Kundengeschichten
Vorhersage der Nachfrage nach Frischbrot in Supermärkten
Bakker Goedhart implementierte ein Prognosemodell, das alle Variablen berücksichtigt, die die Nachfrage beeinflussen, was zu höheren Gewinnspannen führt.
Mit einem Jahresumsatz von 240 Millionen Euro ist Bakker Goedhart die mit Abstand größte Bäckerei in den Niederlanden. Jeden Morgen liefern die 300 Lastwagen des Unternehmens etwa zwei Millionen frisch gebackene Brote an 1.200 Supermärkte aus.
Bakker Goedhart war nicht in der Lage, die Nachfrage genau vorherzusagen, was zu erhöhten Kosten führte
Warum
Erstellung, Produktion und Reifung eines Prognosemodells, das alle Variablen berücksichtigt, die die Nachfrage beeinflussen
Was
Erstellung, Produktion und Reifung eines Prognosemodells, das alle Variablen berücksichtigt, die die Nachfrage beeinflussen.
Wie
Um die Verbrauchernachfrage pro Tag und Einzelhändler vorherzusagen, beauftragte Bakker Goedhart Xebia mit der Entwicklung eines vorausschauenden Verkaufsplanungsmodells. Dieses Modell des maschinellen Lernens optimiert die Verfügbarkeit von frischen Brotprodukten und minimiert gleichzeitig die Restbestände. Die Absatzprognose ermöglicht es Bakker Goedhart, effizienter zu produzieren und weiter im Voraus zu planen.
Annäherung
- Agile Entwicklung und Feedback-Schleifen
- Bestimmung und Beeinflussung der Nachfrage mit Techniken des maschinellen Lernens
- Das Modell der künstlichen Intelligenz in die Produktion bringen
- Reifung des Modells der künstlichen Intelligenz
Im vergangenen Jahr hat Bakker Goedhart 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 Bakker Goedhart. Da die übrig gebliebenen Produkte am nächsten Tag nicht mehr verkauft werden können, neigen die Einzelhändler dazu, weniger zu bestellen, als sie voraussichtlich verkaufen werden. Die Nichtverfügbarkeit von Produkten ist eine große Ursache für die Unzufriedenheit der Kunden, die vom Einzelhändler oft unbemerkt bleibt. Durch den Einsatz von Informationstechnologie und künstlicher Intelligenz zielt Bakker Goedhart darauf ab, den Umsatz und das Serviceniveau zu optimieren.
Die Produktion von Brot in großem Maßstab erfordert eine flexible Organisation. Einzelhändler neigen dazu, ihre Brotprodukte just in time zu bestellen, und während des Produktionsprozesses erhält Bakker Goedhart noch regelmäßig Änderungen. In der verbleibenden Produktionszeit müssen sie die exakten Stückzahlen nach unseren Qualitätsstandards produzieren. Diese Geschäftsdynamik erfordert von den Mitarbeitern eine gut ausgeprägte Problemlösungskapazität. Sie 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 Bakker Goedhart schon immer an der Tagesordnung. 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 Bakker Goedhart an Xebia mit der Frage, ob es möglich sei, die Nachfrage nach Brotprodukten in Supermärkten vorherzusagen. Xebia 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 liefert Bakker Goedhart die 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.
Um die Datenqualität zu verbessern, hat Xebia einen Datenbereinigungsprozess eingeführt. 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 Bakker Goedhart ab. Nach der Inbetriebnahme in einem Supermarkt führte die Optimierung des Modells zu einer Verringerung der ausverkauften Produkte und zur Minimierung der Produktreste. Da das Modell in erster Instanz Muster erkennt, ist das Feedback der Einzelhändler für das Training des Modells entscheidend. 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. Die Antizipation individueller Kundenwünsche wird immer wichtig bleiben.
An einem bestimmten Mittwoch war eine Kundin nicht in der Lage, ihre Brotsorte zu 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 in den Laden. Nun besprachen der Supermarktleiter und die Kundin, dass sie, wenn sie an einem anderen Tag in den Laden kommen will, den Supermarkt vorher kontaktiert, damit das Brot, das sie so gerne mag, speziell für sie bestellt werden 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.
Contact