Zum Inhalt springen

Stochastische Optimierung

Ein Plan für eine einzige Prognose scheitert, sobald die Prognose danebenliegt. Stochastische Optimierung sucht den Plan, der auch dann funktioniert.

  • Kostenloses 30-Minuten-Gespräch
  • Unverbindlich
  • Der Code gehört Ihnen
Typische Branchen
Branchenübergreifend
Problemtyp
Ressourcenplanung
Sie erhalten
Ein dokumentiertes Modell, gerechnet auf Ihren Daten

Kurz erklärt: Die stochastische Optimierung plant mit Grössen, die Sie nicht genau kennen, etwa der Nachfrage im nächsten Monat. Statt einer einzigen Prognose berücksichtigt das Modell viele mögliche Entwicklungen und wie wahrscheinlich jede ist. Es sucht den Plan, der über alle diese Entwicklungen im Durchschnitt am besten abschneidet.

Das Problem

Der Plan für das nächste Quartal geht davon aus, dass die Prognose stimmt. Die Nachfrage entspricht ihr, Lieferanten liefern pünktlich, Maschinen fallen nicht aus. In Woche drei liefert ein Lieferant nicht, genau als die Nachfrage steigt. Das Regal ist leer. Den Liefertermin, den Sie einem wichtigen Kunden zugesagt haben, können Sie nicht mehr einhalten. Der Plan war der beste für eine Zukunft, die nicht eingetreten ist.

Warum ein Plan für eine einzige Zukunft anfällig ist

Die meisten Pläne sind deterministisch: Sie behandeln jede eingegebene Zahl als sicher. Heraus kommt der beste Plan für eine einzige Zukunft, in der jede Eingabe stimmt. Diese Zukunft tritt praktisch nie ein. Ein Plan, der genau dafür optimal ist, funktioniert bei kleinen Abweichungen oft nicht mehr. Ist die Nachfrage etwas höher, ist der Artikel ausverkauft. Kommt eine Sendung zu spät, verpassen Sie einen zugesagten Liefertermin.

Warum ein Sicherheitspuffer das nicht löst

Die übliche Lösung ist ein Sicherheitspuffer, also etwas mehr Bestand als geplant. Sie legen ihn nach Faustregel fest, oft direkt nach dem letzten Fehlbestand, als das Regal leer war. Diesen Puffer rechnen Sie zu einem Plan dazu, der mit der durchschnittlichen Prognose rechnet. Dieser Plan nimmt an, dass die Nachfrage genau dem Durchschnitt entspricht. Und ausgerechnet in diesem Fall entsteht nie ein Fehlbestand. Niemand kann sagen, wie viele Fehlbestände der Puffer verhindert und was er kostet.

Was sich ändert

Stand jetzt folgt der Plan der Prognose und enthält einen Puffer, den Sie nach dem letzten Fehlbestand geschätzt haben. Mit unserem Modell berücksichtigt der Plan viele mögliche Zukunftssituationen gleichzeitig. Jede hat eine Wahrscheinlichkeit. Sie legen den nötigen Servicegrad fest, also wie zuverlässig Sie liefern wollen, etwa pünktlich in 95 von 100 Wochen. Das Modell findet den günstigsten Plan, der diesen Servicegrad erreicht. Verpasst der Lieferant in Woche drei die Lieferung, steht im Plan schon, welcher andere Lieferant oder welches Lager einspringt.

Stochastische Optimierung: Risiko im Plan

Stochastisch heisst: vom Zufall abhängig. Stochastische Optimierung fragt, welche Entscheidung über alle möglichen Zukunftssituationen hinweg am besten ist. Sie behandelt unsichere Zahlen wie Nachfrage und Lieferzeiten als Bandbreiten mit Wahrscheinlichkeiten. Die Nachfrage im nächsten Monat liegt dann etwa bei 800, 1000 oder 1200 Stück, mit Chancen von 25, 50 und 25 Prozent. Der Bestand richtet sich danach, wie stark die Nachfrage schwankt. Ist eine Transportstrecke gesperrt, steht die Umleitung schon im Plan. Sie sehen, was mehr Sicherheit kostet, etwa ein zweiter Lieferant auf Abruf, bevor Sie sich festlegen.

Was Sie bekommen

Aus Ihrer Prognose und den Störungen der letzten Jahre erstellen wir eine Reihe möglicher Zukunftssituationen. Dann wählen wir das Verfahren, das zu Ihren Daten und Ihrer Risikobereitschaft passt. Sie sehen drei Dinge: die durchschnittlichen Kosten über alle Zukunftssituationen, den Servicegrad, den der Plan erreicht, und den ungünstigsten Fall, in dem Sie noch liefern können. Bevor Sie etwas festlegen, testen wir den Plan mit Ihrer bisherigen Nachfrage und den bisherigen Störungen.

  • Ein Modell, das Ihre eigenen Regeln für Stochastische Optimierung abbildet.
  • Ergebnisse in den Zahlen, mit denen Sie heute schon messen.
  • Das Modell passt in Ihren Arbeitsablauf, und Sie können jede Antwort nachprüfen.

So funktioniert unser mathematisches Modell

Wir schreiben Ihre Ressourcen, die anstehende Arbeit und Ihre Regeln in ein Modell. Sie erhalten die Verteilung, die am besten zu Ihren Zielen passt, etwa die tiefsten Kosten oder die kürzeste Wartezeit. Alle Regeln gelten dabei gleichzeitig, und genau das schafft keine Tabelle.

Warum die richtige Bestellmenge selten die Prognose ist

Ein kleines Beispiel. Sie verkaufen einen Saisonartikel zu 10 Franken und kaufen ihn für 6 ein. Nach der Saison ist Restware wertlos. Fehlt Ihnen ein Stück, entgehen Ihnen 4 Franken Gewinn. Bleibt ein Stück liegen, verlieren Sie die 6 Franken, die Sie dafür bezahlt haben. Für diese Frage gibt es ein klassisches Modell, das Zeitungsverkäufer-Modell. Es heisst so, weil ein Zeitungsverkäufer jeden Morgen entscheidet, wie viele Zeitungen er einkauft. Das Modell zählt beide Verluste zusammen: 4 Franken plus 6 Franken sind 10 Franken. Davon gehen 4 auf das Konto eines fehlenden Stücks, also 4 von 10 oder 40 Prozent. Bestellen Sie darum so viel, dass die Ware in 40 von 100 Fällen reicht. Ein liegen gebliebenes Stück kostet Sie mehr als ein fehlendes, also bestellen Sie eher knapp.

Bei einer Prognose, die ebenso oft zu hoch wie zu tief liegt, ist das weniger als die Prognose selbst. Erhöhen Sie den Preis auf 20, soll die Ware in 70 von 100 Fällen reichen, und Sie bestellen mehr als die Prognose. Die Prognose sagt, was wahrscheinlich ist. Wie viel Sie bestellen sollten, sagen die Kosten auf beiden Seiten. Ein Modell, das nur die Prognose kennt, fragt nie nach diesen Kosten.

Zweistufige stochastische Programmierung

Zweistufige stochastische Programmierung heisst: einiges jetzt entscheiden, den Rest später anpassen. Programmierung meint hier Planen mit einem mathematischen Modell. Manche Entscheidungen kommen zuerst: wo Kapazität entsteht, wie viel Bestand Sie vorab platzieren, welche Lieferanten Sie binden. Andere warten, bis Nachfrage und Störungen sichtbar sind.

Das Modell wählt für die erste Stufe die Entscheidung mit dem besten Erwartungswert. Das ist das durchschnittliche Ergebnis über alle Zukunftssituationen, gewichtet nach ihrer Wahrscheinlichkeit. Ein Beispiel: Ein Plan kostet 100, wenn alles ruhig bleibt, und 200 bei einer Störung. Ist Ruhe zu 70 Prozent wahrscheinlich und eine Störung zu 30 Prozent, sind die erwarteten Kosten 70 Prozent von 100 plus 30 Prozent von 200. Das ergibt 130. Das Modell rechnet mit ein, was Sie in der zweiten Stufe noch korrigieren können. Bestand früh am falschen Ort zu platzieren ist teuer. Also bevorzugt das Modell Lösungen, bei denen Sie die Ware später noch an den richtigen Ort schicken können.

Worst-Case-Optimierung: Planen für den ungünstigsten Fall

Worst-Case-Optimierung ist für Fälle gedacht, in denen Sie keine verlässlichen Wahrscheinlichkeiten haben. Statt Wahrscheinlichkeiten legen Sie eine Bandbreite fest, zum Beispiel: Die Nachfrage liegt irgendwo zwischen 800 und 1200 Stück. Worst Case heisst: der ungünstigste Wert in dieser Bandbreite. Das Modell sucht einen Plan, der auch dann noch umsetzbar ist. Plant es Kapazität für 1200 Stück, liefern Sie auch dann, wenn die Nachfrage ganz oben bei 1200 liegt. Liegt die Nachfrage bei nur 800, bleibt ein Teil der Kapazität ungenutzt. Im Durchschnitt ist der Plan darum etwas teurer. Dafür wissen Sie im Voraus, dass Sie liefern können, solange die Nachfrage zwischen 800 und 1200 bleibt. Das passt, wenn Sie wenig Daten haben. Es passt auch, wenn Ihnen auf keinen Fall etwas fehlen darf, etwa in einem Spital, dem die Betten nicht ausgehen dürfen.

Chance-Constrained-Programmierung

Chance Constraint ist Englisch für eine Bedingung, die mit einer bestimmten Wahrscheinlichkeit gelten muss. Die Chance-Constrained-Programmierung plant mit Zielen, die so formuliert sind. Ein Beispiel ist die Lieferbereitschaft, also der Anteil der Bestellungen, die Sie sofort ab Lager liefern. Ein anderes ist eine Quote für pünktliche Lieferung. Eine solche Bedingung muss nicht immer gelten, aber oft genug: zum Beispiel in mindestens 95 von 100 Zukunftssituationen. In allen 100 lässt sie sich meist gar nicht erfüllen. Sie legen den Servicegrad fest, und das Modell findet den günstigsten Plan, der ihn erreicht. Sie müssen keinen Puffer mehr nach Faustregel schätzen.

Szenariobäume

All diese Verfahren brauchen eine Beschreibung der möglichen Zukunftssituationen. Ein Szenariobaum zeigt Zweig für Zweig, wie sich Nachfrage und Lieferungen entwickeln könnten. Zum Beispiel ist die Nachfrage im ersten Monat hoch oder tief, je mit einer Chance von 50 Prozent. Jeder dieser Zweige teilt sich im zweiten Monat wieder auf. So entstehen vier mögliche Zukunftssituationen mit je 25 Prozent Wahrscheinlichkeit. Ein gut gebauter Baum enthält die Kombinationen, an denen Pläne mit festen Zahlen scheitern. Ein Beispiel ist eine Nachfragespitze und eine Lieferverzögerung in derselben Woche.

Lohnt sich das stochastische Modell?

Birge und Louveaux haben ein Standardlehrbuch zur stochastischen Programmierung geschrieben. Darin steht ein etablierter Massstab: der Wert der stochastischen Lösung. Er misst, wie viel besser ein Plan ist, der mit Unsicherheit rechnet. Wir nehmen den Plan, der mit der durchschnittlichen Prognose rechnet, und spielen ihn durch alle Szenarien. Dasselbe machen wir mit dem stochastischen Plan. Die Differenz der erwarteten Kosten zeigt, was Ihnen die Planung mit Unsicherheit bringt. Kostet der Durchschnittsplan über alle Szenarien im Mittel 130 und der stochastische Plan 118, bringt sie Ihnen 12. Ist sie klein, war der einfache Plan gut genug, und das sagen wir Ihnen.

Supply Chain, Produktion und Energie

In der Supply Chain schwankt die Nachfrage, Lieferanten fallen aus, Transportstrecken werden gesperrt. Ein Plan, der mit dem Durchschnitt rechnet, hat genau in der Woche zu wenig Ware, in der es darauf ankommt. Ein Risiko-Optimierungsmodell für die Supply Chain plant diese Wochen von Anfang an ein. Wie es den Bestand bemisst, zeigt unsere Seite zur Bestandsoptimierung. Die Produktion trägt dasselbe Risiko, wenn ein verspätetes Bauteil auf eine Nachfragespitze trifft. Energieversorger planen Stromerzeugung und Wartung, obwohl sie Wetter und Nachfrage nicht genau vorhersagen können.

Häufige Fragen.

Etwas anderes? Fragen Sie uns direkt.

Stochastische Programmierung braucht Wahrscheinlichkeiten. Sie sucht den Plan mit dem besten Durchschnitt über alle Szenarien, jedes nach seiner Wahrscheinlichkeit gewichtet. Worst-Case-Optimierung braucht nur eine Bandbreite möglicher Werte. Ihr Plan bleibt für jeden Wert darin umsetzbar, auch für den ungünstigsten. Wenn Sie Ihren Wahrscheinlichkeiten trauen, liefert die stochastische Programmierung den günstigeren Plan. Wenn Sie daran zweifeln, ist die Worst-Case-Optimierung die sicherere Wahl.

Eine feste Zahl gibt es nicht. Die übliche Methode heisst Sample Average Approximation. Wir ziehen per Zufall eine Anzahl Szenarien und berechnen dafür den besten Plan. Dann ziehen wir eine neue, grössere Stichprobe. Wir prüfen, ob die Entscheidungen, die Sie jetzt treffen müssen, gleich bleiben. Ändern sie sich nicht mehr, kosten weitere Szenarien nur Rechenzeit. Mit zu wenigen Szenarien ist der Plan nur für diese wenigen Fälle gut.

Aus drei Quellen. Ihre früheren Prognosen zeigen, wie weit die tatsächliche Nachfrage meist von der Prognose abweicht. Ihre Lieferdaten zeigen, wie oft Lieferanten und Transporte zu spät kommen. Wo Daten fehlen, helfen Ihre eigenen Schätzungen. Für jede unsichere Grösse, etwa die Nachfrage, nennen Sie drei Werte: einen tiefen, einen wahrscheinlichen und einen hohen. Ist selbst das unsicher, braucht die Worst-Case-Optimierung gar keine Wahrscheinlichkeiten, nur die Bandbreite.

Manchmal schon, und dann sagen wir es Ihnen. Standardsoftware ist aber für einen durchschnittlichen Betrieb gebaut. Ihr Betrieb folgt eigenen Regeln: Ihren Verträgen, Ihren Ausnahmen und allem, was Sie auswendig wissen. Ein eigenes Modell bildet genau diese Regeln ab. Deshalb passt der Plan zu Ihrem Betrieb.

Für den Start brauchen Sie beides nicht. Wir bauen das Modell aus den Daten, die Sie schon haben, auch wenn sie in drei Tabellen und einem einzigen Kopf stecken. Sie erhalten ein System, das Sie selbst bedienen, und wir schulen Ihr Team, bis es ohne uns auskommt.

Ein erstes Ergebnis sehen Sie mit dem Prototyp, bevor Sie sich auf etwas Grösseres festlegen. Wir beginnen mit einem kostenlosen 30-Minuten-Gespräch über Ihren Betrieb und das passende Modell. Dann bauen wir einen funktionierenden Prototyp und rechnen ihn mit Ihren Zahlen.

Erzählen Sie uns, was Sie planen.

In einem kostenlosen 30-Minuten-Gespräch mit einem Spezialisten finden Sie heraus, ob Optimierung Ihnen helfen kann.

  • Kostenlos und unverbindlich
  • Sie sprechen direkt mit einem Spezialisten
  • Ein klares Ja oder Nein