Effiziente Bestandsoptimierung für Supermärkte – ein Leitfaden. 

  

Fortgeschrittene Datenanalyse und mathematische Modelle helfen dabei, den Prozess der Prognose und Bestellung von Waren im Supermarkt in der richtigen Menge zu rationalisieren. Das erhöht die Wahrscheinlichkeit, dass die Kunden wiederkommen, weil sie immer das finden, was sie brauchen, und das Geschäft steigert wiederum den Umsatz. Entdecken Sie, wie moderne Bestandsoptimierungssysteme funktionieren.  

Optimaler Bestand – Herausforderungen 

Stellen Sie sich ein vielbeschäftigtes Elternteil vor, das regelmäßig Babynahrung im Supermarkt um die Ecke kauft. Wenn das Produkt eines Tages zur Neige geht, werden die leicht verärgerten Eltern ein anderes Geschäft aufsuchen. Wenn die Situation andauert, wird der Kunde einfach in einen Supermarkt gehen, wo er alles auf einmal kaufen kann, was er braucht.  

Eine andere Situation ist ein Überangebot an Produkten im Geschäft. Es ist nicht ungewöhnlich, dass sie in den Gängen der Geschäfte landen und es den Kunden erschweren, sich mit einem Einkaufswagen (oder Kinderwagen 😉) frei zu bewegen 

Wenn die Regale leer sind, verliert das Geschäft Kunden und damit Einnahmen. Bei einer Überbevorratung sind die Probleme größer als nur die Verärgerung der Kunden – es geht um die unnötige Bindung von Kapital, hohe Zinsen beim Kauf von Waren auf Kredit, das Risiko von Zahlungsrückständen und die Entsorgung nicht verkaufter Überschüsse.  

Hinzu kommen wechselnde Marktbedingungen, Saisonabhängigkeit, unterschiedliche Kaufgewohnheiten der Kunden und eine Vielzahl anderer Faktoren, die bei der Verkaufsprognose berücksichtigt werden müssen.  

Glücklicherweise kommt die prädiktive Analytik zur Hilfe, die es den automatisierten Warenbestellsystemen ermöglicht, Produkte in der richtigen Menge zu bestellen.   

Verschiedene Prognosemodelle 

Supermärkte nutzen seit Jahren verschiedene Prognose- und Warenwirtschaftssysteme. Leider sind diese Systeme oft mangelhaft – in der Praxis werden zu viele oder zu wenige Produkte bestellt.  Einige sind nicht in der Lage, zu lernen und das sich schnell verändernde Umfeld zu berücksichtigen – steigende Inflation, sich ändernde Kundenwünsche, Saisonabhängigkeit, Wetter, Wochentage und so weiter. Sie müssen daher regelmäßig von einem Fachmann kalibriert werden.  

Andererseits gibt es moderne Lösungen, die es den Systemen ermöglichen, „on the fly“ zu lernen, so dass nicht mehr so oft Spezialisten für maschinelles Lernen hinzugezogen werden müssen. Bei einigen Produkten kann eine saisonale Nachfrage bestehen. Glücklicherweise sind Algorithmen in der Lage, schnell Dutzende von Faktoren zu analysieren, komplexe Zusammenhänge aufzudecken und so Angebot und Nachfrage effektiv vorherzusagen.  

Wie funktioniert das Bestandsoptimierungssystem?  

Das Bestandsoptimierungssystem basiert auf drei mathematischen Modellen.  

1. Modell für Verkaufsprognosen 

Das wichtigste Modell ist ein Prognosemodell auf der Grundlage einer Zeitreihenregression. Das klingt sehr kompliziert, und tatsächlich geht es darum, die Verkaufsvorgänge der vergangenen Jahre zu analysieren. 

Bei diesem Modell ist es wichtig, bestimmte Tage oder kurze Fristen mit analogen Daten und Tagen aus früheren Jahren zu verknüpfen. Sehr wichtig in diesem Modell sind Wetterdaten, Feiertage und Ereignisse, die den Verkaufsprozess beeinflussen. Bei dieser Art der Zeitreihenanalyse ist es auch wichtig, neben den Stunden auch die Tage der Wochen zu berücksichtigen. Ein Prognosemodell, das auf dem Kalender, den Verkäufen der Vorjahre und den Wettervorhersagen basiert, kann den Absatz bestimmter Produktgruppen kurzfristig sehr genau vorhersagen.  

2. Modell zur Bestandsoptimierung 

Dieses Modell ist nach der Methodik der operativen Forschung aufgebaut. Es basiert auf der verfügbaren Verkaufsfläche und den Richtlinien für die Präsentation von Waren in den Regalen. Das Modul zur Bestandsoptimierung ist äußerst wichtig, da es dazu führen muss, dass zu einem bestimmten Zeitpunkt in der Zukunft die richtige Menge an Waren geliefert wird, damit der Lagerbestand optimal ist. In der Praxis sieht es so aus, dass das erste Modell zur Verkaufsprognose Informationen an das Optimierungsmodell sendet, das dynamisch berechnet, wie hoch der Warenbestand im Geschäft sein sollte. Anschließend sendet es die Informationen an das dritte Modul – das Auftragsabwicklungsmodul.  

3. Modell der automatischen Auftragsabwicklung 

Die Vertriebsnetze nutzen seit Jahren automatische Abwicklungssysteme. Der Unterschied in diesem Fall ist, dass das System die Waren auf der Grundlage der Informationen aus dem Prognosemodell und dem Optimierungsmodell bestellt. Wenn die Aufträge nicht innerhalb des von den Vorgängermodellen vorgegebenen Zeitrahmens erfüllt werden können, sendet das Auftragsmodul Informationen an Modul zwei, um den Bestand neu zu optimieren.  

Zusammenfassend lässt sich sagen, dass das erste Prognosemodell die künftigen Verkäufe vorhersagt und die Informationen an das zweite Modell weiterleitet, das den Bestand optimiert. Das dritte Modell ist für automatische Bestellungen zuständig. Bei diesem Ansatz ist die Gefahr eines Zuviel oder Zuwenig geringer. Wie bereits erwähnt, führt eine Überbevorratung zu Verlusten durch unnötig gebundenes Kapital und Verluste in Form veralteter Produkte. Eine zu geringe Anzahl von Waren im Geschäft führt wiederum zu einer erhöhten Wahrscheinlichkeit von Umsatzeinbußen.  

Wie kann man ein vollständiges Prognose-, Optimierungs- und Beschaffungssystem einführen? 

Die Einführung eines vollständigen Bestellsystems erfordert eine angemessene Vorbereitung sowohl auf der Seite des Geschäfts als auch auf Seite des Implementierungsteams.  

1. Verständnis für den tatsächlichen Bedarf des Kunden.  

Ausführliche Gespräche mit den Analysten des Entwicklungsteams ermöglichen es, Probleme zu benennen und den Bedarf entsprechend zu ermitteln. 

2. Erste Datenanalyse durch das Implementierungsteam.  

Fachleute prüfen, welche Daten die Handelskette hat und ob sie für das Projekt geeignet sind.  

3. Erstellen einer Projektkarte, d.h. einer Projektdefinition. 

In diesem Dokument werden der Umfang des Projekts und die Meilensteine dargelegt, so dass jeder genau weiß, was die Entwicklungsarbeit in jeder Phase konkret bringen soll.  

4. Detaillierte Analyse 

Eine gründliche Überprüfung der Daten und Fähigkeiten von jedem der drei Modelle. 

5. Ein Workshop mit dem Kunden, in dem der endgültige Entwurf ausgearbeitet wird.  

6. Durchführung des Projekts, bei der jede Phase vom Kunden entgegengenommen wird.  

7. Maintenance, d.h. die Instandhaltung der Beschaffungsinfrastruktur.  

Fazit 

Investitionen in selbstlernende, auf Algorithmen basierende Prognose- und Auftragsverwaltungssysteme sind ein Wettbewerbsvorteil und ein zunehmend beliebter Trend. Die prädiktive Analyse ist eine Aufgabe, für die ein automatisiertes System, das sich an schnell wechselnde Faktoren anpassen kann, viel besser geeignet ist. Optimierte Bestellungen bedeuten höhere Gewinne, eine bessere Verwaltung der Ladenfläche und zufriedene Kunden, die immer finden, was sie brauchen.    

Klingt es interessant? Geben Sie uns Bescheid!