Use Case 21: Bestell- & Retourenmengen Prognose für Fashion Retailer

Bessere Planung der E-Commerce Logistik mit KI? In unserem Deep Dive Künstliche Intelligenz zeigen wir, wie Prognosen von Bestellungen und Rückläufern im Onlinehandel angefertigt werden können.

Die rasant steigende Bedeutung des Onlinehandels stellt Logistikdienstleister*innen vor zunehmende Herausforderungen in Bezug auf Lager- und Lieferplanung. Vor allem Retouren bedeuten für Onlinehändler große finanzielle, logistische und organisatorische Aufwendungen. Um möglichst genaue Bestell- und Retourenmengen Prognosen zu erstellen, bedarf es einer Vielzahl an verschiedener Datenquellen. Dazu zählen unter anderem vergangene Bestell- und Rückläufermengen, Lagerbestände oder bekannte Daten zu Marketingaktionen und Feiertagen. Zusätzlich kann das Expertenwissen der Mitarbeiter*innen mit einbezogen werden und in die Analyse einfließen. Machine Learning Algorithmen werden anschließend darauf trainiert, auf Basis dieser historischen Daten Muster zu erkennen, die Rückschlüsse auf die Menge und den Zeitpunkt zukünftiger Bestellungen und Retouren zulassen.

Daraus ergeben sich verschiedene Vorteile aus Sicht der Logistikdienstleister*innen und Kund*innen:

• Bestell- und Rückläuferprognosen stellen eine deutliche Erleichterung in der Kapazitätsplanung dar.

• Die Prognosen können per Knopfdruck angefertigt und optimal in den Arbeitsalltag einbezogen werden.

• Retouren können effizient und schnell bearbeiten werden. Durch eine dadurch minimierte Durchlaufzeit können Artikel schneller wieder online gehen und stehen für neue Kunden zum Kauf zur Verfügung.

• Kunden profitieren von schnellerer Rückerstattung, wodurch die Kundenzufriedenheit und -bindung steigt.

Herausforderung:

• Damit die Prognosen gelingen, muss eine genügend große Datenmenge vorliegen.