Die Idee zur Ausgründung entstand nicht nur aus eigenem Antrieb, sondern vorallem aus dem klaren Bedarf der Pilotpartner. Schon früh kam die Frage auf, wie es nach dem KI-Regio-Projekt weitergeht. Unternehmen wollten mehr als theoretische Konzepte – sie wollten eine konkrete, einsetzbare Lösung. So entstand Solistiq: mit dem Ziel, Bestandsplanung langfristig und praxisnah zu verbessern.

Definition und Aufbau eines Foundation Models

Im Rahmen des klassischen Ansatzes der Prognose und Bestandsplanung lassen sich drei typische Vorgehensweisen unterscheiden:

Erstens die manuelle Planung, bei der Mitarbeitende historische Verkaufszahlen auswerten und auf Basis von Erfahrung oder Tabellenanalysen Bestellentscheidungen treffen. Zweitens statistische Prognoseverfahren wie Zeitreihenmodelle, die historische Daten analysieren, um Trends oder saisonale Muster zu erkennen und daraus Nachfrageprognosen abzuleiten. Drittens KI-basierte Modelle, die zusätzlich externe Faktoren wie Wetter, Preise oder Feiertage berücksichtigen, um genauere Vorhersagen zu ermöglichen.

Daraus ergibt sich eine zentrale Herausforderung klassischer Prognoseansätze: Für jedes Produkt muss ein eigenes Modell ausgewählt oder trainiert werden. In Unternehmen mit tausenden Artikeln entsteht so eine komplexe und schwer skalierbare Modelllandschaft – genau hier setzt der Ansatz von Solistiq an.

Foundation Model von Solistiq

Der Prozess beginnt links mit dem Trainingsprozess des Modells. Dabei werden Daten aus unterschiedlichen Branchen zusammengeführt, etwa aus Industrie, Handel, Großhandel, Energie oder Gastronomie. Diese Daten enthalten beispielsweise Informationen über Nachfrageverläufe, Preise, Lagerbestände oder externe Einflussfaktoren. Diese großen und heterogenen Datensätze werden genutzt, um ein sogenanntes Foundation Model zu trainieren. Anders als bei klassischen Ansätzen wird hier ein einziges großes Modell entwickelt, das aus den Mustern vieler verschiedener Produkte gleichzeitig lernt.

Im nächsten Schritt wird dargestellt, wie dieses Modell im praktischen Einsatz arbeitet. Das System erhält verschiedene relevante Informationen, etwa Nachfrageentwicklungen, Preisänderungen, Wetterdaten oder Suchtrends. Diese Faktoren werden gemeinsam analysiert, um die zukünftige Nachfrage möglichst präzise zu bestimmen. Auf dieser Grundlage erzeugt das Modell eine Vorhersage der zukünftigen Nachfrage. Diese Vorhersage dient anschließend als Grundlage für konkrete Handlungsempfehlungen. Das Ergebnis: statt nur eine Prognose zu liefern, kann das Modell direkt konkrete Bestellvorschläge generieren, beispielsweise eine bestimmte Bestellmenge für ein Produkt. Das System unterstützt Unternehmen damit unmittelbar bei operativen Entscheidungen im Bestandsmanagement.

Der Unterschied zwischen beiden Ansätzen wird deutlich: Im klassischen Ansatz werden viele einzelne Modelle für einzelne Produkte benötigt. Jedes Produkt wird separat prognostiziert und geplant, was komplex und schwer skalierbar ist. Der Solistiq-Ansatz verfolgt dagegen eine andere Logik. Ein einziges großes Modell wird auf Daten vieler Produkte trainiert und kann anschließend gleichzeitig für tausende Artikel eingesetzt werden. Dadurch kann das Modell produktübergreifende Muster erkennen. Erkenntnisse aus einem Produkt verbessern auch die Prognosen für andere Produkte (Cross-Learning). Das ermöglicht präzisere Bestellentscheidungen, reduziert Fehlbestände und senkt Bestandskosten um bis zu 20 %.