ECIS 2025: Was die Bestandsplanung von Sprachmodellen lernen kann
In diesem Beitrag
Große Sprachmodelle haben gezeigt, dass ein einziges vortrainiertes Modell viele Aufgaben lösen kann. In unserem Paper auf der ECIS 2025 übertragen wir diese Idee auf die Bestandsplanung und messen den Erfolg dort, wo er zählt: an den Kosten im Lager.
Bevor es große Sprachmodelle gab, brauchte fast jede Sprachaufgabe ihr eigenes Modell: eines zum Übersetzen, eines zum Zusammenfassen, eines zum Sortieren von E-Mails. Heute erledigt ein einziges vortrainiertes Modell all das, oft ohne zusätzliches Training.
In der Bestandsplanung wird dagegen vielerorts noch für jeden Artikel ein eigenes Modell gebaut, gepflegt und regelmäßig neu trainiert. Unser Paper „What Can We Learn from LLMs? Building a Foundation Model for Inventory Management“ fragt, was passiert, wenn man das ändert. Erschienen ist es 2025 im Track Business Analytics der European Conference on Information Systems (ECIS), einer der großen internationalen Konferenzen der Wirtschaftsinformatik. Geschrieben haben es Magnus Maichle, Nikolai Stein und Richard Pibernik.
Warum gerade Wirtschaftsinformatik
Unsere Arbeiten auf der NeurIPS und der ICLR richten sich an die Community des maschinellen Lernens. Die ECIS spricht ein anderes Publikum an. Hier geht es weniger darum, ob eine Methode funktioniert, sondern darum, was sie in Unternehmen verändert und warum sie dort bisher oft nicht ankommt.
Das passt zu unserem Ausgangspunkt. Viele Unternehmen, gerade im Mittelstand, setzen KI in der Bestandsplanung noch kaum ein. Nicht, weil die Methoden fehlen, sondern weil der Aufwand zu groß ist: Daten aufbereiten, Modelle je Artikel aufsetzen, pflegen und überwachen. Ein Foundation Model setzt genau dort an.
Was wir uns von Sprachmodellen abgeschaut haben
Drei Ideen haben wir übernommen. Die erste ist eine einheitliche Architektur: Ein Transformer, wie er auch hinter Sprachmodellen steckt, verarbeitet die Verkaufshistorie jedes Artikels, ob Schnelldreher oder Ersatzteil. Die zweite ist ein einziges Training für alle Produkte statt eines Trainings je Artikel.
Die dritte heißt Cross-Learning. Das Modell lernt Muster über das ganze Sortiment hinweg, zum Beispiel wie sich Saisonalität oder sporadische Nachfrage typischerweise verhalten. Was es an einem Artikel gelernt hat, hilft ihm beim nächsten.
Daraus folgt die vielleicht wichtigste Eigenschaft: Das Modell kann auch Artikel prognostizieren, die es nie gesehen hat und für die es kaum Historie gibt. In der Fachsprache heißt das Zero-Shot-Prognose. Für Neuprodukte und Langsamdreher, bei denen artikelweise Modelle mangels Daten an ihre Grenzen stoßen, macht das einen großen Unterschied.
Gemessen an den Kosten, nicht an der Prognose
Genauso wichtig war uns, wie wir messen. In der Forschung wird ein Prognosemodell meist daran bewertet, wie nah es am Ist liegt. Wir haben stattdessen gemessen, was falsche Bestände kosten: Überbestände, die Kapital binden, und Fehlmengen, die Umsatz und Kunden kosten. Im Paper heißen diese Kosten Inventory Distortion Costs.
Getestet haben wir auf öffentlich verfügbaren Verkaufsdaten der Handelskette Walmart. Dort hat unser Modell bei genau diesen Kosten mehrere State-of-the-Art-Verfahren übertroffen. Weil die Daten öffentlich sind, lassen sich die Ergebnisse nachprüfen. Und weil wir spätere Modellgenerationen auf demselben zurückgehaltenen Zeitraum testen, sehen wir bis heute, wie viel jede neue Generation besser wird.
Von der ersten Version zu Q-Foundry
Die erste Version des Modells entstand im März 2024 in der Forschungsgruppe Data Driven Decisions der Universität Würzburg. Die ECIS-Arbeit beschreibt diese erste Iteration. Heute ist daraus Q-Foundry geworden, vortrainiert auf den Verkaufshistorien von rund 2,5 Millionen Produkten mit über 1,5 Milliarden Datenpunkten.
Die Grundidee ist geblieben: Statt für jeden Artikel ein eigenes Modell zu bauen, prognostiziert ein einziges vortrainiertes Modell jedes Produkt ohne Nachtraining, auch neue und datenarme Artikel.
Gelernt haben wir dabei vor allem, dass die Analogie zu Sprachmodellen trägt, aber nicht ganz. Verkaufszahlen sind keine Wörter. Sie sind oft null, schwanken mit Preisen und Kalender und zeigen nur, was verkauft wurde, nicht, was ohne leeres Regal verkauft worden wäre. Ein Foundation Model für die Bestandsplanung muss das ernst nehmen. Und es muss sich am Ende nicht an der schönsten Prognose messen lassen, sondern an der besten Bestellung.
Wie Q-Foundry Prognosen für jedes Servicelevel liefert und wie es erkennt, wann es unsicher ist, erzählen wir in unseren Beiträgen zur NeurIPS 2024 und zur ICLR 2025. Sie möchten wissen, was ein Foundation Model für Ihr Sortiment leisten kann?
Sprechen Sie mit uns.
Zum Weiterlesen
- Maichle, M. J., Stein, N. & Pibernik, R. (2025). What Can We Learn from LLMs? Building a Foundation Model for Inventory Management. ECIS 2025 Proceedings, 11. aisel.aisnet.org
- Bommasani, R. et al. (2021). On the Opportunities and Risks of Foundation Models. arXiv:2108.07258
- Brown, T. et al. (2020). Language Models are Few-Shot Learners. NeurIPS 2020. arXiv:2005.14165
- Ansari, A. F. et al. (2024). Chronos: Learning the Language of Time Series. Transactions on Machine Learning Research. arXiv:2403.07815
- Das, A., Kong, W., Sen, R. & Zhou, Y. (2024). A Decoder-only Foundation Model for Time-series Forecasting. ICML 2024. arXiv:2310.10688
- Makridakis, S., Spiliotis, E. & Assimakopoulos, V. (2022). M5 Accuracy Competition: Results, Findings, and Conclusions. International Journal of Forecasting 38(4), 1346–1364. doi.org/10.1016/j.ijforecast.2021.11.013
- Bertsimas, D. & Kallus, N. (2020). From Predictive to Prescriptive Analytics. Management Science 66(3), 1025–1044. doi.org/10.1287/mnsc.2018.3253