Lebensmittelhändler stehen unter ständigem Druck. Ihre Kunden verlangen stets topfrische Produkte. Gleichzeitig müssen sie aber auch Profit erwirtschaften. Machine Learning Algorithmen in Predictive-Analytics-Systemen ermöglichen Handelsunternehmen den Spagat.
IM KAMPF um Kunden liegen Händler, die auf frische Produkte setzen, deutlich vorne. Mehr als zwei von drei Konsumenten (68 Prozent) sind jedoch von der Frische der im Lebensmittelhandel angebotenen Waren enttäuscht. Über die Hälfte der befragten Verbraucher (54 Prozent) kaufen überdies nicht mehr beim Händler ihres Vertrauens ein, wenn ihnen die Frische des Sortiments nicht mehr zusagt. Das ist das Ergebnis einer Befragung über die Zufriedenheit von Verbrauchern im Lebensmittelhandel. An der Umfrage beteiligten sich 4.000 Konsumenten in Deutschland, Frankreich, Großbritannien und den USA, die im Auftrag des Business-Intelligence-Spezialisten Blue Yonder zu ihren Einkaufserfahrungen im Internet, Supermarkt und bei Discountern befragt wurden. Im starken Gegensatz zu den Konsumenten seien dagegen demnach acht von zehn Lebensmittelhändler (81 Prozent) von ihrem Frischwarenangebot überzeugt.
Machine Learning ermittelt optimalen Lagerbestand
„Der Schlüssel zum Erfolg im Lebensmittelhandel liegt in der Kombination von Frische und Profitabilität“, kommentiert Professor Dr. Michael Feindt, Founder & Chief Scientific Advisor von Blue Yonder, die Ergebnisse. „Gerade die jüngeren Generationen legen sehr viel Wert auf Frische und Qualität von Produkten. Lebensmittelhändler müssen dem gerecht werden.“
Wie aber können Lebensmittelhändler dieser Anforderung gerecht werden. Verkaufen sie ihren Lagerbestand nicht vor dem Verfallsdatum beziehungsweise dem Verderb, müssen sie Preisnachlässe gewähren oder sogar einen Totalverlust des Angebotsüberschusses in Kauf nehmen. Haben sie zu wenig Ware auf Lager, können sie eine eventuell höhere Nachfrage nicht bedienen, wodurch ihnen Umsatz verloren geht.
Predicitve Analytics optimiert die Warendisposition
IT-Hersteller bieten dafür Lösungen an. Doch: „Die meisten Lösungen zur Warendisposition nutzen ein starres und regelbasiertes Verfahren, um Absatzprognosen zu erstellen und die Warenverfügbarkeit zu überwachen“, beklagt Christoph Glatzel, Senior Partner bei McKinsey, und ergänzt: „Dieser Ansatz eignet sich zwar meist ausreichend für haltbare Produkte, deren Verfügbarkeit sich leichter prognostizieren lässt, nicht aber für die weitaus kompliziertere Disposition von frischen Nahrungsmitteln.“
Neue Business-Intelligence (BI)-Lösungen, so genannte Predictive Analytics Tools, könnten dieses Problem lösen. Maschinelles Lernen auf Grundlage von Artificial Intelligence, mit denen Computer anhand von Daten auch ohne regelbasierte Programmierungen ‚lernen‘, versetze Einzelhändler laut McKinsey in die Lage, manuelle Prozesse zu automatisieren und die Genauigkeit der Prognosen und Warendisposition drastisch zu verbessern.
Neu entwickelte Algorithmen können gleichzeitig den Preis und die Nachbestellung optimieren.
So können neu entwickelte Algorithmen gleichzeitig den Preis und die Nachbestellung optimieren. Die Algorithmen simulieren wie sich Veränderungen im Preis auf die Nachfrage auswirken. Führt beispielsweise eine kleine Preisreduzierung bei einem Produkt zu einem signifikanten Anstieg des Verkaufsvolumens, empfiehlt das System größere Bestellmengen. Würde die Nachfrage nach einem Produkt selbst durch einen hohen Preisnachlass nicht ansteigen, empfiehlt das System kleinere Bestellmengen, um Verluste infolge von Discounts zu minimieren.
Predicitive Analytics Systeme generieren für Disponenten Entscheidungsvorschläge, die nicht nur auf historischen Verkaufsdaten beruhen. Sie berücksichtigen auch Faktoren wie geplante Anzeigenkampagnen, Filialöffnungszeiten, die lokale Wettervorhersage oder Feiertage. Neueste Algorithmen berücksichtigen dabei mehr als 50 Parameter. Machine-Learning-Systeme beachten auch Einschränkungen beispielweise Lieferantenlieferzeiten sowie deren minimalen beziehungsweise maximalen Bestellmengen.
Der Chart bildet die Nachfragewahrscheinlichkeit für eine bestimmte Filial-Tag-Kombination an. Anhand der Frischware Papaya in der Filiale Nr. 123 am 2. Januar zeigt die vertikale Skala, das in diesem Ladengeschäft genügend Papaya vorrätig sind, um die Nachfrage zu decken. In der Filiale werden wahrscheinlich alle Papaya oder die meisten von ihnen verkauft. Das Risiko verfaulter Papayas ist gering. Aber was passiert, wenn ein Kunde an diesem Tag eine fünfte oder sechte Papaya kaufen will? Die Filiale würde Umsatz verlieren, weil nicht ausreichend Papaya verfügbar wären. Der grüne Graph gibt den voraussichtlichen Wert der Kosten für jeden Lagerstand an. Er berücksichtigt dabei, den potenziellen Umsatzverlust infolge einer Nichtverfügbarkeit genauso wie Preisnachlässe und Abfall. In diesem Fall ermittelt der Algorithmus einen Lagerbestand von neun Papaya als optimal.
Predictive-Analytics-Lösungen verwerten so alle verfügbaren und notwendigen Daten als auch interne und externe Einflussfaktoren und treffen auf deren Grundlage ihre Entscheidungen. Zentral-Disponenten können diese automatisiert erstellten Vorschläge stichprobenartig überprüfen. Menschliche Eingriffe seien aber selten geboten, was den Zeitaufwand für Bestellungen in den Filialen und der Zentrale reduziert
Geschäftsprozesse fortlaufend verfeinern
Um alle Vorteile zu realisieren, die Machine Learning bietet, sollten es Handelsunternehmen aber nicht bei der Implementierung von Predictive Analytics Software belassen. McKinsey rät, dass sie ihre Geschäftsstrategie für ihre Frischlebensmittelabteilung fortlaufend verfeinern und in detaillierte Regeln für das Sortiment umsetzen. Ein Beispiel dafür wäre, welche Artikel sollten zu welchen Zeiten eines Tages immer auf Lager sein.
Handelsunternehmen sollten auch ihre End-zu-End-Prozesse in ihrer Lieferkette überprüfen, einschließlich der Bestellungen auf Filialebene. Lieferintervalle können eventuell angepasst werden. Das kann beispielsweise dann notwendig werden, wenn schnell verderbliche Frischeprodukte zwei Mal am Tag geliefert werden sollen, um die Verfügbarkeit bis zum Verkaufstagsende sicherzustellen. Entsprechend sollten auch Anpassungen bei der Kapazitäts- und Arbeitskräfteplanung in den Großlagern eines Handelsunternehmens erfolgen. Die Arbeitszeiten von Disponenten in der Zentrale und in den Filialen verändern sich aufgrund der neuen Erkenntnisse beispielweise genauso wie ihre Performance-Metriken und ihr Bonus-System.
Algorithmen berücksichtigen strategische Kennzahlen
Predicitive Analytics Systeme können auch individuelle Auftragsentscheidungen mit den strategischen Zielen und Schlüsselkennzahlen, Key Performance Indicators (KPIs), abgleichen. Ist ein Unternehmen mehr auf die Gewinnspanne als auf den Umsatz bedacht, trifft der Algorithmus die Orderentscheidung demgemäß. Der Algorithmus kann auch mehrere Kennzahlen gleichzeitig berücksichtigen.
Aber nicht nur intern können Predictive Analytics Systeme viele Veränderungen anstoßen. Handelsunternehmen sollten überprüfen, wie sie mit ihren Lieferanten zusammenarbeiten und gegebenenfalls auch Verträge neu verhandeln. Das kann soweit gehen, dass ein Handelsunternehmen seinen Lieferanten hilft, deren Planungs- und Auftragsprozesse zu optimieren.
Jeder Vorschlag des Systems sei so darauf ausgelegt, die Produktverfügbarkeit zu gewährleisten und gleichzeitig das Risiko durch Verderb oder erforderliche Preisreduzierungen zu minimieren – der Spagat wird möglich. hei
Anzeige
IT-Matchmaker®.guide ERP-Lösungen
Standardreferenz und Einkaufsführer für IT-Entscheider
- Expertenbeiträge
- Anbieterprofile
- Referenzen aus der Praxis
- Produktübersichten
Zum Download dieses ERP-Guides
