KI-gestützte Bedarfsprognosen für thyssenkrupp Rasselstein

Wie thyssenkrupp Rasselstein KI-gestützte Prognosen mit höchster Genauigkeit einsetzt

thyssenkrupp Rasselstein, einführender Verpackungshersteller in Europa mit einem Netzwerk von rund 400 Kunden in 80 Ländern, ist eine Partnerschaft mit pacemaker.ai eingegangen, um seine Datenkapazitäten durch die Integration von KI-gestützten Prognoselösungen zu verbessern.

Als einziger deutscher Herstellervon Verpackungsstahl hat thyssenkrupp Rasselstein die Notwendigkeit erkannt, fortschrittliche Technologien zu nutzen, um seine betriebliche Effizienz zu optimieren. In Zusammenarbeit mit pacemaker.ai startete das Unternehmen eingemeinsames Projekt, um durch eine signifikante Erhöhung der Prognosegenauigkeit, dahinterliegende S&OP Prozesse zu optimieren.

Durch die nahtlose Integration von Technologien des maschinellen Lernens haben wir die Präzision der verschiedenster Prognosen für thyssenkrupp Rasselstein gemeinsam verbessern können. Unser gemeinsames Projekt ist ein Beispiel dafür, wie Innovation und datengestützte Erkenntnisse den industriellen Sektor weiter digitalisieren.

Christian Jabs, CEO | pacemaker.ai

Im Mittelpunkt steht dabei der Einsatz eines eigens entwickelten KI-Tools, das auf die spezifischen Prognoseanforderungen von thyssenkrupp Rasselstein zugeschnitten ist. Durch die Nutzung der Leistungsfähigkeit von Algorithmen des Maschinellen Lernens ermöglicht diese Technologie dem Unternehmen, Prognosen für verschiedensten Zielvariablen mit höchster Genauigkeit zu erreichen.

In einem ersten Schritt wurden Prognosen für Liefer- und Bestellmengen berechnet und zur Verfügung gestellt. In einem zweiten Schritt werden nun verstärkt externe Marktfaktoren analysiert, um eine höhere Genauigkeit bei der Prognose von Nachfragemenge an Weißblech zu erreichen.  

Arrange your initial consultation now

Regardless of where you currently stand. Our team will be happy to provide you with a free initial consultation. In just under 30 minutes, we will look at your challenges and our solution together.

… die klassischen Planungsmethoden reichen bei den immer dynamischeren Marktentwicklung oft nicht mehr aus. KI-gestützte Lösungen, bieten hier einen Lösungsansatz für unsere Kunden.

Christian Jabs, CEO | pacemaker.ai

Projektablauf

Das im September 2023 gestartete Projekt zielte darauf ab, eine präzisere Prognose für das Jahr 2024 zu erstellen und die Gesamtmenge der von thyssenkrupp Rasselstein weltweit und in verschiedenen Marktsegmenten verkauften Tonnen vorherzusagen. Das Projekt wurde in einem dreistufigen Prozess in Zusammenarbeit zwischen thyssenkrupp Rasselstein und pacemaker.ai durchgeführt.

Zu den wichtigsten Faktoren, die diese Prognose beeinflussen, gehören historische Absatzdaten, Markttrends, Kundenverhaltensmuster und Schwankungen der Produktnachfrage. Externe Faktoren wie die wirtschaftliche Lage, geopolitische Ereignisse und Änderungen der Branchenvorschriften wirken sich ebenfalls auf die Liefermengen aus.

Durch rigorose Datenanalyse und Algorithmen des maschinellen Lernens haben thyssenkrupp Rasselstein und pacemaker.ai diese Komplexität erfolgreich bewältigt und Einblicke in die Absatzmenge für2024 und darüber hinaus gegeben.

1. Data Thinking Workshop

In der ersten Phase des Projekts wurde die Machine Learning Expertise von pacemaker.ai mit der operativen Erfahrung und den Spezifika des Geschäftsmodells von tk Rasselstein kombiniert, um die Anforderungen für die passgenaue Software aufzunehmen.

Im Rahmen eines eintägigen Data Thinking Workshops wurden so die genauen Anforderungen des Projekts definiert.

2. Onboarding Phase

Im Rahmen des Onboardings wurden die Anforderungen in bestmögliche Prognosenüberführt und relevanten Datenquellsysteme angebunden.

Durch die Integration von weiteren externen Datenquellen wurde die Prognosegüte erhöht.

Die Anzeige des pacemaker.ai Forecast erfolgt über Schnittstellen in der bekannten IT-Umgebung des Kunden.

3. Regelbetrieb

Nachdem die Bereitstellung gemäß der Anforderungen abgeschlossen wurde, ging die Software Lösung als SaaS-Anwendung in den Regelbetrieb. Hierbei werden die Machine Learning Modelle kontinuierlich weiter verbessert, weitere externe Datenquellen werden angebunden. Ziel: Eine durchgehend hohe Prognosegenauigkeit zur Steuerung von internen S&OP Prozessen.

Arrange your initial consultation now

Regardless of where you currently stand. Our team will be happy to provide you with a free initial consultation. In just under 30 minutes, we will look at your challenges and our solution together.