Use Case 10: Absatzprognosen für das Aktionsgeschäft

Bei Aktionsware, die leicht verderblich ist, büßen Händler*innen häufig hohe Umsätze ein. Mithilfe Künstlicher Intelligenz und Predictive Analytics kann die Absatzmenge optimiert und prognostiziert werden. Vor- und Nachteile werden im Folgenden erläutert.

Die Absatzmengen zu optimieren ist für viele Händler*innen ein essentieller Schritt, um hohe Abschreibungen zu vermeiden und Kosten einzusparen. Dies ist insbesondere bei leicht verderblicher Aktionsware (Frische, Obst und Gemüse), aber auch bei typischer Saisonware (z.B. Weihnachtsartikel im Food aber auch Near Food Bereich) wichtig. Stimmt die Absatzmenge nicht, droht eine Verminderung des Gesamtertrags. Mit Künstlicher Intelligenz und Predictive Analytics können Abschreibungen verringert werden. Mittels Analyse vergangener Aktionen (nach Region sowie Markt) und unter Berücksichtigung von Umweltbedingungen, Saison und Sonderereignissen wird ein Prognosemodell erstellt. Durch Rückmeldung der tatsächlich abverkauften Mengen wird dieses Modell dann kontinuierlich verbessert.

Daraus ergeben sich folgende Vorteile für Kund*innen und Händler*innen:

• Treffsichere Prognosen des Absatzes der Aktionsware optimieren Absatz / Umsatz und vermeiden Abschriften
• Konsument*innen finden Aktionsware während der Aktion im Laden vor
• Verbessertes Management von Restanten

Aber auch die Herausforderungen sind nicht zu unterschätzen:

• Daten müssen granular auf Marktebene vorliegen
• Externe Daten sind zu beschaffen und ins Modell zu integrieren
• Abstimmungen mit der Industrie (Herstellern) können notwendig sein