Forecasting im Handel – Diese 5 Beispiele solltet ihr kennen

Künstliche Intelligenz (KI) hat sich in den letzten Jahren vom Buzzword schlechthin zu einem gefestigten Begriff in vielen Branchen entwickelt.

Gerade der Handel, sowohl der online als auch der stationäre Handel, hat großes Potenzial und bietet vielfältige Anwendungsbereiche, um durch datenbasierte Entscheidungen Wettbewerbsvorteile zu generieren. Dabei ist insbesondere der E-Commerce durch den naturgemäß hohen Digitalisierungsgrad und der großen Menge an vorhandenen Daten prädestiniert, um Innovationen in diesem Bereich umzusetzen. Dies ist nicht nur großen Handelsunternehmen und E-Commerce Plattformen vorenthalten, sondern gerade auch kleinere Händler können ihre Datenschätze mithilfe von KI mehrwertstiftend einsetzten.

Dabei ist ein prominenter Anwendungsfall, das Forecasting: Egal ob Absatzplanung, Wareneingangs- oder Retourenvorhersage, ein guter Forecast liefert die Grundlage einer jeden Planung. Leider stoßen bisherige Planungsinstrumente, wie die häufig genutzte Excel-Tabelle, das allseits bekannte Bauchgefühl oder auch herkömmliche Planungssoftware bei der zunehmenden Komplexität und Menge der verfügbaren Daten schnell an ihre Grenzen. Hier ermöglicht der Einsatz von Machine Learning Algorithmen die Berücksichtigung vieler unterschiedlicher Datenquellen und erheblicher Mengen, sodass konsistentere, genauere und transparentere Prognosen erstellt und so letztlich die Planungssicherheit erhöht werden kann. 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?

Beim Forecasting geht es darum, auf Basis von historischen Beobachtungen und Daten sowie der Kenntnis über zukünftige Begebenheiten, welche die Prognose beeinflussen könnten, zukünftige Ereignisse so genau wie möglich vorherzusagen.

Dabei sind Machine Learning Algorithmen perfekt für verschiedenste Prognoseanwendungen: Sie lernen automatisch Muster und Zusammenhänge in historischen Daten, die dann auf neue Daten angewendet werden können, um Vorhersagen zu treffen. Die entsprechenden Daten vorausgesetzt, lassen sich so verschiedenste Dinge prognostizieren, wie die folgenden Beispiele zeigen.

BEISPIEL #1: DIE PROGNOSE VON ABSÄTZEN IM LEBENSMITTELHANDEL

Welche Ware wird an einem bestimmten Tag in den einzelnen Verkaufsfilialen benötigt? Ein großer Supermarkt kann bis zu 30.000 Artikel im Sortiment aufweisen, was bedeutet, dass der Supermarkt für alle 30.000 Artikel eine möglichst aussagekräftige Prognose benötigt. Eine besondere Schwierigkeit stellt dabei die unterschiedliche Verkaufsfrequenz einzelner Artikel dar. Erschwerend kommt hinzu, dass viele Sortimentsartikel über variierende und zum Teil extrem kurze Verkaufshistorien verfügen, wie etwa neu eingeführte Artikel.

Gerade im Lebensmittelhandel haben Machine Learning basierte Absatzprognosen (Demand Forecasting) großes Potenzial, nicht nur für die Einkaufs- und Bestandsplanung der Händler, sondern auch in puncto Nachhaltigkeit. Durch eine genauere Vorhersage des Kaufverhaltens der Endverbraucher pro Tag und pro Filiale weiß der Einkaufsleiter wie viel Artikel ins Regal gestellt werden müssen, um leere Regale, volle Lager oder Wegwerfaktionen verderblicher Artikel zu vermeiden. So könnte einer aktuellen Studie von Bitkom und BVE zufolge bis 2030 durch intelligente Absatzprognosen die Lebensmittelverschwendung auf null sinken („Zero Waste“).

Auf unserem Blog könnt ihr in der gemeinsamen Success Story mit einer Supermarktkette nachlesen, wie es uns gelungen ist, die Absätze von Rennern und Pennern zuverlässig vorherzusagen.

BEISPIEL #2: DIE PROGNOSE VON LAGERBESTÄNDEN IM TEXTILEINZELHANDEL

Hauptziel der Lagerbestandsoptimierung ist es, die Lagerbestände so gering wie möglich zu halten und dennoch den Kunden das richtige Produkt zur richtigen Zeit am richtigen Ort anbieten zu können. Bei einer sich ständig ändernden Kundennachfrage sowie angesichts kurzer Produktlebenszyklen und der immer stärkeren Verbreitung von Omni-Channel-Modellen ist das keine leichte Aufgabe. So verursachen einer Studie der IHL Group zufolge alleine im Handel Fehlbestände jedes Jahr weltweite Umsatzeinbußen in Höhe von $634 Milliarden, während Überbestände aufgrund von Abschriften zu Umsatzverlusten von $472 Milliarden führen. Als Kernbestandteil der Einkaufsabteilung eines Modehauses kann ein Forecast dafür sorgen, genau diese Szenarien zu vermeiden.

So können historische Umsatzzahlen zusammen mit der Preisentwicklung einzelner Produkte mithilfe von Machine Learning Algorithmen analysiert werden, um die künftige Produktnachfrage zu prognostizieren. Unter der Berücksichtigung aktueller Lagerbestände kann sodann direkt die bestmögliche Bestellmenge empfohlen werden, um sicherzustellen, dass weder zu viel noch zu wenig Ware auf Lage ist, um der vorhergesagten Nachfrage nachzukommen. Die automatisierte Erstellung der individuellen Bestellmengenprognose stellt eine deutliche Arbeitserleichterung in der Einkaufsplanung dar. Durch die neugewonnene Zeit können die Einkäufer des Modehauses wieder mehr Aufwände in die Bewertung der Ware investieren, um die bestmögliche Qualität zu garantieren.

BEISPIEL #3: DIE PROGNOSE VON WARENEINGANGSMENGEN IN DER HANDELSLOGISTIK

Ein Logistikdienstleister für ein großes deutsches Modehaus will wissen, wie sich der Wareneingang in den Lagern verhält, um eine genauere Personalplanung zu ermöglichen. Insbesondere in der Modebranche sind Liefertermine und Wareneingänge oftmals nur schwer planbar. Statt genauen Lieferterminen sind ungefähre Zeitspannen vorherrschend. Wenn Liefertermine nicht eingehalten werden und Lieferanten scheinbar willkürlich ihre Ware liefern, ist es fast unmöglich, Wareneingänge und damit Personal und Lagernutzung optimal zu planen. Regelmäßig sind zu viele oder zu wenige Lagermitarbeiter vorhanden, was zu hohen Kosten und Produktivitätseinbußen führt.

Auch hier kann Machine Learning helfen und die Wareneingänge verschiedener Lieferanten präzise vorhersagen. So kann durch eine Kombination aus Lieferantenbewertung und Machine Learning eine konkrete Vorhersage für den voraussichtlichen Anlieferungszeitpunkt der jeweiligen Ware der Lieferanten erstellt werden. Damit lässt sich dann nicht nur das Personal effizienter planen sondern auch das Lager maximal ausschöpfen.

BEISPIEL #4: DIE PROGNOSE VON BESUCHERN IM EINZELHANDEL

Schwankende Besucherzahlen im Einzelhandel machen eine zuverlässige Personaleinsatzplanung schwer. Gerade bei Geschäften, die von Produkten mit hohem Beratungs- und Betreuungsniveau geprägt sind, ist es wichtig zu wissen, mit wie vielen Kunden an einem Tag und über den Verlauf des Tages zu rechnen ist. Um eine optimale Kundenbetreuung zu gewährleisten, möchte ein Optiker daher wissen, wie viele Kunden im Stunden-, Tages- und Wochenverlauf zu erwarten sind, um die benötigten Mitarbeiter der einzelnen Filialen entsprechend zu planen. Dank Frequenzzähler am Eingang der Filialen liegen bereits Informationen über den Kundenstrom vor. Dabei setzt sich das tägliche Kundenaufkommen aus Laufkundschaft und Kunden mit vereinbarten Terminen zusammen.

Auf Basis der historischen Besucherzahlen und mithilfe von Machine Learning Algorithmen kann eine zuverlässige Prognose des Kundenaufkommens jeder einzelnen Filiale des Optikers erstellt und automatisiert eine Empfehlung des Personalbedarfs auf Basis der berechneten Prognose gegeben werden. Dabei können beim Trainieren der Machine Learning Modelle eine Vielzahl an weiteren Einflussfaktoren, wie z. B. das Wetter und Informationen zu Sonderöffnungszeiten oder verkürzte Arbeitswochen und Ferien einbezogen und auf ihre Auswirkung in Bezug auf die Prognose überprüft werden. Mithilfe der Vorhersagen können die Personalplanung und die Kundenbetreuung optimiert, die Kosten reduziert und gleichzeitig ein direkter Mehrwert für die Kunden generiert werden.

BEISPIEL #5: DIE PROGNOSE VON RETOURENMENGEN IM FASHION ECOMMERCE

Trotz aller Bemühungen gehören Retouren schlichtweg zum Onlinehandel dazu. Das trifft insbesondere auf die Fashion Branche zu. Die Retourenbearbeitung ist allerdings ein aufwendiger und kostenintensiver Prozess. Um die Kosten für die Retourenbearbeitung in Schach zu halten und um das Retourenhandling zu beschleunigen, will ein für den Onlineshop eines Modehändlers verantwortlicher Logistikdienstleister daher wissen, wie viele retournierte Pakete heute, morgen und in den nächsten Wochen zu erwarten sind.

Auch hier kommt Machine Learning durch eine Prognose der Retourenmenge helfend zur Hand. So lässt sich prognostizieren, wie viele retournierte Pakete wann zu erwarten sind. So kann das tägliche Retourenaufkommen vorhergesagt und damit der Personaleinsatz besser geplant und die Logistikressourcen gezielt gesteuert werden. Die Retourenmengenprognose vereinfacht so die Kapazitätsplanung für Logistik, Lager und Personal angesichts schwankender Paketmengen.

Ihr wollt genauer wissen, wie das mit der Retourenprognose funktioniert? Dann lest mal in unsere gemeinsame Success Story mit der Mode Logistik GmbH & Co. KG, dem Betreiber der Logistik von Fashion ID, dem Onlineshop der Peek & Cloppenburg KG Düsseldorf, rein.

FAZIT

Egal ob B2B oder B2C, egal ob stationär oder online und egal um welche Produktkategorie es sich handelt: Die Einsatzmöglichkeiten von Forecasting sind mehr als vielfältig und die genannten Beispiele decken natürlich bei weitem nicht alle Anwendungsfelder ab. Die Beispiele sollen lediglich eine Quelle der Inspiration sein und euch helfen, eine Vorstellung dafür zu bekommen, was auch ihr in Eurem Unternehmen alles mit Machine Learning vorhersagen könnt.

Euer Interesse ist geweckt? Dann helfen Euch unsere Forecasting Experten gerne dabei herauszufinden, wie Eure individuelle Prognose aussehen kann.