Bestellungen dank Analysen und Modellierungen in Realtime optimieren
Kunden haben heutzutage hohe Erwartungen hinsichtlich der Verfügbarkeit ihrer gewünschten Waren. Finden sie etwas nicht in der Filiale, gehen sie zum Händler nebenan oder bestellen im Internet. Deshalb spielt die Warenverfügbarkeit über verschiedene Kanäle – offline, online, in der App – eine enorme Rolle. Gerade im Omnichannel-Zeitalter stellt dies den Handel allerdings vor große Herausforderungen. „Es gilt, tagesgenau die exakten Bedarfe vorherzusagen. Vor allem im Frischebereich soll selbstverständlich nichts in den Regalen fehlen. Gleichzeitig darf auch nicht zu viel da sein – schließlich möchten Retailer möglichst nichts wegwerfen und nachhaltig handeln“, weiß Frank Theobald, Managing Partner der retailsolutions AG.
Automatische Bestellung spart Kosten und Zeit
Mussten Retailer früher noch die Regale abgehen und Waren für Nachschub von Hand bestellen, gibt es seit etwa 20 Jahren Lösungen, die den Kundenbedarf prognostizieren. SAP Forecasting and Replenishment gab zum Beispiel anfangs vornehmlich Wochenprognosen aus. Mit einem Add-on für Ultra-Frischeprodukte, dem sogenannten Fresh-Item-Forecast, waren später sogar genaue Tagesprognosen möglich. „Durch die stark automatisierte Nachschubplanung lässt sich der extrem hohe manuelle Bearbeitungsaufwand reduzieren, Mitarbeiter sparen so viel Zeit. Zusätzlich können die Gesamtkosten entlang der kompletten Supply Chain deutlich reduziert werden. Auf Bestellungen basieren schließlich auch Lieferungs- und Personalkosten, die sich mit präzisen Prognosen besser planen lassen. Dafür müssen allerdings die Daten stimmen“, sagt Oliver Fischer, Platinum Consultant SAP Retail bei retailsolutions.
Prognosen auf Basis von Vergangenheitsdaten
Die Datenqualität hat für Bedarfsprognosen große Bedeutung. Forecast- und Replenishment-Tools sind nur so gut wie die Verkaufsdaten. Vor einigen Jahren brachte SAP deshalb den Unified Demand Forecast, kurz UDF, auf den Markt. Als Bestandteil des Customer Activity Repository lassen sich damit Bedarfsprognosen auf Tagesbasis erstellen, die von ganz unterschiedlichen Anwendungsebenen wie dem Assortment Planning oder dem Promotion Management genutzt werden können. SAP UDF ist in der Lage, mithilfe von automatischer Fehler- und Ausreißererkennung die Datenqualität zu verbessern. „Die verwendeten Algorithmen erkennen aus Vergangenheitsdaten Muster, mit denen sich die zukünftigen Bedarfe präzise vorhersagen lassen. Die Datenbereinigung und die angewandten statistischen Berechnungen, heutzutage auch Machine Learning genannt, sorgen für eine extrem hohe Prognosequalität“, so Flavio von Rickenbach, Data Analyst bei retailsolutions. Aus diesen Daten erkennt das System beispielsweise saisonal bedingte Anstiege in der Nachfrage, etwa mehr Absatz von Grillkohle im Sommer, und passt die Bestellmengen automatisch an. Außerdem können auch sogenannte Kannibalisierungs-Effekte berücksichtigt werden. „Wenn während einer Aktion beispielsweise Viererpacks Babynahrung im Angebot sind, werden Kunden in der Regel keine Zweierpacks kaufen – und der Händler sollte davon weniger bestellen“, erklärt Frank Theobald.
System lernt aus eingepflegten Informationen
UDF arbeitet mit Bedarfs-Einfluss-Faktoren (kurz BEF, englisch DIF, kurz für Demand Influencing Factor). Dazu gehören Einflüsse, die häufig im Handel vorkommen und vom System aufgrund der Verkaufs- und Masterdaten erkannt werden, zum Beispiel Saisonalität, Trends oder Preiseffekte. Weiterhin besteht die Möglichkeit, dem System auch externe BEF wie Feiertage, Wetterdaten oder Informationen über Promotionen mitzugeben. Für den Händler ist es auch möglich, eigene und individuelle Informationen, die das System nicht kennen kann, in das System einzupflegen. Liegt eine Filiale beispielsweise in der Nähe eines Fußballstadions und in Zusammenhang mit Heimspielen wird erwartungsgemäß mehr Bier verkauft, lassen sich diese Details angeben. Oder wissen Händler, dass durch eine geplante Baustelle vermutlich die Abverkäufe zurückgehen werden, weil die Zufahrt zur Filiale erschwert wird, kann das System die Bedarfsprognosen daraufhin anpassen. „Aus vorhandenen Daten lernt das System auch, neue Produkte einzuordnen. Durch Vorhersagen für Waren aus der gleichen Produktfamilie schließt es auf Waren, die neu auf dem Markt sind“, berichtet Oliver Fischer. Diese Funktion kann neben Prognosen für neue Produkte auch für Prognosen von neuen Filialen genutzt werden, für die logischerweise noch keine Abverkaufsdaten vorliegen. Zusätzlich zu den oben genannten positiven Effekten kann mit Einsatz von prognosebasierten Bestellungen die Idee der integrierten Supply Chain auf eine neue Stufe der Umsetzung gehoben werden. Die erwarteten Bedarfe der Endkunden unterstützen nicht nur dabei, Personal- und Transportplanung in den Verteilzentren zu optimieren. Im Endausbau kann die Vorhersage der Kundennachfrage auch dazu beitragen, die Produktion bei den Vorlieferanten zu steuern beziehungsweise zu verbessern. „Da steckt noch ein gewaltiges Optimierungspotenzial in der gesamten Wertschöpfungskette, wenn man die Supply Chain tatsächlich auf der Prognose der Kundenbedarfe aufbaut”, meint Fischer.
Lösungen für die Cloud
Mit SAP Replenishment Planning lassen sich bei der Berechnung der vorgeschlagenen Bestellmengen auch Kennzahlen zu Servicegrad, Regalkapazität, Umsatz und Verderb berücksichtigen. So können Retailer ihre Bestellungen im Hinblick auf eine größtmögliche Kosteneffizienz oder aber auf einen höchstmöglichen Umsatz optimieren. „Ausnahmen, die während Nachschubprozessen eventuell auftreten, überwacht das System und generiert zum Beispiel bei außergewöhnlich hohen vorgeschlagenen Bestellmengen auch Hinweise zur Überprüfung“, erklärt Fischer. „Da viele SAP-Applikationen zukünftig in die Cloud wandern, sind Replenishment Planning (für Filialen) und Predictive Replenishment (für Verteilzentren) mittelfristig auch als Cloud-Lösungen verfügbar“, sagt Theobald abschließend.
Pressemeldung von www.retailsolutions.ch
