Rückblick EHI-Session: IT & Logistik

IT treibt Logistik – Logistik treibt IT. Welche Anforderungen stellt die Logistik heute an moderne IT-Lösungen und Infrastrukturen und welche logistischen Modelle werden erst durch neue IT-Lösungen möglich? Diesen Spagat zu beschreiben und Logistik-IT-Entscheidern neue Impulse aufzuzeigen, war das Ziel des am 17. September 2020 stattgefundenen Thementages des EHI Retail Institute. Mohamed Saleh-Attia, Product Owner unserer Prognosesoftware Westphalia Forecast, war als einer der Referenten für uns mit dabei. Mit seinem Vortrag hat er anhand eines Fallbeispiels aus dem Textileinzelhandel gezeigt, wie man Machine Learning für die exakte Prognose von Wareneingangsmengen und damit für optimierte Planbarkeit von Personal und Lagernutzung verwendet. Vor allem aber hat er auch gezeigt, dass Machine Learning eigentlich gar nicht so kompliziert ist, wie es oftmals erscheint.

Für alle, die seinen Vortrag verpasst haben, sind hier die Key Takeaways kurz und knapp zusammengefasst.

(1) Welche Vorteile bringt Machine Learning (ML) generell für Prognosen?

Eine gute Prognose liefert die Grundlage einer jeden Planung. Leider stoßen bisherige Planungsinstrumente, wie die häufig genutzte Excel-Tabelle oder das allseits bekannte Bauchgefühl, bei der zunehmenden Komplexität und Menge der verfügbaren Daten schnell an ihre Grenzen. Zwar ist der Mensch universell intelligenter als Maschinen, ist aber durch die Zeit, die ihm zur Verfügung steht und die Möglichkeiten, Daten durch seine Sinnesorgane aufzunehmen, limitiert. Der Einsatz von Machine Learning ermöglicht die Berücksichtigung vieler unterschiedlicher Datenquellen und erheblicher Mengen, die über einfache Transaktionsdaten hinausgehen.
Ein Beispiel: Für die Prognose von Absatzmengen von Eiscreme spielen nicht nur die reinen Verkaufszahlen eine Rolle, sondern vor allem zusätzliche Informationen und Daten aus dem Marketing: Wann wurde die letzte Kampagne geschaltet, wann findet die nächste statt? Gab es Rabatt-Aktionen, wenn ja, wann gibt es die nächsten? Hinzu kommen externe Faktoren, wie z. B. Ferien, Feiertage oder Wettereinflüsse. Bei so vielen Daten ist es für menschliche Planer schwierig, das gesamte Spektrum an potenziellen Einflussfaktoren zu durchdringen und die Auswirkungen auf einer detaillierten Ebene zu berücksichtigen. Mit Hilfe maschineller Unterstützung gelingt es jedoch, möglichst viele Einflussfaktoren auszumachen und so die Prognose zu verbessern.

(2) Wie können ML basierte Prognosen in der Handelslogistik eingesetzt werden und welche Vorteile entstehen dadurch?

Egal ob Absatzplanung, Wareneingangs- oder Retourenvorhersage – Prognosen (Forecasts) spielen in sämtlichen Bereichen der Supply Chain eine entscheidende Rolle, in denen es darum geht, auf Basis von historischen Daten zukünftige Ereignisse vorherzusagen.
Insbesondere in der Modebranche sind Liefertermine und Wareneingänge oftmals nur schwer planbar. Statt genauen Lieferterminen sind ungefähre Zeitspannen vorherrschend. Schwankungen im Lieferverhalten der Lieferanten erschweren die Planbarkeit von Personal und Lagernutzung. Im Rahmen des Vortrags wurde daher anhand der Prognose von Wareneingangsmengen im Textileinzelhandel gezeigt, wie durch eine Kombination aus Lieferantenbewertung, Machine Learning und regelbasierter Prognose eine konkrete Vorhersage für den voraussichtlichen Anlieferungszeitpunkt der jeweiligen Ware der Lieferanten gelingt. Der Erfolg zeigt sich durch eine Reduzierung des Prognosefehlers in den einzelnen Lagern um bis zu 51%. Für den Kunden wurde basierend auf diesen Ergebnissen eine Softwarelösung implementiert, welche die zuvor manuell erstellten Vorhersagen durch eine automatisierte Lösung ersetzt. Fest integriert in die Alltagsprozesse, kann der Kunde regelmäßig Forecasts durchführen und daraufhin das Personal für die kommende Woche planen.

Wer wissen möchte, wie das Ganze im Detail funktioniert, kann sich hier die Aufzeichnung des gesamten Vortrags anschauen:

(3) Welche Daten benötigen wir, um für Sie die bestmögliche Prognose zu erstellen?

• Zeitreihendaten von mindestens 2 Jahren.
• Informationen zu Aktionen, wie z. B. Marketingaktionen, Aktionszeiträume und besondere Verkaufsperioden.
• Informationen zu weiteren Einflussfaktoren, wie z. B. Warengruppen oder Vorgänger- bzw. Nachfolgeprodukte.
• Selbst erstellte Prognosen zum Benchmarking.

Auf Basis dieser Daten können wir dann möglichst präzise Prognosen für z. B. Absätze, Bestellungen, Wareneingänge, Retouren oder Personal erstellen.

Zum Schluss noch ein ganz persönlicher Tipp von Mohamed:

„Entscheidend für ein erfolgreiches Datenprojekt ist es, problemorientiert und nicht technologieorientiert zu denken. Es gilt immer, die Methodik und Lösung zu wählen, die für die jeweilige Herausforderung und den jeweiligen Nutzer am besten geeignet ist. Das kann, aber muss nicht immer den Einsatz von Machine Learning Methoden bedeuten. Wie wir anhand des Fallbeispiels gezeigt haben, liegt der Schlüssel oftmals im komplementären Einsatz von Machine Learning mit klassischeren Methoden.“

Sie sind neugierig geworden und wollen wissen was auch Sie mit unserer Forecasting Lösung alles erreichen können? Dann schreiben Sie uns eine Nachricht an info@westphalia-datalab.com.

Autor/innen Details
Nadiya El-Sourani - Nadiya ist promovierte Neurowissenschaftlerin & Psychologin und arbeitet seit Anfang 2020 im Westphalia DataLab. Ihr Tätigkeitsfeld im Westphalia DataLab ist sehr vielseitig, worunter unter anderem auch das Schreiben von Artikeln und die Öffentlichkeitsarbeit generell fällt.