SOLISTIQ
Termin buchen

Technologie / Q‑Foundry

Viele Produkte.
Ein gemeinsames Modell.

Das weltweit erste Foundation Model für Bestandsmanagement.

Q‑Foundry lernt Nachfragemuster über Produkte hinweg und nutzt dieses Wissen für neue Artikel – ohne ein eigenes Modell je Artikel zu trainieren. Entwickelt aus der Forschung der Universität Würzburg.

Ergebnis

24 % weniger Prognosefehler.

Prognosefehler · Baseline = 100
  1. Baseline
  2. Je Produkt trainierte Modelle −13 %
  3. Q‑Foundry −24 %

Q‑Foundry 2.5 · Vortrainiert auf 1,2 Mio. Produkten. Niedrigerer Fehler ist besser.

In vier Schritten

Vom gelernten Muster zur konkreten Bestellung.

Vier Schritte führen von den Verkaufshistorien vieler Produkte zu Ihrer Bestellung: lernen, verstehen, prognostizieren, planen. Hier sehen Sie sie im Überblick, weiter unten jeden Schritt im Detail.

  1. 01 Lernen
  2. 02 Verstehen
  3. 03 Prognostizieren
  4. 04 Planen

01 Vortraining

Vorwissen aus Millionen Produkten.

Q‑Foundry lernt Nachfragemuster über Produkte hinweg. Dieses Wissen steht auch für neue Artikel bereit.

02 Anwendung: Ihr Artikel

Eine Prognose für Ihren Artikel.

Ihre Verkaufshistorie und verfügbare Einflussfaktoren bestimmen, wie das Modell sein Vorwissen anwendet.

03 Anwendung: die Prognose

Nachfrage passend zum Serviceziel.

Quantile beschreiben, welche Nachfragemenge Sie für das gewünschte Sicherheitsniveau einplanen.

04 Anwendung: die Bestellplanung

Bestellungen unter Ihren Bedingungen.

Die Optimierung verbindet die Prognose mit Bestand, Lieferzeiten und Bestellregeln.

01Lernen

Ein Modell, gelernt an Millionen Produkten.

Bei Einzelmodellen wird für jeden Artikel ein eigenes Modell trainiert. Q‑Foundry lernt über Produkte hinweg: Im Vortraining lernt es Muster aus Millionen von Beispielen. Jeder Artikel erhält trotzdem seine eigene Prognose.

2,5 Mio.
Produkte
Verkaufshistorien aus verschiedenen Branchen.
1,5 Mrd.
Datenpunkte
Historische Daten im Vortraining.
1 Modell
Q‑Foundry
Für alle Artikel, ohne kundenspezifisches Training.
Bisher: Einzelmodelle

Prognosen

Jedes Modell lernt nur aus der Historie seines eigenen Produkts.

Heute mit Q‑Foundry

Prognosen

Gelernte Muster anderer Produkte helfen auch bei kurzer Historie – ohne ein neues Modell je Artikel zu trainieren.

02Verstehen

Ihre Aktionen und Preise fließen in die Prognose ein.

Das Modell hat aus Millionen Produkten gelernt, wie sich Nachfrage entwickelt – mit Trends, Saisonalitäten und Produktlebenszyklen. Dieses Wissen verbindet es mit Ihrer Verkaufshistorie und den wichtigsten Einflussfaktoren. Daraus entsteht Ihre Prognose.

03Prognostizieren

Die Unsicherheit wächst mit der Nachfrage.

Die Nachfrage steigt, vergangene Aktionen fallen unterschiedlich stark aus. Q‑Foundry berücksichtigt den Verlauf und den nächsten geplanten Aktionstermin. Im Beispiel steigt die erwartete Nachfrage an diesem Tag. Wie stark, bleibt unsicher – deshalb wird das Prognoseband breiter.

Nachfrage und AktionsplanungStück / Tag
90%-Prognoseband · Q05 bis Q95 Erwartete Nachfrage Gewähltes Quantil · Q90

Das 90%-Band beschreibt den Bereich, in dem bei gut kalibrierten Prognosen langfristig die tatsächliche Nachfrage an etwa 9 von 10 Tagen liegt.

Für die Planung ist hier Q90 gewählt: In 90 % der Fälle liegt die Nachfrage nach Modellschätzung darunter. Das Band reicht darüber hinaus – höhere Nachfrage bleibt möglich.

04Planen

Alle Bedingungen, gemeinsam optimiert.

Eine größere Bestellung kann Bestellkosten senken, bindet aber mehr Kapital und Lagerplatz. Unsere mathematische Optimierung berücksichtigt diese Zielkonflikte und alle vorgegebenen Bedingungen gleichzeitig – über Artikel und Termine hinweg.

Viele Anforderungen. Eine gemeinsame Optimierung.

Nachfrage & Verfügbarkeit

  • Nachfragequantile
  • Zielverfügbarkeit
  • Bestand & offene Lieferungen
  • …

Lieferantenregeln

  • Mindestmengen & Verpackungseinheiten
  • Lieferzeiten & Liefertage
  • Staffelpreise
  • …

Betriebliche Grenzen

  • Lagerplatz
  • Budget & Liquidität
  • Haltbarkeit & Restlaufzeit
  • …

Zielkonflikte

  • Verfügbarkeit ↔ Kapitalbindung
  • Mengenrabatt ↔ Verfallsrisiko
  • Bestellkosten ↔ Lagerkosten
  • …
Optimierung

Das Modell berücksichtigt alle Anforderungen gleichzeitig und ermittelt die Bestellmengen mit den niedrigsten Gesamtkosten.

Gesamtkosten

i: Artikel · τ: Termin · q: Menge · I: Bestand

  • Zielverfügbarkeit

    Sichert die Versorgung zum gewählten Servicelevel.

  • Staffelpreise

    Erzeugen Sprünge in der Kostenfläche.

  • Mindestmengen

    Schließen zu kleine Bestellungen aus.

  • Verpackungseinheiten

    Lassen nur bestimmte Mengen zu.

Gesamtkosten C Zulässige Kombinationen

Bestellvorschlag q*

Zu niedrigsten Gesamtkosten

  • Produkt A · xₐ Stück
  • Produkt B · xᵦ Stück
  • …

Zwei Mengenachsen zeigen einen Ausschnitt des mehrdimensionalen Problems. Die Fläche zeigt Kosten, Punkte stehen für zulässige Mengenkombinationen. Weitere Artikel und Termine bilden zusätzliche Dimensionen.

Artikel teilen sich Lieferanten, Lagerplatz und Budget. Eine Bestellentscheidung verändert deshalb auch den Spielraum für andere Artikel.

Die Grundlage

Aus der Forschung.
In die Praxis.

Unsere Technologie entstand aus unserer Forschung in der Gruppe Data Driven Decisions (D3) an der Julius-Maximilians-Universität Würzburg. Mit SOLISTIQ bringen wir sie als Ausgründung der Universität in die Praxis.

Publiziert

  1. ECIS 2025

    What Can We Learn from LLMs? Building a Foundation Model for Inventory Management

    Maichle, Stein, Pibernik

  2. NeurIPS 2024 · Workshop

    In-context Quantile Regression for Multi-product Inventory Management using Time-series Transformers

    Maichle, Mukherjee, Günder, Antonov, Stein, Pibernik

  3. ICLR 2025 · Workshop

    Predictive Inference Is Really Free with In-Context Learning

    Mukherjee, Antonov, Günder, Maichle