Autor: Christian Mandl
Rohstoffpreise sind während der Corona-Pandemie signifikant gestiegen. Dies gilt nicht nur für Holz, dessen Preis sich in den vergangenen Monaten nahezu verdreifacht hat. Auch die Preise für Aluminium und Kupfer stiegen im vergangenen Jahr um mehr als 50%. Ähnliche Preisanstiege sind für Agrarprodukte wie Mais oder Weizen zu beobachten.
Dies macht für rohstoffbeschaffende Unternehmen gerade jetzt ein effektives Risikomanagement wichtiger denn je.
Zwei in der Praxis gängige Instrumente zur Absicherung von Rohstoffpreisrisiken sind Termingeschäfte (sogenanntes Financial Hedging) und die Vorratslagerhaltung (sogenanntes Operational Hedging).
In beiden Fällen setzt die Optimierung der Beschaffungszeitpunkte und -mengen die Lösung eines komplexen, mehr-periodigen stochastischen Optimierungsproblems voraus. Darüber hinaus stellt sich in einer aktuell von Buzzwords wie „KI“ und „Big Data“ dominierten Geschäftswelt die Frage, wie Daten (beispielsweise interne und externe Featuredaten) zur Optimierung von Beschaffungsentscheidungen genutzt und effizient operationalisiert werden können.
Eine Kombination aus klassischen Optimierungsverfahren (z.B. gemischt-ganzzahlige lineare Programmierung) mit Standardverfahren des Maschinellen Lernens kann hier Abhilfe schaffen, um Beschaffungs- und Lagerhaltungsentscheidungen am Rohstoffmarkt datengetrieben abzuleiten.
Während die klassischen Ansätze Prognose und Entscheidung bzw. Optimierung typischerweise separieren, setzen unsere Ansätze auf eine Integration von Prognose und Optimierung, das heißt Machine Learning ist Teil des Optimierungsalgorithmus. So wird sichergestellt, dass nicht notwendigerweise die Preisprognosen optimiert werden sollen (was ohnehin ein schwieriges Unterfangen ist), sondern der Fokus auf der Minimierung der Beschaffungskosten liegt, was die eigentliche Zielfunktion des Unternehmens charakterisiert. Dadurch wird der Beobachtung Rechnung getragen, dass optimale Preisprognosen keine notwendige Bedingung für kostenoptimale Beschaffungsentscheidungen sind.
Das Resultat sind einfache und interpretierbare (lineare) Entscheidungsregeln, die dem Einkäufer datengetriebene Kaufsignale (oder Wartesignale) liefern, die je nach Rohstoffklasse beispielsweise von Konjunkturindikatoren aber auch Wetterdaten abhängen können.
Weitere Details zu unserer Arbeit finden Sie unter anderem unter den folgenden Links:
https://link.springer.com/chapter/10.1007/978-3-658-31898-7_3
https://pubsonline.informs.org/doi/abs/10.1287/msom.2020.0890