Planer:innen in SAP IBP, OMP und Relex treffen bessere Entscheidungen, mit KI-gestützten Vorschlägen für mehr Verfügbarkeit und Bestandssicherheit.
Ausgangslage
Auch mit SAP IBP, OMP oder Relex bleibt Forecasting häufig aufwendig, fehleranfällig und manuell.
Prognosegüte bleibt unklar und Entscheidungen basieren auf unvollständiger Datengrundlage.
Bevor überhaupt entschieden werden kann, müssen Daten mühsam aufbereitet und bereinigt werden.
Planer:innen greifen weiter manuell ein, weil sie den Prognosen nicht trauen.
Kundenbeispiele
Weniger Aufwand, bessere Entscheidungen: Unternehmen kombinieren KI-Agenten mit SAP IBP, OMP oder Relex und machen Planung so zum echten Wettbewerbsvorteil.
Demand Forecasting · Replenishment · Retail
Demand Forecasting · Fertigung
Fertigung · Kinaxis
„12 Prozentpunkte bessere Vorhersagegenauigkeit, 7-stelliges €-Potenzial in nur einem Markt – Paretos KI Agenten on top auf Kinaxis haben mich überzeugt!“
Capabilities
Fünf KI-gestützte Capabilities, die traditionelle APS-Systeme nicht bieten. Von automatischer Datenbereinigung bis zu präzisen Launch-Prognosen – ohne manuelle Eingriffe.
Erkennt Ähnlichkeiten und prognostiziert Nachfrage bei Neueinführungen präzise.
KI erkennt und bereinigt Anomalien automatisch – z.B. Stock-Outs oder Kannibalisierung.
Erkennt verdeckte Nachfrage bei Ausverkäufen ohne Datenbereinigung.
Präzise Vorhersage von Promotion-Uplifts und Integration von B2B-Vorbestellungen.
Bindet Datenquellen flexibel an und ergänzt externe Informationen automatisch.
Warum klassische Planungssysteme wie SAP IBP, OMP und Kinaxis bei der Bedarfsprognose an ihre Grenzen stoßen & wie moderne Forecasting Agents mit KI diese Herausforderungen lösen.
Integration
paretos ergänzt SAP IBP, OMP und Relex als intelligente KI-Schicht, für bessere Forecasts ohne Systemwechsel. Die KI-Agenten analysieren, bereinigen und optimieren direkt im bestehenden Planungssystem.
Dank tiefer System-Expertise docken wir nahtlos an: paretos versteht die Datenstrukturen von SAP IBP, OMP und Kinaxis im Detail. Ihre bestehende Datenqualität ist meist völlig ausreichend – kleine Ergänzungen genügen für den Start. So wird aus komplexer Integration ein überschaubares Onboarding.
Verkaufsdaten
Die Verkaufsdaten sind die Grundlage für die Prognose. Hier kann der Agent bereits Saisonalitäten und andere Trends lernen.
Baseline Forecast + Demand Plan
Verbinden Sie paretos einfach mit Ihren bestehenden ERP-, BI- oder Planungssystemen und nutzen Sie die Vorteile von Business-KI – ganz ohne aufwändige Systemwechsel. Fast time to value garantiert!
Bestandsdaten
Die Bestandsdaten sind eine sehr wichtige Information für den Agenten. Ist ein Artikel nicht auf Lager oder in einem Zeitschritt leergelaufen, so lernt der Agent die Verkäufe richtig zu interpretieren.
Produkt-Stammdaten
Produkt-Stammdaten helfen dem Agenten, um über Produkteigenschaften und Hierarchien Ähnlichkeiten zu identifizieren und sowohl für neue als auch bestehende Produkte so noch mehr Signal zu finden.
Promotions
Mit den Promotion-Daten erkennt der Agent, welche Nachfragespitzen auf Aktionen zurückgehen. So prognostiziert er Promotion-Uplifts gezielt, und Aktionsspitzen verzerren die Basisprognose nicht.
Produktlebenszyklen
Mit diesen Informationen lernt der KI-Agent optimal das Verhalten zwischen Vorgänger- und Nachfolgerprodukten und kann die Übergangsphase automatisiert und mit hoher Qualität abbilden.
Sofort einsatzbereit. Nahtlos integriert.
Die vorgefertigten AI Agents von paretos setzen auf Ihre bestehenden Prozesse und Tools auf und helfen dabei, schneller und besser zu entscheiden.
Agentic AI bringt Intelligenz in:
Systemvergleich
Wir kennen die Stärken und Schwächen jedes Systems. Deshalb ergänzt der paretos Forecasting-KI-Agent die bestehenden Funktionen gezielt. Für bessere Forecasts und echte Insights.
| Kriterium | SAP IBP | OMP | Kinaxis | Relex | + paretos KI-Agent |
|---|---|---|---|---|---|
| Insights für besseres Demand Planning | Forecast Value Add kann berechnet werden. Weitere Insights müssen händisch gefunden werden in unintuitiver Oberfläche. | Gute Darstellung von Daten und Ergebnissen, ermöglichen dem User teilweise aus der Vergangenheit Insights manuell zu finden. | Exception Handling zu Datenauffälligkeiten und Berechnung des Forecast Value bringen gute erste Insights. | Prozess wird durch definierte Exceptions gesteuert. Alles regelbasiert, ohne automatische Mustererkennung für den Planer. | Proaktive Reports zu fehlerhaften Daten und auffälligen Ergebnissen für optimales Demand Planning und nachhaltiges Lernen. |
| Prognosequalität | Best-fit-Ansatz wählt aus mehreren Modellen, ist aber begrenzt durch verfügbare Modelle und fehlendes Feature Engineering. Die Qualität ist nur bei einfachen Mustern gut genug. | Vorwiegend statistische Modelle im Einsatz bei Bestandskunden. Dadurch sind die Ergebnisse unzureichend in der Qualität. | Führender Planungsanbieter für Prognose-Qualität mit Rapid Response. Große Modellauswahl, die allerdings nicht optimal und dynamisch kombiniert werden. | Klassische Machine-Learning-Methoden im Einsatz. Allerdings fehlt es dem System an Finetuning, was zu unzureichender Qualität führt. | Individualisiertes Ensembling aller existierender KI und statistischen Modelle in Kombination mit automatisiertem Feature Engineering. Das führt zu jedem Zeitpunkt zu bestmöglichen Ergebnissen und Prognosen auf bestehenden Daten. |
| Prognosequalität für Produkteinführung | Nicht möglich. Muss manuell geplant werden. | Nicht möglich. Muss manuell geplant werden. | Nicht möglich. Muss manuell geplant werden. | Nicht möglich. Muss manuell geplant werden. Referenzen können hinterlegt werden. | Produkte ohne Historie werden über Ähnlichkeiten automatisch vorhergesagt. Die Qualität ist oft besser als die der manuellen Prognosen. |
| Berücksichtigung von Out-of-Stock-Situationen | Muss manuell durch Demand Cleansing herausgefiltert werden. Outlier Correction und Replace Missing Values Funktionalitäten des Systems funktionieren nicht zuverlässig genug. | Muss manuell durch Demand Cleansing herausgefiltert werden. | Kann durch teure Implementierung automatisiert werden. Risiko besteht, dass Demand nicht richtig getroffen wird. | Relex berücksichtigt OOS für die Hochrechnung des zukünftigen Demands, aber bereinigt nicht um Substitutionseffekte. | KI-Agent stellt sicher, dass Bedarf, nicht Verkäufe, vorhergesagt werden. Out-of-Stock-Situationen werden automatisch im Training und der Prognose des KI-Agenten berücksichtigt und gelernt. |
| Selbstständiges Hinzufügen von Daten-Inputs möglich | Hinzufügen möglich, i. d. R. aber nicht wirksam ohne Data-Science-Beratung, wie Daten transformiert werden müssen. | Hinzufügen möglich, i. d. R. aber nicht wirksam ohne Data-Science-Beratung, wie Daten transformiert werden müssen. | Datenontologie für bestimmte Eingangsdaten vorhanden, mit sehr spezifischen Daten-Ontologien. | Datenontologie für bestimmte Eingangsdatenquellen vorhanden. Teilweise ein Extra-Modul. | Manuell und automatisiert (z.B. SFTP) möglich. KI-Agent übernimmt notwendige Transformationen, damit aus Daten richtig gelernt werden kann. Es wird kein Data Scientist benötigt. Der Planer kann autark arbeiten. |
| Weiterentwicklungs- und Maintenanceaufwand | Hohe Projektkosten durch spezialisierte SAP-Berater für jede kleine Änderung. | Hohe Projektkosten durch den durchschnittlich hohen individuell angepassten Anteil des Systems und die damit einhergehende Komplexität. | No Code Customization möglich, aber eingeschränkt. Daten- und Modellthemen erfordern Berater. | SQL und Python SDK lassen einfacher Erweiterungen zu. Teilweise Self Service. | Einfach zu erweitern mit geringen Projektkosten, da es saubere Schnittstellen gibt, die auf Python und SQL aufbauen. Maintenance wird vom KI-Agenten automatisch übernommen. |
| Analysefähigkeiten und Ergebnisse | Excel-Makro als Standardeinstiegspunkt. Hohe Flexibilität und gleichzeitig wenig Guidance, um optimal Ergebnisse zu evaluieren. Fiori bietet weitere klassische Dashboards. | Intuitive und gute UI, um Ergebnisse in Kontext zu setzen. Sehr stark auf den Planungsprozess fokussiert und weniger auf die Prognose. | Konfigurierbare UI, mit der bestimmte Analysen mit No Code selbst gebaut werden können. | Leistungsstarkes BI-Tool in Relex. Analysen können mit vorhandenen Daten erstellt werden. | Analysen zu Prognosequalität und Datenthemen sind eingebaut und müssen nicht erst aufgebaut werden. Auffälligkeiten werden aktiv gemeldet, nicht nur dargestellt – ohne Data Scientist und ohne eigenes BI-Projekt. |
| Manuelle Arbeit Forecasterstellung Planer | Viel manueller Aufwand für Demand Cleansing und Outlier-Ausbesserung. Hohe Komplexität der Menüführung, Filter und Formulare sowie uneinheitliche und unintuitive Oberflächen erhöhen den manuellen Aufwand. | Viel Zeit des Planers geht in Demand Cleansing und Outlier-Ausbesserung, als auch ins Demand Planning, da viele Prognosen durch mangelnde Qualität überschrieben werden müssen. | Demand Cleansing und Exceptions müssen basierend auf den automatischen Alerts noch manuell ausgebessert werden. Ein mittlerer Anteil an Produkten muss im Demand Planning manuell geplant werden. | Mittlerer Grad an Automatisierung. OPs werden auf Basis von definierten Exceptions geprüft und ggf. manuell angepasst. | Es wird alles automatisch erstellt. Planer hat Zeit, Ergebnisse zu prüfen und Prognosen systematisch zu verbessern durch das Testen von Hypothesen oder das einmalige Bereinigen der Stammdaten. |
Jetzt starten und Ihr System intelligenter machen
In einem unverbindlichen Gespräch zeigen wir, wie Sie mit KI-Agenten Prognosen verbessern und manuelle Arbeit reduzieren. Direkt in SAP IBP, OMP & Co. Integrieren Sie KI-Agenten nahtlos in Ihre bestehende Planung, ohne Systemwechsel. Unser Team zeigt Ihnen, wie das konkret aussieht.