Anzeige
implexis
Algorithmen berechnen Absatzprognosen unter Einbeziehung externer Einflussfaktoren.
A- A A+
Analytics  |

Machine Learning für Absatzprognosen im LEH

Täglich beschäftigen sich Disponenten bei Lebensmitteln mit der komplexen Frage, welche Faktoren ihren Absatz beeinflussen. Kannibalisieren sich parallel laufende Marketing-Aktionen? Wie oft genau verkauft sich ein Artikel mit 10 Prozent Rabatt und welchen Einfluss nimmt das Wetter auf den Verbrauch? Erfahrung und Bauchgefühl sind und bleiben ein wertvolles Gut für jeden Planer, doch jeden Faktor erkennen und beachten kann ein Mensch nicht.

Die gemeinsame Forschungsarbeit der Schweizer Prognosix AG, des Aachener Softwareunternehmens Inform GmbH, der Zürcher Hochschule für angewandte Wissenschaften sowie der Migros-Gruppe hat eine Lösung hervorgebracht, die die Zuverlässigkeit und Qualität des Absatzplans deutlich verbessern soll. Kernelement bildet dabei eine neue Generation intelligenter, lernfähiger Vorhersage-Algorithmen, die durch die menschliche Intuition ergänzt werden.

Datenmuster zeigen künftige Absätze auf

Über 50 Prozent realistischere Absatzprognosen erzielte dieses Verfahren im Vergleich mit den bereits optimierten Lösungen der Bischofszell Nahrungsmittel AG (kurz: Bina). Das Unternehmen ist Teil der Schweizer Migros-Industrie, deren rund 14.000 Mitarbeiter 2017 einen Gesamtumsatz von über 6,5 Mrd. CHF erwirtschafteten. Die Bina produziert ein breites Sortiment von Lebensmitteln. Unter Berücksichtigung der Wirtschaftlichkeit zählen eine hohe Lieferbereitschaft sowie der nachhaltige Umgang mit Ressourcen zu ihren wichtigsten Planungszielen.

Die neuen Algorithmen überblicken große Datenmengen, die sie aus dem ERP- oder Bestandsmanagementsystem ziehen. Sie erkennen darin für Menschen nur teilweise sichtbare Korrelationen zwischen externen und internen Faktoren, um bessere Vorhersagen für künftige Bedarfe treffen zu können. So wird vor einem schönen Sommerwochenende in der Regel mehr Grillfleisch verkauft und nochmals mehr, wenn die Woche davor regnerisch war.

Zusammenarbeit entscheidend

Die Regeln dieser speziellen Machine-Learning-Algorithmen lassen sich überprüfen und erweitern. Die Algorithmen teilen dem Disponenten mit, wie zuverlässig die Prognose im Angesicht der vorhandenen Datenbasis ausfällt und welche Faktoren wie gewichtet wurden. Mit diesem Feedback kann der Planer seine Entscheidungen optimieren und bei Bedarf den Algorithmen neue Informationen zuführen.

Die Algorithmen können hohe Komplexität und große Datenmengen bewerkstelligen, bei kurzer oder fehlender Historie ist aber die menschliche Intuition unschlagbar. Der Disponent trägt mit seinen Entscheidungen stetig dazu bei, die Maschine zu trainieren und entwickelt sie dadurch weiter. Die Maschine lernt so, welche Entscheidungen gut und zielführend waren und welche nicht. Wichtig ist dies, da z. B. ein bestimmter Rabatt auf Wassermelonen im Sommer bei sonnigem Wetter eine andere Absatzsteigerung hervorrufen wird als an einem windigen Herbsttag; und wieder eine andere, wenn am gleichen Tag auch Kirschen vergünstigt angeboten werden.  

Völlig autonom arbeitende Algorithmen, etwa aus dem Bereich der reinen Autodisposition, würden solche Zusammenhänge vielleicht erst nach einigen Jahren Beobachtungszeit selbst erkennen, bis dahin aber möglicherweise kostspielige Fehler begehen. Neue Gegebenheiten können sie wahrscheinlich nie so antizipieren wie der Mensch. Diese für den Lebensmittelhandel sehr wichtigen Prozesse lassen sich nur sinnvoll managen, wenn Mensch und Maschine dauerhaft und konstruktiv zusammenarbeiten.  

Weitere Informationen: Öffnet externen Link in neuem Fensterwww.inform-software.de