, dass diese Beziehung linear ist. SCM-Abteilungen verwenden häufig und häufig die lineare Regression. Wenn klar ist, dass ein Zusammenhang nicht linear, sondern z. B. polynomial ist, können stattdessen nichtlineare Regressionsmodelle wie polynomiale Regressionsmodelle angewendet werden.

Zeitreihenregression

Zeitreihen-Regressionsmodelle werden verwendet, wenn die Daten Trends oder Muster enthalten, die sich im Laufe der Zeit ändern. Beispiele sind saisonale Schwankungen oder anhaltendes langfristiges Wachstum. In diesen Modellen werden die historischen Nachfragedaten verwendet, um Muster zu identifizieren, die dann verwendet werden, um die zukünftige Nachfrage vorherzusagen. Die Zeitreihenregression hilft bei der Schätzung der erforderlichen Lagerbestände im Sommer, während der Feiertage und während des ganzen Jahres.

Logistische Regression

Die logistische Regression ist ein Modelltyp, der häufig für die Bestandskontrolle verwendet wird, wenn die Daten binäre Ergebnisse enthalten, z. B. ob ein Produkt auf Lager oder nicht auf Lager ist. Diese Art von Modell kann verwendet werden, um die Wahrscheinlichkeit vorherzusagen, dass ein Produkt ausverkauft sein wird, basierend auf Faktoren wie Nachfrage, Lieferzeiten und Lieferantenleistung. Die logistische Regression kann bei der Suche nach Hauptursachen für Fehlbestände und geringe Verfügbarkeit helfen.

Poisson-Regression

Poisson-Regressionsmodelle sind eine gute Option, wenn die Daten Zähldaten enthalten, z. B. die Anzahl der Verkäufe eines bestimmten Produkts. Diese Modelle können verwendet werden, um die Nachfrage auf der Grundlage von Faktoren wie Preis, Werbung und Marketingaktivitäten vorherzusagen.

Beispiele für kommerzielle Regressionsanalysen

Ich möchte einige kommerzielle Anwendungsbeispiele der Regressionsanalyse vorstellen.

Amazon verwendet Predictive Analytics und Regressionsanalysen, um die Nachfrage zu prognostizieren und die Lagerbestände in seinen Lagern zu optimieren. Auf diese Weise kann das Unternehmen den Lagerbestand reduzieren und gleichzeitig sicherstellen, dass die Produkte für die Kunden verfügbar sind, wenn sie sie benötigen.

Walmart verwendet Regressionsanalysen, um seine Lieferkettendaten zu analysieren und seine Logistikabläufe zu optimieren. Beispielsweise verwendet das Unternehmen die Regressionsanalyse, um die Beziehung zwischen Transportkosten und Lieferzeiten zu modellieren. Dies ermöglicht es Walmart, fundierte Entscheidungen darüber zu treffen, wie diese Faktoren im Rahmen seines Logistikplanungsprozesses in Einklang gebracht werden können.

Procter & Gamble verwendet Regressionsanalysen, um die Nachfrage zu prognostizieren und seine Produktionsplanung zu optimieren. Durch die Analyse historischer Verkaufsdaten und anderer relevanter Faktoren kann das Unternehmen die Nachfrage nach seinen Produkten genau vorhersagen und seine Produktionsmengen entsprechend anpassen.

Ford verwendet Regressionsanalysen und andere statistische Techniken, um seine Lieferkettenabläufe zu optimieren und Kosten zu senken. Beispielsweise verwendet das Unternehmen die Regressionsanalyse, um die Beziehung zwischen den Lieferzeiten der Lieferanten und den Lagerbeständen zu modellieren. Dies hilft bei der Entscheidungsfindung in Bezug darauf, wann Teile bestellt werden müssen und wie viel Lagerbestand zu halten ist.

Welche großen ERPs haben die Regressionsanalyse integriert?

Die meisten großen ERP-Systeme (Enterprise Resource Planning) haben keine direkt in ihre Software integrierte Regressionsanalyse. ERP-Systeme sind in der Regel so konzipiert, dass sie eine Vielzahl von Geschäftsfunktionen, -prozessen und -vorgängen handhaben. ERP-Systeme unterstützen normalerweise Geschäftsfunktionen wie Buchhaltung, Bestandsverwaltung und Lieferkettenmanagement. Sie enthalten jedoch im Allgemeinen keine statistischen Modellierungsfunktionen. Dennoch verfügen ERP-Systeme in der Regel über integrierte Berichts- und Analysetools, mit denen Daten zur Verwendung in der Regressionsanalyse extrahiert werden können.

Beispielsweise verfügen viele ERP-Systeme über Berichtsmodule, mit denen Benutzer benutzerdefinierte Berichte erstellen können. Diese Berichte können dann in ein Statistikanalyse-Softwarepaket wie R, SAS, SPSS usw. für zB Regressionsanalysen exportiert werden.

Darüber hinaus bieten einige ERP-Anbieter Zusatzmodule oder Integrationen mit Analysesoftware von Drittanbietern an, die Regressionsanalysefunktionen enthalten. Beispielsweise bietet SAP ein Predictive-Analytics-Modul an, das Regressionsanalysen als eine seiner Funktionen umfasst. Oracle bietet eine Vielzahl von Analyseprodukten an, einschließlich Oracle Business Intelligence, die in ERP-Systeme integriert werden können und Regressionsanalysefunktionen umfassen.

Ich werde mich auf SAP konzentrieren, da ich ursprünglich aus Deutschland komme und SAP in deutschen Fertigungsunternehmen weit verbreitet ist.

SAP-Add-Ons für Regressionsanalysen

Für SAP sind Add-Ons verfügbar , mit denen Benutzer Regressionsanalysen direkt im SAP-System durchführen können. Ein Beispiel ist die Software SAP Predictive Analytics, die eine Reihe von prädiktiven Modellierungstechniken, einschließlich Regressionsanalyse, umfasst.

Mit SAP Predictive Analytics können Benutzer Regressionsmodelle mit im SAP-System gespeicherten Daten erstellen und diese Modelle dann verwenden, um Vorhersagen und Vorhersagen über zukünftige Ergebnisse zu treffen. Die Software umfasst zB lineare Regression, logistische Regression und Zeitreihenregression. Neben der Regressionsanalyse umfasst SAP Predictive Analytics weitere Analysefunktionen. Zum Beispiel: Clustering, Klassifizierung und Data Mining. Es enthält auch integrierte Datenvorbereitungs- und Visualisierungstools, die es Benutzern erleichtern, mit großen und komplexen Datensätzen zu arbeiten.

SAP Predictive Analytics erfordert jedoch spezielle Fähigkeiten und Kenntnisse. Unternehmen, die SAP Predictive Analytics zum ersten Mal einsetzen, müssen diese Fähigkeiten aufbauen und Konzepte und Strukturen einsetzen, die sicherstellen, dass dieses Wissen und diese Fähigkeiten im Unternehmen bleiben und sich über die Zeit verbessern.

Regressionsanalyse-Add-Ons für andere große ERPs

Für die wichtigsten ERP-Systeme sind weitere Add-Ons und Erweiterungen verfügbar, die Regressionsanalysefunktionen bieten. Microsoft bietet mehrere Add-Ons für Dynamics 365 an, die erweiterte Analyse- und Vorhersagemodellierungsfunktionen, einschließlich Regressionsanalyse, bereitstellen. Die Microsoft Power BI-Suite enthält integrierte Regressionsanalyse-Tools sowie andere prädiktive Analyse- und Datenvisualisierungsfunktionen. Oracle bietet eine Reihe von Analyseprodukten an, darunter Oracle Business Intelligence Cloud, das erweiterte Analyse- und Datenvisualisierungstools bereitstellt, die in Oracle ERP Cloud integriert werden können. Die Software umfasst Regressionsanalysefunktionen sowie andere prädiktive Modellierungstechniken.

Infor bietet eine Reihe von Analysetools an, die in seine ERP-Software integriert werden können, darunter Birst, eine Cloud-basierte Analyseplattform mit Regressionsanalysefunktionen. Birst ermöglicht es Benutzern, Vorhersagemodelle mit Daten aus mehreren Quellen, einschließlich ERP-Daten, zu erstellen und die Ergebnisse in Echtzeit-Dashboards zu visualisieren.

Epicor bietet mehrere Analyse-Add-Ons an, die Vorhersagemodellierungsfunktionen, einschließlich Regressionsanalyse, bieten. Das Epicor Data Analytics-Tool umfasst eine integrierte Regressionsanalyse und andere statistische Modellierungsfunktionen sowie Tools zur Datenvisualisierung.

Für die wichtigsten ERP-Systeme sind viele Add-Ons und Erweiterungen verfügbar, die Regressionsanalysefunktionen sowie andere erweiterte Analyse- und Vorhersagemodellierungsfunktionen bieten. Die verfügbaren spezifischen Tools und Softwarepakete hängen vom jeweiligen ERP-System sowie von den spezifischen Bedürfnissen und Anforderungen der Organisation ab, die die Software verwendet.

Linnart Felkl

Wirtschaftsingenieur mit Interesse an Optimierung, Simulation und mathematischer Modellierung in R, SQL, VBA und Python