.jpeg)
Künstliche Intelligenz, Machine Learning und der Handel – eine außergewöhnliche Liebesbeziehung
Der Handel bietet enorme Möglichkeiten, durch datenbasierte Entscheidungen Wettbewerbsvorteile zu erzielen. Egal ob online oder stationär. Doch besonders der E-Commerce, wo ein hoher Digitalisierungsgrad und meist große Datenmenge vorliegen, bietet sich natürlich an für Innovationen im Bereich künstliche Intelligenz (KI) und Machine Learning (ML). Diese Möglichkeiten sind nicht nur großen Handelskonzernen und E-Commerce-Plattformen vorbehalten. Auch kleinere Händler:innen können ihre Daten mit Hilfe von KI wertsteigernd nutzen.
Ein zentraler Anwendungsfall ist das Forecasting. Unabhängig davon, ob es um Absatzplanung, Wareneingangsprognose oder Retourenvorhersage geht – ein präziser Forecast bildet das Fundament jeder Planung. Bisherige Planungsinstrumente wie Excel-Tabellen, das Bauchgefühl oder traditionelle Planungssoftware stoßen angesichts der wachsenden Komplexität und Datenmengen schnell an ihre Grenzen. Der Einsatz von Machine Learning Algorithmen erlaubt es, zahlreiche Datenquellen und große Datenvolumina zu berücksichtigen, was zu konsistenteren, genaueren und transparenteren Prognosen führt. Was das konkret für typische Forecasting Anwendungsfälle im Handel bedeutet, zeigen wir Euch anhand von fünf Beispielen aus der Welt des Online- und stationären Handels.
Was ist Forecasting?
Forecasting Definition: Forecasting, oder auf Deutsch "Prognose", umfasst den Prozess, zukünftige Ereignisse oder Entwicklungen auf Basis von gegenwärtigen und historischen Daten zu schätzen und vorherzusagen. Der Kern dieses Prozesses liegt in der Anwendung statistischer Modelle und Analysemethoden, um Muster in den Daten zu erkennen und daraus zukünftige Trends abzuleiten. Dieser Vorgang ermöglicht es Unternehmen, Entscheidungen strategisch und fundiert zu treffen – zukünftige Ereignisse sollen möglichst genau vorhergesagt werden, um damit die Zukunftsplanung zu optimieren.
Der Einsatz von Forecasting reicht von der Vorhersage von Umsätzen und Nachfrage bis hin zur Abschätzung von Preisen, Risiken und betrieblichen Abläufen. Durch präzise Forecasts können Unternehmen ihre Ressourcen – wie Personal, Lagerbestände und Produktionskapazitäten – effektiver planen und Risiken frühzeitig identifizieren. Das Prognostizieren wird besonders durch Technologien wie maschinelles Lernen und künstliche Intelligenz verstärkt, die komplexere Modelle und eine tiefere Analyse ermöglichen.
In unserer zunehmend datengetriebenen Welt wird das Forecasting somit zu einem entscheidenden Wettbewerbsfaktor. Organisationen können dadurch agil auf Marktdynamiken reagieren und ihre Rentabilität nachhaltig sichern.
Gängige Forecasting-Methoden
Lass uns ein klein wenig tiefer ins Forecasting eintauchen, bevor wir uns mit praktischen Beispielen befassen. Denn es gibt eine Reihe von spannenden und verschiedenen Methoden und Ansätzen für effektives Forecasting. Die richtige Wahl hängt von den spezifischen Anforderungen, der Datengrundlage und den Zielen ab:
Zeitreihenanalyse
Bei dieser klassischen Methode werden historische Daten einer Zeitreihe analysiert, um zukünftige Werte vorherzusagen. Verfahren wie die Exponentielle Glättung oder ARIMA-Modelle kommen zum Einsatz.
Regressionsanalyse
Durch Modellierung des Zusammenhangs einer abhängigen Variable mit einer oder mehreren unabhängigen Variablen können Vorhersagen getroffen werden. Lineare und nicht-lineare Regressionen sind gebräuchlich.
Maschinelles Lernen
Algorithmen des maschinellen Lernens erkennen in Daten selbstständig Muster und Zusammenhänge, um darauf basierend Prognosen zu erstellen. Entscheidungsbäume, neuronale Netze etc. zählen dazu.
Prädiktive Analytik
Dabei werden Data-Mining-Techniken, statistische Modelle und Machine-Learning kombiniert, um Wahrscheinlichkeiten für zukünftige Ereignisse vorherzusagen. Häufig in der prädiktiven Wartung eingesetzt.
Szenarioanalyse
Für unterschiedliche zukünftige Szenarien werden entsprechende Forecasts erstellt, um sich auf potenzielle Entwicklungen vorzubereiten. Wird oft zur Risikoanalyse genutzt.
Die Methoden lassen sich auch kombinieren und mit Expertenwissen ergänzen. Entscheidend ist, dass Methodik und Modelle kontinuierlich an neue Daten angepasst und validiert werden. Genug der Theorie, entdecken wir nun 5 Beispiele, wie das Forecasting im Handel eingesetzt wird.
1. Die Prognose des Absatzes im Lebensmittelhandel
Welche Ware wird an einem bestimmten Tag in den einzelnen Verkaufsfilialen benötigt? In einem großen Supermarkt, der bis zu 30.000 verschiedene Artikel führen kann, ist eine präzise Absatzprognose (Forecast) für jeden einzelnen Artikel gefragt. Diese Aufgabe wird durch die unterschiedlichen Verkaufsfrequenzen (wie häufig wird ein Artikel gekauft) der vielen Artikel erschwert. Und dann variieren auch die Verkaufshistorien, die teilweise sehr kurz sein können – besonders bei neu eingeführten Produkten.
Besonders im Lebensmittelhandel haben Machine Learning basierte Absatzprognosen (Demand Forecasting) großes Potenzial. Diese leisten nicht nur für die Einkaufs- und Bestandsplanung der Händler:innen einen bedeutenden Beitrag, sondern auch in puncto Nachhaltigkeit. Durch verbesserte Vorhersage des täglichen Kaufverhaltens in einzelnen Filialen können Einkaufsleitende genau bestimmen, wie viele Artikel auf die Regale gelegt werden müssen. Dies verhindert nicht nur leere Regale und überfüllte Lager, sondern auch das Wegwerfen verderblicher Waren. Die drastische Reduzierung der Lebensmittelverschwendung ist ein weiteres bemerkenswertes Potenzial von intelligenten Absatzprognosen. Eine Studie von Bitkom und BVE prognostiziert, dass durch solche Technologien bis 2030 die Lebensmittelverschwendung theoretisch auf null reduziert werden könnte – ein Konzept bekannt als „Zero Waste“.
Erfahre mehr über unsere erfolgreiche Zusammenarbeit mit einer Supermarktkette in unserer gemeinsamen Success Story auf unserem Blog – hier legen wir dar, wie wir die Absätze von stark nachgefragten und weniger beliebten Produkten (Renner/Penner) zuverlässig vorhersagen konnten.
2. Die Prognose von Lagerbeständen im Textileinzelhandel
Das Hauptziel der Lagerbestandsoptimierung ist klar: Wir wollen die Lagerbestände minimieren und gleichzeitig sicherstellen, dass du als Kundin oder Kunde das richtige Produkt zur richtigen Zeit am richtigen Ort erhältst. Angesichts der ständig wechselnden Nachfrage, kurzer Produktlebenszyklen und der Zunahme von Omni-Channel-Modellen ist das eine echte Herausforderung. Laut einer Studie der IHL Group verursachen allein im Handel Fehlbestände jährlich weltweit Umsatzeinbußen von 634 Milliarden US-Dollar, während Überbestände aufgrund von Preisnachlässen zu Verlusten von 472 Milliarden US-Dollar führen.
Die Einkaufsabteilung eines Modehauses kann durch präzises Forecasting helfen, genau diese Probleme zu vermeiden. Durch die Analyse historischer Umsatzzahlen und Preisentwicklungen mithilfe von Machine Learning-Algorithmen können wir die künftige Produktnachfrage prognostizieren. Unter Berücksichtigung der aktuellen Lagerbestände kann dann die optimale Bestellmenge empfohlen werden. So wird gewährleistet, dass weder Über- noch Unterbestände entstehen und die vorhergesagte Nachfrage genau getroffen wird.
Die automatisierte Erstellung einer individuellen Bestellmengenprognose vereinfacht den Einkaufsprozess erheblich. Hier wird wertvolle Zeit eingespart. Zeit, mit der sich die Einkäufer:innen des Modehauses wieder verstärkt der Qualitätsbewertung der Waren widmen können. Dies garantiert die bestmögliche Qualität ihrer Produkte.
3. Die Prognose von Wareneingangsmengen in der Handelslogistik
Bleiben wir beim Thema Mode: Ein Logistikdienstleister für ein namhaftes deutsches Modehaus steht vor der Herausforderung, den Wareneingang in den Lagern zu optimieren – denn er möchte die Personalplanung präzisieren. Doch besonders in der Modebranche sind Liefertermine und Wareneingänge oft schwer vorhersehbar. Anstelle fester Liefertermine herrschen meist willkürliche Zeitfenster. Wenn die Lieferunternehmen ihre Termine nicht einhalten und Lieferungen unerwartet erfolgen, wird eine effiziente Planung von Personal und Lagerauslastung zur echten Belastung. Die Folge: Häufig entsteht eine Über- oder Unterbesetzung im Lager, was hohe Personalkosten und Einbußen in der Produktivität nach sich zieht.
Auch hier bietet das Forecasting mittels Machine Learning eine wertvolle Lösung. Durch die Analyse der Lieferhistorie der einzelnen Lieferant:innen durch Machine Learning kann die Ankunftszeit der Waren hochpräzise prognostiziert werden. Diese Vorhersagen ermöglichen es, das Personal effizienter einzuplanen und die Lagerkapazitäten optimal zu nutzen.
Diese intelligente Kombination aus Bewertung von Lieferunternehmen und fortschrittlichen Prognosemodellen führt nicht nur zu einer verbesserten Personalplanung, sondern maximiert auch die Effizienz der Lagerauslastung.
4. Die Prognose von Besucher:innen im Einzelhandel
Schwankende Besucherzahlen stellen den Einzelhandel ebenfalls oft vor große Herausforderungen – besonders in Geschäften mit hohem Beratungsbedarf. Ein Optiker beispielsweise muss genau planen können, wie viele Kund:innen zu verschiedenen Tages- und Wochenzeiten zu erwarten sind. Das Ziel ist natürlich eine stets optimale Kundenbetreuung. Zu diesem Zweck nutzt der Optiker Frequenzzähler an den Eingängen seiner Filialen, um den Strom der Kundschaft zu erfassen. Dieser setzt sich aus Laufkundschaft und Kund:innen mit Terminen zusammen.
Mithilfe von Machine Learning und basierend auf historischen Besucherdaten kann nun eine präzise Prognose des Aufkommens der Kundschaft für jede Filiale erstellt werden. Diese Prognosen erlauben es, automatisierte Empfehlungen für den Personalbedarf abzugeben. Beim Trainieren der Modelle werden zusätzliche Einflussfaktoren wie das Wetter und Informationen zu Sonderöffnungszeiten (Feiertage, Ferien, etc.) berücksichtigt. Diese Faktoren werden auf ihre Auswirkung auf das Aufkommen der Kundschaft analysiert.
Dank dieser Vorhersagen kann die Personalplanung weiterhin wirksam gestaltet und die Betreuung der Kundschaft optimiert werden. Dies führt nicht nur zu Kosteneinsparungen, sondern wirkt sich positiv auf die Customer Experience aus.
5. Die Prognose von Retourenmengen im Fashion E-commerce
Retouren sind ein unvermeidlicher Bestandteil des Onlinehandels – besonders in der Modebranche. Retouren sind auch das größte Ärgernis für alle Parteien – Handel, Kundschaft und die Umwelt. Denn die Bearbeitung dieser Retouren ist ein kosten-, ressourcen- und arbeitsintensiver Prozess. Ein Logistikunternehmen, das für das Retourenhandling eines Modehändlers verantwortlich ist, steht daher vor der Herausforderung, das Volumen der retournierten Pakete präzise vorherzusagen.
Hier leistet Machine Learning erneut den entscheidenden Beitrag. Durch das Prognostizieren der Retourenmengen können retournierte Pakete effizient vorhergesagt werden. Dies ermöglicht eine optimale Planung des Personaleinsatzes und eine gezielte Steuerung der Logistikressourcen, um die Retourenbearbeitung zu beschleunigen – und die Kosten zu minimieren. Die Retourenprognose erleichtert somit die Kapazitätsplanung in Logistik, Lager und Personal, besonders angesichts schwankender Paketmengen.
Möchtest du mehr darüber erfahren, wie diese Prognosemodelle in der Praxis funktionieren? Dann wirf einen Blick in unsere gemeinsame Success Story mit der Mode Logistik GmbH & Co. KG, die die Logistik für Fashion ID betreibt (den Onlineshop der Peek & Cloppenburg KG, Düsseldorf).
Fazit
Unabhängig davon, ob es sich um B2B oder B2C handelt, ob stationärer Handel oder Online-Geschäft – die Einsatzmöglichkeiten von Forecasting im Handel sind außerordentlich vielfältig. Die genannten Beispiele sind nur ein Ausschnitt dessen, was möglich ist. Sie sollen als Inspirationsquelle dienen, um euch eine Vorstellung davon zu geben, welche Prognosen ihr mit künstlicher Intelligenz und Machine Learning in eurem Unternehmen umsetzen könnt.
Seid ihr neugierig geworden? Unsere Expert:innen im Forecasting unterstützen euch gerne dabei herauszufinden, wie eure individuelle Prognose gestaltet werden kann.
FAQ: Forecasting im Handel
F: Was versteht man unter Forecasting im Handel?
A: Forecasting (dt. Prognose), umfasst den Prozess, zukünftige Ereignisse oder Entwicklungen auf Basis von gegenwärtigen und historischen Daten zu schätzen und vorherzusagen. Im Handel wird es vielfach genutzt, um fundiertere Entscheidungen über Absatzmengen bis hin zu Lagerbeständen zu treffen.
F: Welche Rolle spielen Künstliche Intelligenz und Machine Learning im Forecasting?
A: KI und Machine Learning ermöglichen es, große Mengen an Daten aus verschiedenen Quellen zu analysieren und Muster zu erkennen, die für menschliche Analysten zu komplex wären. Dies führt zu präziseren und konsistenteren Prognosen, die die betriebliche Effizienz und die Reaktionsfähigkeit auf Marktanforderungen verbessern.
F: Können auch kleinere Händler von Forecasting profitieren?
A: Ja, auch kleinere Händler können ihre Daten nutzen, um mit Hilfe von KI/ML Prognosen zu erstellen. Die Technologie ist zugänglicher geworden, und viele Lösungen sind skalierbar, sodass sie auch für kleinere Unternehmen finanziell tragbar sind.
F: Was sind einige konkrete Beispiele für Forecasting-Anwendungen im Handel?
A: Einige Anwendungen umfassen die Vorhersage des Absatzes im Lebensmittelhandel, die Optimierung von Lagerbeständen im Textileinzelhandel, die Prognose von Wareneingangsmengen, die Schätzung von Besuchszahlen in Einzelhandelsgeschäften und die Vorhersage von Retourenmengen im E-Commerce.
F: Wie kann ich herausfinden, welche Forecasting-Methoden für mein Unternehmen am besten geeignet sind?
A: Die Wahl der richtigen Forecasting-Methoden hängt von vielen Faktoren ab, darunter die Art der Daten, die spezifischen Geschäftsanforderungen und die vorhandenen technologischen Ressourcen. Unsere Expert:innen für Forecasting bieten eine individuelle Beratung, um die geeignetsten Techniken und Modelle für deine spezifischen Bedürfnisse zu identifizieren und zu implementieren.