Success Story

pacemaker und die Absatzprognose im Supermarkt

Supermarktkette macht Supply Chain mit uns fit. Dank pacemaker Forecast gelingt die genauere Prognose der Absatzmenge von über 25.000 Produkten in Groß- und Einzelhandelsfilialen einer Supermarktkette.

Subscribe

Supermarktkette macht Supply Chain mit uns fit. Dank pacemaker gelingt die genauere Prognose der Absatzmenge von über 25.000 Produkten in Groß- und Einzelhandelsfilialen einer Supermarktkette.

 

Herausforderung

Der Kunde betreibt über 10.000 Filialen im Groß- und Einzelhandel. Genau Prognosen der Absatzmengen des gesamten Produktsortiments der einzelnen Filialen werden benötigt, um die Supply Chain und die damit verbundenen Planungsprozesse vom Einkauf über die Aktionsplanung bis hin zur Ressourcenplanung im Lager optimal zu gestalten.

Die große Vielfalt des Artikelsortiments eines Vollsortimenters im Einzel- und Großhandel birgt verschiedene Herausforderungen in der Erstellung verlässlicher Prognosen. Ein extrem unterschiedliches Absatzverhalten und variierende Absatzfrequenzen der einzelnen Sortimentsartikel erfordern eine Vielzahl an verschiedenen Methoden für eine verlässliche Prognose. Eine besondere Schwierigkeit stellt die unterschiedliche Verkaufsfrequenz der einzelnen Artikel dar. Erschwerend kommt hinzu, dass viele Sortimentsartikel über variierende und zum Teil extrem kurze Verkaufshistorien verfügen, wie etwa neu eingeführte Artikel. Die aktuell genutzte „One-size-fits-all“-Lösung offenbart vor allem bei eher niedrig frequentierten Artikeln Probleme. Im Rahmen des Projekts sollte daher für zwei ausgewählte Filialen im Einzelhandel und zwei Warenhäuser im Großhandel evaluiert werden, ob durch den Einsatz von Machine Learning Verfahren, die bisher von SAP bereitgestellten, klassischen Prognosemethoden verbessert werden können.

 

Ansatz

Zur Verbesserung der bestehenden Prognosen wurde eine Vielzahl an Modellen auf das gesamte Artikelsortiment von je zwei Filialen des Groß- und Einzelhandels trainiert, um so das optimale Prognosemodell für jeden einzelnen Artikel zu identifizieren. Zusätzlich zu klassischen Einflussfaktoren wie Aktionszeiträumen, Ferien, Feiertagen und besonderen Verkaufsperioden (z.B. Vorweihnachtszeit) wurden die Modelle auch um Wettereinflüsse erweitert.

 

Ergebnis

Durch die Auswahl des richtigen Modells konnte der Prognosefehler für das gesamte Sortiment der Lager (Großhandel) im Durchschnitt um bis zu 4% im Vergleich zu einem SAP-Forecast verbessert werden. Auf Einzelartikelebene konnten, insbesondere im B2C-Geschäft des Einzelhandels, noch wesentlich deutlichere Verbesserungen erzielt werden. Hier konnte der durchschnittliche Vorhersagefehler um 6 – 9% verbessert werden. Die erkennbar verbesserten Prognosen helfen dem Kunden bei der besseren Planung der nachgelagerten Prozesse im Einkauf und der Logistik.

Hier erhalten Sie mehr Infos über unsere Forecasting Software: pacemaker Demand Forecasting

 

 

Projektübersicht

Use Case Absatzprognose (Forecasting)
Projektbranche Lebensmittel Groß- und Einzelhandel
Datengrundlage Transaktionsdaten, Lagerbestandsdaten, Stammdaten (mit Informationen zu Produkten und Märkten), eigene Prognosen, Aktionsdaten, Kalendarische Daten
Projektlaufzeit 2 Monate
Tools Python, R, PostgreSQL, Angular, Ruby on Rails, Docker

Similar posts

Bleiben Sie immer auf dem neusten Stand

In unserem Blog dreht es sich um Themen rund um Data Science und KI.