• 030 72 62 50 0
  • Diese E-Mail-Adresse ist vor Spambots geschützt! Zur Anzeige muss JavaScript eingeschaltet sein!
Absatzprognose Deep Dive

Use Case 20: Absatzprognose für Lebensmittel Groß- und Einzelhandel

Immer wissen, welche Waren an einem bestimmten Tag in einzelnen Verkaufsfilialen benötigt werden? In unserem Deep Dive Künstliche Intelligenz zeigen wir, wie KI-basierte Absatzprognosen im Lebensmittel Groß- und Einzelhandel gelingen.

Ein großer Supermarkt kann bis zu 30.000 Produkte im Sortiment aufweisen, was bedeutet, dass dieser für alle Produkte eine möglichst aussagekräftige Prognose benötigt. Nur mithilfe von genauen Prognosen der Absatzmengen des gesamten Produktsortiments kann die Supply Chain und die damit verbundenen Planungsprozesse vom Einkauf über die Aktionsplanung bis hin zur Ressourcenplanung im Lager optimal gestaltet werden. Aber auch in puncto Nachhaltigkeit haben Machine Learning basierte Absatzprognosen großes Potenzial für den Lebensmittelhandel: Durch eine genauere Vorhersage des Kaufverhaltens der Endverbraucher pro Tag und pro Filiale weiß der Einkaufsleiter, wie viele Artikel ins Regal gestellt werden müssen, um leere Regale, volle Lager oder Wegwerfaktionen verderblicher Artikel zu vermeiden.

Damit die Vorhersage zukünftiger Absätze möglichst präzise gelingt, gilt es den Algorithmen genügend Muster und relevante Einflussfaktoren bereitzustellen. Die Basis für eine zuverlässige Prognose ist eine umfangreiche Datenkompilation. Zusätzlich zu klassischen Einflussfaktoren wie Aktionszeiträumen, Ferien, Feiertagen und besonderen Verkaufsperioden (z.B. Vorweihnachtszeit) werden die Prognosemodelle

auch um Wettereinflüsse erweitert. So kann das optimale Prognosemodell für jeden einzelnen Artikel identifiziert werden.

Daraus ergeben sich verschiedene Vorteile aus Sicht der Händler*innen:

  • Prognosefehler werden reduziert

  • verbesserte Prognosen helfen bei der Planung der nachgelagerten Prozesse im Einkauf und der Logistik

  • Effizienz in der gesamten Supply Chain wird gesteigert

  • Prognosen werden automatisch erstellt, wodurch Zeit und Aufwand gespart werden


Herausforderungen:

  • Ein extrem unterschiedliches Absatzverhalten und variierende Absatzfrequenzen der einzelnen Sortimentsartikel erfordern eine Vielzahl an verschiedenen Methoden für eine verlässliche Prognose.

  • Viele Sortimentsartikel verfügen über variierende und zum Teil sehr kurze Verkaufshistorien, wie etwa bei neu eingeführten Artikeln.