Fallstudie Bakkersland: Vorhersage der Nachfrage nach frischem Brot in Supermärkten

Mit einem Jahresumsatz von 400 Millionen Euro ist Bakkersland die mit Abstand größte Bäckerei in den Niederlanden. Jeden Morgen liefern die 300 Lastwagen des Unternehmens etwa 2 Millionen frisch gebackene Brote an 1.200 Supermärkte aus. Um die Verbrauchernachfrage pro Tag und Einzelhändler vorherzusagen, beauftragte Bakkersland GoDataDriven mit der Entwicklung eines vorausschauenden Verkaufsplanungsmodells. Dieses maschinelle Lernmodell optimiert die Verfügbarkeit frischer Brotprodukte und minimiert gleichzeitig die Restbestände. Die Absatzprognose ermöglicht es Bakkersland, effizienter zu produzieren und weiter im Voraus zu planen.

Agile Entwicklung und Feedback-Schleifen

Im vergangenen Jahr hat Bakkersland begonnen, seinen Bestellprozess zu verbessern, um die Verfügbarkeit von Brot über den ganzen Tag hinweg zu optimieren. Übrig gebliebene Produkte sind ein wichtiger Kostenfaktor für Supermärkte, die Hauptkundengruppe von Bakkersland. Da die übrig gebliebenen Produkte am nächsten Tag nicht mehr verkauft werden können, neigen die Einzelhändler dazu, weniger zu bestellen, als sie zu verkaufen erwarten. Die Nichtverfügbarkeit von Produkten ist eine große Ursache für die Unzufriedenheit der Kunden, die vom Einzelhändler oft nicht bemerkt wird. Durch den Einsatz von Informationstechnologie und künstlicher Intelligenz zielt Bakkersland darauf ab, den Umsatz und das Serviceniveau zu optimieren.

Die Produktion von Brot in großem Maßstab erfordert eine flexible Organisation. "Die Einzelhändler neigen dazu, ihre Brotprodukte just in time zu bestellen, und während des Produktionsprozesses erhalten wir noch regelmäßig Änderungen. In der verbleibenden Produktionszeit müssen wir die exakten Stückzahlen gemäß unseren Qualitätsstandards produzieren. Diese Geschäftsdynamik erfordert von unseren Mitarbeitern eine gut entwickelte Problemlösungskapazität", erklärt Hein Boersma, ICT Manager bei Bakkersland. "Wir müssen nicht nur mit Nachfrageschwankungen fertig werden, sondern es treten auch regelmäßig Schwankungen im Produktionsprozess auf, die durch zahlreiche Faktoren verursacht werden. Kurzfristige Änderungen und Rückkopplungsschleifen waren für uns schon immer gang und gäbe. Um die Kontinuität des Unternehmens zu gewährleisten, ist es wichtig, nicht nur das Hier und Jetzt zu betrachten, sondern auch die langfristige Perspektive.

Bestimmung und Beeinflussung der Nachfrage mit Techniken des maschinellen Lernens

Im Frühjahr 2015 wandte sich Bakkersland an GoDataDriven und fragte, ob es möglich sei, die Nachfrage nach Brotprodukten in Supermärkten vorherzusagen. 

GoDataDriven begann mit der Entwicklung eines Modells der künstlichen Intelligenz, das durch die Analyse von Transaktionsdetails in Kombination mit externen Daten die ideale Menge an frischen Brotprodukten pro Supermarkt und Tag über einen längeren Zeitraum ermittelt. Das Modell versorgt Bakkersland mit den richtigen Daten, um automatisch die ideale Menge an Brot für jeden Supermarkt zu produzieren, basierend auf der Nachfrage und den spezifischen Sortimentspräferenzen des Einzelhändlers.

Ein weiterer Vorteil ist der Einblick in die prognostizierte Nachfrage über längere Zeiträume. Sobald der Produktionsbedarf im Voraus bekannt ist, kann die Bäckerei den Einzelhändlern Aktionszeiträume vorschlagen und so die Nachfrage in Zeiten von Überkapazitäten anregen.  

"Die sofortigen und hervorragenden Ergebnisse des Vertriebsplanungsmodells von GoDataDriven haben uns den enormen Wert unserer Daten vor Augen geführt. Das hat dazu geführt, dass sich unser Management und der Rest unserer Organisation des Wertes von Daten bewusst geworden sind", fügt Boersma hinzu.

Das Modell der künstlichen Intelligenz in die Produktion bringen

Um die Datenqualität zu verbessern, hat GoDataDriven einen Datenbereinigungsprozess implementiert. Dieser Prozess filtert z.B. Fehler an der Kasse heraus, wie z.B. Transaktionen von großen Mengen Brot, die sofort nach der Registrierung gespült werden. Außerdem gleicht der Prozess die eigenen Codes der Einzelhändler mit den Produktcodes von Bakkersland ab.

Nach der Inbetriebnahme in einem Supermarkt führte die Optimierung des Modells zu einem Rückgang der ausverkauften Produkte und einer Minimierung der übrig gebliebenen Produkte. Da das Modell in erster Linie Muster erkennt, ist das Feedback der Einzelhändler entscheidend für das Training des Modells. Durch die Kombination von Eingaben der Einzelhändler und der zunehmenden Datenmenge werden die Vorhersagen des Modells immer genauer, was wiederum dazu führt, dass die Einzelhändler Vertrauen in das Modell aufbauen.

Antizipation auf individuelle Kundenwünsche wird immer wichtig bleiben. An einem bestimmten Mittwoch konnte eine Kundin ihre Brotsorte nicht finden. Nach sorgfältiger Prüfung der Daten stellte sich heraus, dass diese Kundin die einzige Person war, die diese Brotsorte kaufte, und sie kam immer donnerstags. Nun, der Supermarktleiter und die Kundin

besprach, dass sie, wenn sie plant, an einem anderen Tag in den Laden zu kommen, den Supermarkt vorher kontaktiert, damit man das Brot, das sie so gerne mag, extra für sie bestellen kann.

Reifung des Modells der künstlichen Intelligenz

Die ersten Ergebnisse des Modells sind hoffnungsvoll. Bereits nach der ersten Periode hat das Modell die Verfügbarkeit und die Verkaufszahlen verbessert, ohne dass es zu einem Anstieg der Reste kam. Nach der ersten Implementierung wurde das Modell auf weitere 25 Supermärkte ausgeweitet. Das Ziel ist es, in der nächsten Zeit alle Supermärkte landesweit anzuschließen.

Der nächste Schritt besteht darin, die Umsatzanalyse zu nutzen, um auch die Gewinnspannen in das Modell einzubeziehen. Durch die Verwendung dieser Daten als Merkmal in dem Modell wird es möglich, den Gewinn pro Einzelhändler zu optimieren, indem die Verfügbarkeit bestimmter Brotsorten gesteuert wird.