Herausforderung
Insgesamt werden in den größten Lagern der Mode Logistik GmbH & Co. KG mehrere Dutzend Millionen Teile jedes Jahr bearbeitet. Dabei schwanken die Eingänge bedingt durch verschiedene Lieferanten stark. Das Lieferverhalten variiert je nach Lieferanten, was die Planbarkeit enorm erschwert.
Ansatz
Zur Verbesserung der bestehenden Prognoseansätze wurden sämtliche Lieferanten zu ihren bisherigen Lieferterminen bewertet. Basierend auf offenen Aufträgen, den korrespondierenden Lieferzeitfenstern und der zu erwartenden Termingenauigkeit der Lieferanten konnten so Erwartungswerte der Wareneingangsmengen auf Teilebene genau erstellt werden. Diese Erwartungswerte wurden wiederum als Input für ein Machine-Learning-Modell benutzt, das zusätzlich um Faktoren wie Ferien, Feiertage und Inventurperioden im Lager erweitert wurde.
Ergebnis
Durch die Kombination aus Lieferantenbewertung und Machine-Learning-Forecast konnte der Prognosefehler beim Demand Forecasting um bis zu 51% reduziert werden. Die Ergebnisse helfen dem Kunden nicht nur bei der besseren Planung des Personals und der Lagernutzung, sondern ermöglicht perspektivisch auch die intelligentere Steuerung von Lieferanten. So könnten zum Beispiel Spitzen in der Auslastung antizipiert und im Vorhinein durch Verteilung der Aufträge geglättet werden.
*Es gibt zwei unabhängige Unternehmen Peek & Cloppenburg mit ihren Hauptsitzen in Düsseldorf und Hamburg. Diese Referenznennung bezieht sich auf die Peek & Cloppenburg KG mit Sitz in Düsseldorf, deren Standorte Sie unter www.peek-cloppenburg.de finden.
| Projektname |
Prognose von Wareneingängen von Fashion-Artikeln in der Handelslogistik |
| Projektbeschreibung |
Dank unserer Forecasting Lösung gelingt es der Mode Logistik GmbH, Betreiber der gesamten Logistik des Modehändlers Peek & Cloppenburg KG Düsseldorf, die Wareneingänge von Millionen von Fashion-Artikeln und damit Personal und Lagernutzung optimal zu planen. |
| Projektbranche |
Handel |
| Use Case |
Prognose der Wareneingangsmengen (Forecasting) |
| Datengrundlage |
Aufträge, Lieferzeitfenster, Anlieferungs- / Auslieferungszustand, Ferien, Feiertage, Inventurperioden im Lager |
| Projektlaufzeit |
nach Proof of Concept (ca. 4 Wochen) fortlaufend im Regelbetrieb im Einsatz |
| Tools |
R, Python, MongoDB, PostgreSQL, Angular, Ruby on Rails, Docker |
