Katalog / Optimierung & Entscheidungsplanung / OPT-008

Supply-Chain-Netzwerkdesign & S&OP-Planung

Mit Nachfrageprognosen, Kostenmodellen und mathematischer Optimierung das Netzwerk aus Lieferanten, Werken und Lagern gestalten und im monatlichen Sales-&-Operations-Planning-Zyklus (S&OP/IBP) Nachfrage, Angebot und Finanzen abgleichen.

Bausteine für den EigenbetriebAgenten & AutomatisierungProgrammierassistentSprachmodellOptimierungPrognose & Zeitreihen

Unternehmen müssen entscheiden, wo sie produzieren, lagern und liefern (strategisches Netzwerkdesign) und jeden Monat Nachfrage, Angebot und Finanzen abgleichen (S&OP / integrierte Geschäftsplanung). Beides sind Optimierungsprobleme unter Unsicherheit. Machine-Learning-Prognosen speisen gemischt-ganzzahlige Modelle, die Szenarien vergleichen, und LLM-Copilots erklären inzwischen Zielkonflikte und entwerfen die Planungsunterlage. Typischer Nutzen: geringere Gesamtkosten frei Haus (Total Landed Cost), besserer Servicegrad und schnellere, faktenbasiertere Konsensentscheidungen.

Problem & Nutzen

  • Heute: Das Netzwerkdesign läuft als einmaliges Beratungsprojekt alle paar Jahre mit einem Spezialwerkzeug; S&OP läuft auf Tabellen, ERP-Exporten und Foliensätzen. Zahlen zu Nachfrage, Angebot und Finanzen stimmen nicht überein, Szenarien dauern Tage, und der Plan ist veraltet, wenn er beschlossen wird.
  • KI-Nutzen: (1) ML-Prognosen für Nachfrage und Lieferzeit mit Unsicherheitsbereichen; (2) solverbasierte Optimierung von Netzwerkflüssen, Beschaffung und Kapazität; (3) schnelle Was-wäre-wenn-Szenarien für Zölle, Standortschließungen, Lieferantenausfall oder CO2-Ziele; (4) LLM-Assistenten, die Planänderungen zusammenfassen, Fragen zum Modell beantworten und Besprechungsunterlagen entwerfen.
  • Warum jetzt: Zollverschiebungen, geopolitische Störungen sowie die EU-Sorgfaltspflichten und Berichtspflichten in Lieferketten (CSDDD, CSRD; Umfang und Fristen wurden durch die Omnibus-Vereinfachung 2025-26 eingeengt, prüfen Sie daher den aktuellen Stand) machen Netzwerkresilienz und Emissionen zu ausdrücklichen Planungskriterien [5].
  • Anbieter veröffentlichen Fallstudien, aber nur wenige unabhängige, vergleichbare Nutzenzahlen; messen Sie Ihre eigene Ausgangslage, bevor Sie einem versprochenen Prozentsatz vertrauen.

Varianten

  • Strategisches Netzwerkdesign: Standortwahl, Make-or-Buy, Beschaffungs- und Kapazitätsentscheidungen über einen Horizont von 3-10 Jahren.
  • Taktisches S&OP / IBP: monatliche Nachfragebesprechung, Angebotsbesprechung, finanzieller Abgleich, Entscheidungsrunde der Geschäftsleitung; rollierend 12-24 Monate.
  • Resilienz- und CO2-Variante: Mehrzieldesign (Kosten, Service, Emissionen, Dual Sourcing).
  • KMU / Mittelstand: ein einzelnes Werk mit wenigen Lagern; gelöst in einem Modell aus Tabelle plus offenem Solver oder einer ERP-/Planungserweiterung statt einer vollständigen IBP-Suite.
  • Handel / Konsumgüter: Verteilzentren-Netzwerk und Filialnachschubflüsse, verknüpft mit OPT-005.

So funktioniert es

  1. data (ERP, demand history, cost/rate tables, BOM, capacity)
  2. forecast (ML time series, probabilistic) + lead-time/risk estimates
  3. network/supply model (digital twin: nodes, arcs, constraints, costs)
  4. optimisation (MIP/LP, multi-objective) + simulation of uncertainty
  5. scenario library (baseline, tariff, outage, demand shock, CO2 cap)
  6. S&OP meeting pack (LLM-drafted explanations, KPI deltas)
  7. human decision
  8. plan released to execution (APS, WMS, TMS)
  • Prognose: Gradient Boosting oder Zeitreihen-Foundation-Modelle erzeugen Quantilprognosen; siehe PRED-001.
  • Optimierungskern: Standortwahl- und Mehrgüterflussmodelle, gelöst mit MIP-Solvern. Der Solver, nicht das LLM, liefert die Zahlen.
  • Rolle des LLM: eine Geschäftsfrage in eine Szenariodefinition übersetzen (siehe OPT-018), bindende Randbedingungen und Planunterschiede in verständlicher Sprache erklären, Protokolle entwerfen. Die Ausgaben werden gegen das Solver-Ergebnis geprüft.
  • Mensch-in-der-Schleife (Human-in-the-Loop): Nachfrageplaner passen Prognosen an, die Angebotsbesprechung akzeptiert oder ändert die Kapazität, die Geschäftsleitung genehmigt Netzwerkänderungen. Die Planfreigabe ist immer eine menschliche Entscheidung.

Datenaufbereitung

Benötigt werden: Nachfragehistorie, Prognosen, Kapazitäten von Standorten und Lagern, Transportrelationen und Tarife, Produktionskapazitäten, Stücklisten, Kosten und Serviceziele. Diese liegen im ERP, in Planungswerkzeugen, in Frachtrechnungen und in vielen Excel-Dateien, die einzelne Planer pflegen. Kunden- und Lieferantenstammdaten sind über mehrere Systeme verteilt.

Typische Lücken: abweichende Definitionen derselben Kennzahl in verschiedenen Abteilungen, veraltete Relationskosten, fehlende Kapazitätsdaten, Kunden- und Standort-IDs, die systemübergreifend nicht zusammenpassen, und S&OP-Besprechungsunterlagen als verstreute Foliensätze.

Aufbereitungsschritte: - Benötigte Daten mit Quellen und Lücken abgleichen (PREP-002). - ERP- und Transportdaten über Exporte oder Konnektoren extrahieren (PREP-005). - Stammdaten abgleichen und ein gemeinsam vereinbartes Kennzahlenglossar aufbauen (PREP-012). - Excel-Dateien der Planer in saubere Tabellen überführen und als Datenquellen nachverfolgen (PREP-003, PREP-011). - Datenverantwortliche je Quelle benennen (PREP-004).

Grober Aufwandsanteil: 50-60 Prozent, vor allem die Abstimmung von Definitionen statt Technik. Prüfen Sie die Bereitschaft mit GUIDE-003.

Umsetzungswege

Welcher Weg für wen

  • Großunternehmen: Weg B. Netzwerkdesign und S&OP sind strategisch und unternehmensspezifisch; daher schlagen Szenariomodelle und Solver auf eigenen ERP- und Planungsdaten über APIs generische Werkzeuge.
  • KMU: Weg A. Nur wenige KMU brauchen ein maßgeschneidertes Modell; etablierte Planungs- und S&OP-SaaS mit EU-Hosting deckt den Standardprozess zu bezahlbaren Preisen ab.
  • Entwickler: Weg C. Open-Source-Optimierung (z. B. OR-Tools, HiGHS) und LLM-basierte Texterstellung laufen auf HW1 zur Einbettung in eigene Werkzeuge.

Weg A — Kaufen (Standardsoftware) (empfohlen)

  • Werkzeuge für Netzwerkdesign: Coupa Supply Chain Design (früher LLamasoft), AIMMS SC Navigator (EU, Niederlande), anyLogistix (AnyLogic, simulationsbasiert), Optilogic Cosmic Frog, SAP IBP mit Netzwerkdesign, Kinaxis Maestro, o9 Solutions, Blue Yonder, OMP (Belgien, EU), Anaplan für finanzgekoppeltes S&OP und Lokad für probabilistische Planung (Frankreich, EU).
  • A wählen, wenn: mehrere Standorte und Artikel, ein vorhandenes ERP (SAP, Microsoft, Oracle) und ein Team mit Bedarf an vom Anbieter unterstützten Planungsabläufen. Prüfen Sie EU-Datenhosting, ERP-Konnektoren, Versionierung von Szenarien und wie der LLM-Assistent des Anbieters mit Ihren Daten umgeht.

Weg B — Auf Cloud-KI-Diensten aufbauen

  • Solver als Dienst: Gurobi (Cloud/Gurobi Optimizer; Gurobi AI Modeling Assistent), FICO Xpress, Google OR-Tools, Hexaly (Frankreich, EU), Timefold (Belgien, EU) für Planungsprobleme.
  • Prognose: Prognosedienste von Azure/AWS/Google oder Nixtla TimeGPT; dazu ein Frontier-LLM (Claude, Gemini, GPT, Mistral in EU-Regionen) für Texte und die Übersetzung von Szenarien.
  • Orchestrierung: Daten in einem Data Warehouse (Snowflake, BigQuery, Databricks), Modell in Python (Pyomo oder ähnlich), Ergebnisse zurück in BI und das Planungswerkzeug.
  • B wählen, wenn: Sie ein individuelles Modell brauchen, das Standardwerkzeuge nicht abbilden können.

Weg C — Selbst betreiben (Open Source)

  • Solver: HiGHS (MIT-Lizenz), Google OR-Tools (CP-SAT), SCIP, CBC; Modellierung in Pyomo, PuLP oder JuMP. Simulation: SimPy.
  • Prognose: Nixtla StatsForecast / NeuralForecast, Darts, Chronos oder andere offene Zeitreihen- Foundation-Modelle.
  • LLM-Schicht: ein Open-Weight-Modell (z. B. Qwen, Llama, Mistral), lokal betrieben für Textaufgaben und Modellerklärungen; das LLM schreibt nur Text und Modellcode, der geprüft wird.
  • Hardware: HW1 genügt für Solver und Prognose (CPU, viel RAM); HW2/HW3 nur für ein lokales LLM. Große MIPs können kommerzielle Solver-Lizenzen für die Leistung erfordern.

Weg D — Eigenes Training

Feintuning ist selten nötig. Es lohnt sich für: eigene Modelle für Lieferzeit oder Störungsrisiko, gelernte Ersatzmodelle (Surrogate), die große Simulationen beschleunigen, oder Reinforcement-Learning-Policies für mehrstufige Entscheidungen. Erfordert eine mehrjährige Historie von Aufträgen, Lieferungen und Verzögerungen.

Stand der Technik (2026)

  • Predict-then-optimise ist Standard; die Forschung verfolgt zunehmend entscheidungsorientiertes Lernen, bei dem Prognosen auf Entscheidungsqualität statt nur auf Genauigkeit trainiert werden.
  • Probabilistische und stochastische Planung (Quantilprognosen, Szenariobäume, robuste Optimierung) ersetzt in führenden Suiten Pläne mit Einzelwerten.
  • LLM-Copilots in Planungssuiten (Kinaxis, o9, SAP, Blue Yonder, Coupa) beantworten Fragen zu Plänen, bauen Szenarien aus natürlicher Sprache und fassen Ausnahmen zusammen; agentische Funktionen, die Planungsmaßnahmen vorschlagen und ausführen, sind im frühen Produktivbetrieb.
  • LLM-zu-Solver-Modellierung (OptiMUS, Gurobi AI Modeling, Forschung zu OR-LLM) hilft Analysten, Modelle zu formulieren, doch die Benchmark-Genauigkeit bei komplexen Industriemodellen ist noch begrenzt [4].
  • Digitale Zwillinge des durchgängigen Netzwerks erlauben fortlaufende Neuoptimierung statt einmaliger Studien.
  • Grenzen und Fehlerbilder: Garbage-in-Daten (veraltete Kosten- und Lieferzeittabellen); Modelle, die reale Randbedingungen ignorieren (Personal, Zoll, Verträge); übermäßiges Vertrauen in ein einziges Optimum; von LLMs halluzinierter Modellcode oder halluzinierte Randbedingungen; Prognose-Bias, der sich in Kapazitätsentscheidungen fortpflanzt; S&OP scheitert aus organisatorischen, nicht technischen Gründen (keine gemeinsamen Ziele).

Gemeinsame Bausteine & Kombinationen

  • Gleicher Stack (Optimierungslöser + Zeitreihen): OPT-001 Tourenplanung, OPT-002 Produktions- planung, OPT-005 Bestand, OPT-012 Packen, OPT-037 Hafenbetrieb.
  • Vorgelagert: PRED-001 Nachfrageprognose, PRED-008 Rohstoffpreisprognose, ANOM-011 Überwachung von Lieferanten- und Lieferkettenrisiken.
  • LLM-Schicht: OPT-018 Optimierungsmodellierung in natürlicher Sprache und Entscheidungs-Copilot ist das natürliche Frontend für die Szenarioarbeit.
  • Datenpipeline: eine ERP-zu-Warehouse-Pipeline bedient Planung, Bestand und Finanzberichte.

Aufwand, Kosten & Kennzahlen

  • Weg A: 3-9 Monate für eine Suite-Einführung; Lizenz typischerweise je Nutzer/Modul; die Datenbereinigung ist der Hauptkostenfaktor. Netzwerkdesign-Studien lassen sich mit einem Spezialisten in Wochen durchführen.
  • Weg B: 3-6 Monate für ein erstes Produktivmodell; Solver-Lizenzen und Cloud-Rechenleistung.
  • Weg C: 3-6 Monate; überwiegend Entwicklungs- und Modellierungszeit; niedrige Lizenzkosten.
  • Kennzahlen: Gesamtkosten frei Haus (Total Landed Cost), Servicegrad (OTIF), Prognosegenauigkeit und Bias (WAPE), Lager- umschlag, Plan-Stabilität, S&OP-Zykluszeit, Durchlaufzeit für Szenarien, CO2e je versandter Einheit.

Menschen & Veränderung

Binden Sie die Geschäftsleitung als Sponsor ein, da Netzwerkentscheidungen Standorte und Verträge verändern, sowie die Abteilungsleitungen aus Vertrieb, Produktion, Einkauf und Logistik, denn S&OP ist nur nützlich, wenn alle Funktionen einen gemeinsamen Zahlenstand akzeptieren. IT und die Datenverantwortlichen liefern die Daten; wichtige Lieferanten und Logistikpartner müssen eventuell Kapazitätsannahmen bestätigen. Recht und Compliance prüfen Auswirkungen auf Verträge und Zoll.

Betriebsrat: meist nein, da die Daten aggregiert und nicht personenbezogen sind. §90 Abs. 1 Nr. 3 BetrVG verlangt dennoch eine rechtzeitige Information, wenn sich Planungsprozesse durch KI ändern, und Standortschließungen oder Verlagerungen aus einer Netzwerkstudie können eigene Mitbestimmungsrechte auslösen; beziehen Sie ihn daher früh ein, wenn Szenarien Arbeitsplätze betreffen. Im öffentlichen Dienst wird der Personalrat beteiligt.

Personenbezogene Daten fehlen normalerweise; informieren Sie die Datenschutzbeauftragte(n) trotzdem. KI-Kompetenz: Schulen Sie Planer darin, Szenarioannahmen zu hinterfragen und Modellergebnisse kritisch zu lesen (GUIDE-006). Pilotieren Sie mit einer Produktfamilie oder Region und vergleichen Sie mit dem etablierten Plan (GUIDE-009). Typische Sorge: „Das Modell entscheidet über Standorte.“ Stellen Sie klar, dass Szenarien Entscheidungsunterstützung sind, Annahmen dokumentiert werden und die Geschäftsleitung entscheidet. Siehe GUIDE-008 und GUIDE-001.

Risiken, Regulierung & Compliance

  • KI-Verordnung (AI Act): minimales Risiko; keine Kategorie des Anhangs III für kommerzielle Lieferkettenplanung. Ausnahme: Verwaltet das Planungssystem Sicherheitskomponenten kritischer Infrastruktur (Energie, Wasser, Verkehr), ist die Einstufung neu zu prüfen. KI-Kompetenz (Art. 4) gilt [3].
  • DSGVO: überwiegend nicht personenbezogene Daten; Kundenadressen für die Lieferung sowie Mitarbeiter-/Fahrerdaten in Kapazitätsmodellen können personenbezogen sein; aggregieren Sie, wo möglich.
  • Branchen- und Handelsregeln: EU-Lieferkettensorgfalt (CSDDD), CSRD-Emissionsberichte, deutsches LkSG, Sanktions- und Exportkontrollprüfung neuer Netzwerkknoten, Änderungen bei Zoll und Tarifen [5].
  • Wettbewerbsrecht: Der Austausch von Planungsdaten zwischen Wettbewerbern (gemeinsame S&OP-Plattformen) muss geprüft werden.
  • Risiken und Gegenmaßnahmen: falsche Kostendaten (Eingaben versionieren und prüfen), Bias durch ein einziges Szenario (immer Stresstests fahren), von LLMs erzeugte Modellfehler (gegen das Solver-Ergebnis verifizieren), Herstellerabhängigkeit (Modelle und Daten exportieren), Cyberrisiken für Planungsdaten (Zugriffskontrolle).

Erste Schritte

  1. Die Entscheidung (neuer Standort, Beschaffungsverschiebung, S&OP-Neugestaltung) und die 3-5 Kennzahlen festlegen, an denen sie gemessen wird.
  2. Einen sauberen Ausgangsdatensatz zusammentragen: Flüsse, Kosten, Kapazitäten, Lieferzeiten; mit dem Finanzwesen abgleichen.
  3. Ein Basismodell aufbauen und kalibrieren, das die tatsächlichen Kosten des Vorjahres auf wenige Prozent genau abbildet.
  4. 5-10 Szenarien (Zoll, Störung, Nachfrage, CO2-Grenze) durchrechnen und mit Betrieb und Finanzwesen besprechen.
  5. Verstetigen: monatlicher S&OP-Zyklus mit Nachverfolgung der Prognosegenauigkeit; einen LLM-Assistenten für das Reporting ergänzen.

Quellen

  1. HiGHS open-source solver — https://highs.dev/
  2. Google OR-Tools documentation — https://developers.google.com/optimization
  3. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
  4. OptiMUS: scalable optimization modeling with LLMs (Ahmaditeshnizi et al.) — https://arxiv.org/abs/2402.10172
  5. European Commission — Corporate sustainability due diligence — https://commission.europa.eu/business-economy-euro/doing-business-eu/sustainability-due-diligence-responsible-business/corporate-sustainability-due-diligence_en
  6. Pyomo optimization modeling — https://www.pyomo.org/
  7. Nixtla StatsForecast — https://github.com/Nixtla/statsforecast
  8. Timefold planning solver — https://timefold.ai/
  9. Gurobi AI Modeling — https://www.gurobi.com/