In der Ersatzteillogistik sorgen große Sortimente an Ersatzteilen für hohe Bestände und Kosten, da die Lieferbarkeit auch lange nach Produktionsstopp sichergestellt werden muss. Die valide Prognose der Ersatzteilbedarfe ist für die Bedarfsplanung deshalb ein sehr wichtiges Instrument. Das Fraunhofer SCS entwickelt derzeit in einem Industrieprojekt ein Prognosetool für Kosteneinsparungen bei der Bedarfsplanung von Ersatzteilen. Hierzu werden Verfahren des maschinellen Lernens, wie z.B. Clustering und Entscheidungsbäume, verwendet, um die Verbräuche von Ersatzteilen prognostizieren zu können, für die sehr wenige eigene Verbrauchsdaten vorliegen. Dazu werden Ähnlichkeiten mit anderen Ersatzteilen und den Endprodukten, in denen die Ersatzteile verbaut sind, verwendet, um valide Prognosen zu erstellen.