Aus der Wissenschaft in die Praxis – Neues KI-Modell aus Würzburg

SOLISTIQ Team 5 min Lesezeit

SOLISTIQ beginnt mit einer Erfahrung aus vielen Forschungs- und Praxisprojekten: Jedes neue Unternehmen brauchte ein eigenes Prognosemodell. Daraus entstand die Frage, ob ein einziges Modell genügt, das Nachfrage grundsätzlich versteht.

Jedes Projekt begann gleich. Ein Unternehmen stellte uns seine Verkaufsdaten zur Verfügung, und wir bauten ein Prognosemodell, das genau zu diesem Sortiment passte. Die Ergebnisse waren gut. Nur fingen wir beim nächsten Unternehmen wieder von vorne an.

Aus dieser Erfahrung ist SOLISTIQ entstanden. Nicht aus der Frage, wie man ein einzelnes Modell noch etwas genauer macht, sondern aus der Frage, warum man für jedes Unternehmen überhaupt ein neues bauen muss.

Viele Projekte, viele Einzelmodelle

SOLISTIQ ist ein Spin-off der Julius-Maximilians-Universität Würzburg (JMU). Wir kommen aus der Forschungsgruppe Data Driven Decisions, die seit über zehn Jahren zu maschinellem Lernen und KI für betriebliche Planung und Logistik forscht – in geförderten Forschungsprojekten und gemeinsam mit Unternehmen aus der Praxis.

In diesen Projekten haben wir immer wieder Prognosemodelle für einzelne Unternehmen gebaut. Jedes Mal hieß das: Daten aufbereiten, Einflussgrößen auswählen, Modelle trainieren, abstimmen, prüfen. Für jedes Sortiment neu, oft getrennt nach Artikelgruppen. In jedem Modell steckte viel Handarbeit und viel Wissen über genau diesen einen Fall.

Für ein einzelnes Projekt funktioniert das. Es skaliert aber nicht. Jedes neue Unternehmen bedeutet Aufbauarbeit von vorn, und jedes Modell muss gepflegt werden, sobald sich das Sortiment ändert. Bei neuen Artikeln und Langsamdrehern fehlt zudem oft die Historie, aus der ein Einzelmodell überhaupt lernen könnte.

Die Idee: ein Modell, das Nachfrage grundsätzlich versteht

Irgendwann haben wir die Frage umgedreht. In jedem Projekt fanden wir dieselben Muster wieder: Saisonalität, Aktionen, Trends, sporadische Nachfrage. Warum also nicht ein Modell, das all das einmal lernt, über viele Unternehmen und Branchen hinweg?

Das Prinzip kennen viele von ChatGPT: Ein Sprachmodell lernt aus sehr vielen Texten, wie Sprache funktioniert, und kann danach mit Texten umgehen, die es nie gesehen hat. Ein solches „Foundation Model“ wollten wir für Nachfrageprognosen bauen: Vortrainiert auf Verkaufszahlen im zeitlichen Verlauf und übertragbar auf Artikel und Unternehmen, die es nie gesehen hat.

2024 haben wir die erste Version trainiert. Heute ist unser Modell Q-Foundry vortrainiert auf den Verkaufshistorien von rund 2,5 Millionen Produkten mit über 1,5 Milliarden Datenpunkten. Es prognostiziert jedes Produkt ohne Nachtraining – auch neue und datenarme Artikel. Statt für jedes Unternehmen bei null anzufangen, bringt das Modell sein Wissen über Nachfrage bereits mit. Die Forschung dahinter ist auf den führenden KI-Konferenzen publiziert, u. a. NeurIPS und ICLR.

Aus der Forschung wird ein Unternehmen

In der Arbeit mit den ersten Unternehmen zeigte sich, was das in der Praxis bedeutet: Der Aufwand verschiebt sich vom Modellbau zur eigentlichen Frage, wie gut die Bestände geplant werden. Und die Unternehmen wollten mehr als ein Forschungsergebnis, nämlich eine Lösung, die dauerhaft im Tagesgeschäft läuft. Die SOLISTIQ GmbH wurde 2026 gegründet, um genau diese Lösung zu bauen.

Eine gute Prognose ist dabei erst der Anfang. Im Lager zählt am Ende die Bestellung: wie viel, wann, bei welchem Lieferanten. Also rechnet SOLISTIQ aus der Prognose konkrete Bestellvorschläge, die Bestand, Lieferzeiten, Mindestmengen und Kosten berücksichtigen und den Vorgaben des Unternehmens folgen, etwa zur Lieferfähigkeit.

Und wir haben ein Zweites gelernt: Ein gutes KI-Modell allein ist noch kein gutes Produkt. Eine Bestellempfehlung hilft nur, wenn die Menschen in Einkauf und Disposition sie nachvollziehen können und widersprechen dürfen, wenn sie etwas wissen, das nicht in den Daten steht.

Deshalb gehört zu Q-Foundry ein zweiter Baustein: Agent Q. Ein KI-Agent übersetzt in beide Richtungen: Er erklärt jede Prognose und Empfehlung in natürlicher Sprache, beantwortet Rückfragen und integriert das Domänenwissen der Fachseite in Prognose und Planungslogik – aus Prognosen, Stammdaten und Planer-Wissen werden erklärbare Bestellvorschläge.

Aus einer Black Box wird so ein digitaler Kollege.

Was wir aus Würzburg mitnehmen

Aus den vielen Einzelprojekten haben wir eine Überzeugung mitgenommen: Gute Planung darf nicht davon abhängen, dass für jedes Unternehmen erst ein Expertenteam ein Modell baut. Sie muss vom ersten Tag an für das ganze Sortiment funktionieren, für den Schnelldreher genauso wie für den Artikel, der erst seit drei Wochen gelistet ist.

Aus der Forschung bringen wir außerdem eine Arbeitsweise mit. Eine neue Methode kommt bei uns erst ins Produkt, wenn sie sich auf echten Daten gegen etablierte Verfahren durchgesetzt hat, im fairen Vergleich und nicht im Wunschszenario. Die Grundlagen unseres Modells haben internationale Fachleute im Peer Review geprüft, bevor wir sie veröffentlicht haben. Und gemessen wird bei uns nicht, was auf einer Folie gut aussieht, sondern was ein Unternehmen spürt: Bestand, Lieferfähigkeit, Kosten.

Für unsere Kunden heißt das: Hinter jeder Empfehlung steht ein Verfahren, das sich nachweislich bewährt hat, und kein Bauchgefühl in Software gegossen.

Das Modell ist dabei die Grundlage, nicht das Ziel. Was im Lager am Ende zählt, ist eine gute Bestellung.

Im nächsten Beitrag zeigen wir, warum eine gute Prognose dafür allein nicht reicht: zwei Lager, ein Artikel, dieselbe Prognose und trotzdem zwei völlig verschiedene Bestellungen. Sie möchten wissen, wie Q-Foundry mit Ihrem Sortiment umgeht?
Sprechen Sie mit uns.

Noch ein Blick hinter die Kulissen.