Supply-Chain-Planung: mit Prognosen zum optimalen Warenbestand

von Julia Pott

Künstliche Intelligenz transformiert gerade viele Bereiche der Einzelhandelsbranche. Eine Stärke von KI: aus Big Data Vorhersagen abzuleiten. Auf dieses datengetriebene Forecasting für die Lieferkette hat sich RELEX Solutions spezialisiert. Was das für den Einzelhandel bedeutet, erklärt uns Ramona Saager: Anhand konkreter Beispiele zeigt sie, wie Handelsunternehmen durch datenbasierte Vorhersagen ihre Bestellungen automatisieren, Arbeitszeit einsparen und gleichzeitig die Kundenzufriedenheit steigern können.

Bei RELEX beschäftigt ihr euch mit der Lieferkette. Was ist dabei euer Ziel?

Ramona Saager: Wir wollen die Supply-Chain-Planung optimieren, um die perfekte Bestellmenge zu erreichen. Perfekt bedeutet dabei eine hohe Verfügbarkeit bei möglichst geringen Beständen. Kundinnen und Kunden sollen natürlich immer erhalten, was sie suchen. Gleichzeitig ist die Bestandsführung aber mit Kosten verbunden. Abschreibungen sollen vermieden werden.

Um zu wissen, was bestellt werden muss, müsstet ihr in die Zukunft schauen können.

Saager: Genau das streben wir an. Wir betrachten die Verkaufsmengen und Bestandsdaten für jedes einzelne Produkt in jeder Filiale. Daraus leiten wir ab, welche Menge jeden Produktes ein Händler in den kommenden Tagen brauchen wird: Wir erstellen eine Prognose, einen Forecast. Unter Berücksichtigung von Lieferzeiten wird dann jede Nacht neu ermittelt, welche Menge eines Artikels wann in der Filiale, im Regionallager oder im Zentrallager vorhanden sein muss. Daraus wird berechnet, wieviel zu welchem Zeitpunkt beim Hersteller bestellt werden muss, damit alles rechtzeitig durch die gesamte Lieferkette gelaufen ist und in den Stores zum Verkauf bereit liegt.

Die Nachfrage wird aber von verschiedenen Faktoren beeinflusst. Fließen die auch mit ein?

Saager: Es können viele verschiedene Parameter berücksichtigt werden, beispielsweise Marketing-Promotions oder saisonale Ereignisse, die zu Schwankungen in der Nachfrage führen. Ein klassisches Beispiel ist das Wetter, das für gewisse Produktsortimente eine Rolle spielt. Vorherzusagen, wieviel Eis an einem Samstag gekauft werden wird, ist komplex: Nur zu wissen, dass die Sonne scheinen wird, reicht nicht. Wie viele Sonnenstunden wird es geben? Wie warm wird es? Wie hoch wird die Luftfeuchtigkeit? Ist es der erste warme und sonnige Samstag im Jahr oder der zwanzigste? Das alles sind Daten, die eine Rolle spielen und miteinbezogen werden können.

Ein weiteres Beispiel, bei dem externe Daten relevant sind, ist der Travel-Retail-Bereich. Ein Händler wie Valora mit Geschäften an Flughäfen kann mithilfe von Passagierdaten und Besucherströmen die Nachfrage besser vorhersagen.

Daten können dabei von den Handelsunternehmen selbst oder von externen Partnern kommen. Bevor wir die Daten einfließen lassen, prüfen wir, ob sie für den Händler und das Sortiment relevant sind.

Durch die Weiterentwicklung von künstlicher Intelligenz konnten in der Datenanalyse große Fortschritte erzielt werden. Arbeitet ihr auch mit KI?

Saager: Ja, wir nutzen Machine Learning, unser System ist selbstlernend. Die KI ist bei uns in die Kernfunktion, in das Demand-Forecasting, integriert. Diese Vorhersagen können für die Prozessoptimierung in vielen weiteren Bereichen genutzt werden, zum Beispiel für Flächen- und Regal-Planogramme oder für das Preis- und Personalmanagement. Daher ist KI essentiell, ohne sie geht bei uns nichts mehr.

Wie profitiert ein Händler von einer solchen Vorhersage?

Saager: Der Händler kann viele Prozesse automatisieren und dadurch Arbeitszeit einsparen. Wir haben Kunden, die 95 Prozent der täglichen Bestellmenge ordern, ohne die Daten der Vorhersage noch einmal zu prüfen. Die Mitarbeitenden schauen sich nur noch relevante Ereignisse an, zum Beispiel wenn bei Lieferschwierigkeiten oder einer Out-of-Stock-Warnung alternative Produkte bestellt werden müssen. Das ermöglicht ein sehr bequemes Handling und spürbare Kosteneinsparungen. Mitarbeitende können sich auf strategische Aufgaben wie die Entwicklung des Sortiments konzentrieren.

Inwiefern unterscheiden sich die Anforderungen an die Nachfrageprognose in verschiedenen Handelssparten?

Saager: Wir haben Kunden aus Sektoren wie Drogerie, Kosmetik oder DIY, aber auch viele aus dem Lebensmitteleinzelhandel. Bei Lebensmitteln gibt es einige Besonderheiten wie saisonale Nachfragen nach Osterhasen oder Schulheften. Wie schon erwähnt, können Promotions, das Wetter oder die Wochentage die Nachfrage beeinflussen. Ein weiteres banales Beispiel: Am Anfang des Monats bekommen die Leute ihre Gehälter und sind spendabler, am Ende des Monats wird das Geld knapp, da wird eher gespart. Hinzu kommt das Thema Frische: Verderbliche Waren wie Obst, Gemüse, Fisch, Fleisch und Dairy müssen so schnell wie möglich durch die Warenkette. Außerdem erhält das Thema Lebensmittelverschwendung immer mehr Aufmerksamkeit.

Bei so vielen verschiedenen Einflussfaktoren für die Nachfrage ist eine automatisierte Lösung wichtig, denn eine Maschine kann viel mehr Daten verarbeiten als ein Mensch. Hier hat der LEH einen großen Vorteil: Künstliche Intelligenz braucht zum Lernen große Mengen an Daten. Das heißt Schnelldreher wie Lebensmittel liefern viele Daten, die genutzt werden können, um die Prognose zutreffender zu machen.

Wie können Händler reagieren, wenn sich die Rahmenbedingungen ändern?

Saager: Wir haben ein Modul, die Business-Rules-Engine, mit dem Händler ihre eigenen Geschäftsregeln im System anlegen und anpassen können. Während der Corona-Pandemie zum Beispiel gab es große Veränderungen in der Nachfrage für gewisse Artikel wie Masken oder Desinfektionsmittel. Daraufhin hat Rossmann den Analysezeitraum der Nachfrage für bestimmte Produktbereiche verkürzt und damit den Forecast und die automatisierten Bestellregeln angepasst.