Kontext
Ein Pharmadistributor in Genf beliefert Schweizer Apotheken mit über 5.000 Artikeln. Out-of-Stock führte zu Expressbestellungen, Mehrkosten und Umsatzverlust. Excel-Prognosen mit Mittelwerten ignorierten Saisonalität, Kanton und Produkteinführungen. Ziel: datenbasierte Planung auf Azure in der Schweiz, angebunden ans ERP.
Lösung
Forecasting mit Azure Machine Learning:
- Daten: Historische Verkäufe je Artikel/Kanton, Launches, Aktionen, Saisonalität (Impfungen, Allergien), Wetter und Logistikkapazität.
- Preprocessing: Outlier-Bereinigung, Imputation fehlender Werte, Granularität bis Kanton.
- Modelle: AutoML für Zeitreihen, testet Prophet, LightGBM, ARIMA, hybride Ansätze; ein Modell pro Produktfamilie für gutes Verhältnis von Genauigkeit/Kosten.
- Metriken: MAPE/WAPE pro Familie, zeitbasierte Cross-Validation; Auswahl nach Fehler und Stabilität.
- Deployment: Verwaltete Endpunkte in Azure ML, nächtliche Inferenz. Daten/Endpoints in Switzerland North.
- Integration: Prognosen speisen Sicherheitsbestände im ERP via API. Power BI zeigt erwartete Nachfrage, Abdeckung und Alerts je Kanton/Artikel.
Betrieb
Nachts werden Verkäufe aktualisiert und Prognosen neu berechnet. Ein Power-Automate-Flow warnt bei Abdeckung unter Schwelle oder prognostiziertem Peak (starke Kälte, Ausbruch). Einkauf passt Bestellungen an, bevor Lücken entstehen.
Ergebnisse
- Out-of-Stock -70 %.
- Weniger Notfallbestellungen und Expressfracht.
- Optimierte Abdeckung: weniger gebundenes Kapital bei gleichem Service.
- Besserer Service für Apotheken: weniger Teillieferungen, mehr vollständige Sendungen.
Sicherheit
Daten und Modelle in Azure Schweiz. Zugriff via Azure AD, Audit aktiv. Keine generische Assistenten-Nutzung, nur Azure/M365-Stack.
Ausblick
Marktsignale (öffentliche Gesundheitsdaten) ergänzen, Aktionen simulieren und Sicherheitsbestände dynamisch nach regionalem Risiko steuern.
Fazit
Mit Azure ML und Power Platform wird Planung proaktiv: weniger Feuerwehreinsätze, besserer Cashflow und höherer Servicegrad – bei voller Datensouveränität in der Schweiz.
Practical tips for Microsoft/Azure
- Keep examples concrete: show 1-2 configuration steps (Azure resource, ask prompt), and test with a small dataset first.
- Prefer RAG (retrieval-augmented generation) for grounding answers: index internal docs, add answer citations and logging.
- Deploy models in a Swiss region for data sovereignty and enable proper moderation + access controls (Azure AD, role-based).