Vor sechs Jahren begannen die Ulmer, die Neugestaltung sämtlicher Warenflussprozesse zu planen. Disposition, Logistik, Rechnungswesen und das Data Warehouse sollten enger als bisher miteinander verzahnt werden. Standardlösungen von SAPSAP oder JD Edwards überzeugten das Unternehmen nicht, weil sie sich nicht genau genug auf die Müller-Bedürfnisse anpassen ließen. Dazu kam, dass Müller zur Steuerung der Warenströme mehr Parameter als andere Unternehmen beeinflussen wollte. "Es gibt eine Beziehung zwischen der Bestandssituation in den Filialen, den Fehlmengen und dem Aufwand, Waren in Filialen zu bekommen", erklärt Lichtblau. Alles zu SAP auf CIO.de

Die Faktoren Warenbestand, Stock-out-Rate und Liefermengen sind in der Praxis schwer voneinander zu trennen, weil sie sich gegenseitig beeinflussen. Müller betrachtet eine Lösung als Wettbewerbsvorteil, die wenigstens mathematisch die Faktoren sauber voneinander trennt und so ermöglicht, alle Bereiche unabhängig voneinander zu steuern und zu optimieren. "Aber bislang hielt es noch niemand für nötig, eine Software zu programmieren, in der einer dieser Faktoren geändert werden kann, ohne dass die beiden anderen davon beeinflusst werden", sagt Lichtblau.

Zeitaufwand sank um zehn Prozent

Zusammen mit dem Softwareanbieter Carus begann Lichtblaus Team deshalb im Jahr 2000, selbst ein System zu entwerfen. Vier Jahre Entwicklung stecken heute in dem hochkomplexen Zusammenspiel der drei voneinander getrennten Zahlenbereiche. Der Zeitaufwand für Wareneingang und Einräumen der Artikel in den Filialen sank dadurch um zehn Prozent.

Das inhaltliche Kernstück der neuen Disposition, die Demand-Forecasting-Lösung, lieferte der Kölner Prognosespezialist Forseason. Herkömmliche Dispositionssysteme orientieren sich - grob gesagt - am Befüllungsgrad der Regale. Doch welche Folgen hat es, wenn Markenhersteller gerade TV-Spots senden? Wie wirken sich Ereignisse wie die Tatsache, dass 2004 der Heiligabend auf einen Freitag fiel, auf das Kaufverhalten aus? Sogar die Wettervorhersage spielt eine Rolle: Wetterdaten werden eingekauft und die Angaben in Zahlenwerte umgewandelt, die möglichst genau den Einfluss auf das Kaufverhalten bewerten.

Die Demand-Forecasting-Lösung nutzt intelligente Algorithmen, die sich nach dem Prinzip neuronaler Netze gegenseitig beeinflussen. Durch kontinuierliches Auswerten der neuen Daten soll das selbst lernende System in seinen Vorhersagen immer genauer werden. "Wir wandeln auf einem schmalen Grat zwischen Hellseherei und Mathematik", sagt Lichtblau. "Wir versuchen, die berühmte Glaskugel umzusetzen."