Eine wirkungsvolle KI-gestützte Bedarfsprognose-Anwendung für die Branche der Automobil-Ersatzteile: ein realer Fall aus der Türkei

Warum das Abschätzen der Ersatzteilnachfrage wichtig ist

Wenn ein Auto ausfällt, erwarten Fahrer, dass das richtige Ersatzteil verfügbar ist. Für Hersteller und Werkstätten ist es eine ständige Gratwanderung, genug Teile vorrätig zu halten, ohne Lager zu überfüllen. Diese Studie untersucht, wie ein intelligenter Einsatz künstlicher Intelligenz Unternehmen in der Branche der Automobil-Ersatzteile dabei helfen kann, sehr unregelmäßige Nachfrage genauer vorherzusagen, Kosten zu sparen und gleichzeitig Kunden mobil zu halten.

Die Herausforderung von Stop-and-Go-Nachfrage

Ersatzteile verkaufen sich nicht in einem gleichmäßigen, stetigen Strom. Viele Artikel liegen monatelang ohne Bestellungen, um dann plötzliche Nachfragespitzen zu verzeichnen. Die Autoren bezeichnen diese Muster als intermittierende und klumpige (lumpy) Nachfrage. In vielen Zeitabschnitten ist die Nachfrage null; wenn Bestellungen auftreten, können die Mengen stark schwanken. Klassische Prognosewerkzeuge, die bei Alltagsgütern gut funktionieren, haben in diesem Umfeld Schwierigkeiten und führen oft entweder zu leeren Regalen oder zu kostspieligen Beständen ungenutzter Teile. Da Ersatzteile entscheidend sind, um Geräte am Laufen zu halten, können schlechte Prognosen die Servicequalität beeinträchtigen und die Kosten erhöhen.

Von alten Regeln zum Lernen aus Daten

Um dem zu begegnen, prüften die Forschenden sowohl lang etablierte statistische Methoden als auch neuere datengetriebene Ansätze. Traditionelle Techniken, bekannt als Croston-basierte Methoden, wurden speziell für Zeitreihen mit vielen Nullen entwickelt, stoßen jedoch an Grenzen, wenn die Nachfrage sehr unberechenbar wird. Neuere Machine-Learning-Methoden wie Support Vector Machines, Random Forests und lineare Regression sowie Deep-Learning-Methoden wie Multilayer Perceptrons, rekurrente neuronale Netze und Long Short-Term Memory-Netze können automatisch komplexe Muster aus Daten lernen. Jede Methode hat jedoch ihre eigenen Stärken und Schwächen, und kein einzelnes Modell ist in jeder Situation das Beste.

Echte Daten von einem Ersatzteilhersteller

Das Team arbeitete mit einem türkischen Hersteller zusammen, der Komponenten für elektrische Antriebssysteme von Fahrzeugen produziert. Sie konzentrierten sich auf zwei hochwertige Ersatzteile, die besonders schwer zu planen sind: eines mit intermittierender Nachfrage und eines mit stark klumpiger Nachfrage. Mithilfe von 51 Monaten realer monatlicher Verkaufsdaten bereinigten und normalisierten sie die Aufzeichnungen und klassifizierten dann die Nachfragemuster mit gängigen Kennzahlen für Auftretenshäufigkeit und Variationsmaß. Die Daten wurden in Trainings- und Testmengen aufgeteilt, sodass die Modelle an unbeobachteten Perioden bewertet wurden und die reale Prognosesituation widerspiegeln.

Viele Modelle gemeinsam abstimmen lassen

Anstatt sich auf ein einzelnes Prognosewerkzeug zu verlassen, bauten die Autoren ein Stacking-Ensemble, das man sich als ein Team von Modellen vorstellen kann, deren Ausgaben von einem einfachen Modell der zweiten Ebene kombiniert werden. Zuerst erzeugten mehrere Machine-Learning- und Deep-Learning-Modelle unabhängig voneinander Vorhersagen. Deren Prognosen wurden dann in ein lineares Regressionsmodell eingespeist, das erlernte, wie viel Vertrauen jedem Einzelnen zu schenken ist. Dieses gestapelte Modell wurde mit Croston-basierten Methoden und den einzelnen Lernmethoden verglichen, unter Verwendung von Fehlermaßen, die typische Fehler und deren Größe relativ zur durchschnittlichen Nachfrage erfassen. Die Forschenden nutzten außerdem grafische Zusammenfassungen und statistische Tests, um zu prüfen, ob Leistungsunterschiede aussagekräftig waren und nicht zufällig.

Was die schlaueren Prognosen für Unternehmen bedeuten

Das gestapelte Modell lieferte durchgehend die genauesten und stabilsten Vorhersagen sowohl für intermittierende als auch für klumpige Nachfrage. Deep-Learning-Methoden allein übertrafen im Allgemeinen traditionelle Ansätze, doch die Kombination mehrerer Methoden war insgesamt am erfolgreichsten. Für das Partnerunternehmen bedeutete das geringere Sicherheitsbestände, weniger veraltete Artikel auf Lager und ein reduziertes Risiko, Kunden nicht rechtzeitig beliefern zu können. Kurz gesagt zeigt die Studie, dass ein sorgfältig gestalteter Mix aus KI-Modellen unordentliche, Stop-and-Go-Ersatzteilnachfrage in Prognosen verwandeln kann, die ausreichend genau sind, um schlankere Bestände und zuverlässigeren Service zu ermöglichen.

Zitation: Albayrak Ünal, Ö., Erkayman, B. & Usanmaz, B. An effective AI infused demand forecasting application for automotive spare parts industry: a real case from Turkey. Sci Rep 16, 15661 (2026). https://doi.org/10.1038/s41598-026-44461-0

Schlüsselwörter: Ersatzteilnachfrage, intermittierende Nachfrage, Ensemble-Lernen, Automobil-Lieferkette, Bedarfsprognose