Produktionsprozesse in der Automobilindustrie werden komplexer, die Produktvielfalt steigt. Zudem steigt der Kostendruck und Kunden verlangen exaktere Informationen und kürzere Lieferzeiten zu ihren individuellen Produkten.
Parallel werden in der digitalen Gesellschaft enorme Datenmengen sowohl von potentiellen Kunden als auch von Produkten selber über deren Lebenslauf erzeugt (Produktentstehung, Produktion, Nutzung, Recycling).
Basierend auf neuen Datenquellen, wie dem Online-Konfigurator, Twitter oder facebook sowie historischen und aktuellen Auftragsdaten werden komplette Bedarfsprognosen bis auf Teileebene erstellt.
Wenn beispielsweise viele Kunden auf der Audi Homepage Autos mit weißen Ledersitzen konfigurieren, erkennt der lernende Algorithmus diesen Trend und passt die Prognosen an.
Kombiniert mit klassischen Methoden, wie Zeitreihenanalysen und der Nutzung von sogenannten Prediktoren, wie zum Beispiel dem Ifo-Geschäftsklimaindex werden Prognosen für bis zu 48 Monate im Voraus generiert.
Die Prognosen enthalten alle relevanten Informationen, die auch Kundenaufträge haben, wie Bedarfsort und –zeitpunkt, sowie Modell und Sonderausstattungen. Somit können die Folgeprozesse, wie die Beschaffung und die Personalplanung mit den Prognosen planen und profitieren direkt von deren Exaktheit und Stabilität.