Demand Forecasting

Die Kernaufgabe eines jeden Handelsunternehmens ist, die optimal auf seine Kunden zugeschnittenen Lieferketten zu betreiben und stetig an den sich ändernden Kundenwunsch anzupassen.

Die Absatzprognose (Demand Forecasting), gewährleistet durch intelligenten Dateneinsatz, gehört damit zu den elementaren Werkzeugen des erfolgreichen Handels. 

Ein System für Absatzprognose hat gegenseitige Abhängigkeiten in allen Bereichen eines Handelsunternehmens. Darunter fallen Marketing, Lagerhaltungs- und Bestandssysteme, das Category Management  sowie die Personalsteuerung. 

Wir stellen unseren Kunden eine individuelle Lösung für ihre Absatzprognose zur Verfügung, die sich in vorhandene Systeme integrieren lässt und entscheidende Key Performance Indicators (KPIs) berücksichtigt. Zusätzlich erhalten sie manuelle Eingriffsmöglichkeiten und ein umfangreiches Monitoring zur Überwachung der Modelle und ihrer Prognosen.

Quantifizierte Prognosen abgeben

Kostenoptimierung stellt im Handel eine der größten Herausforderungen dar – insbesondere wenn neue Faktoren für die Bestandsplanung, wie ein Online-Angebot, hinzukommen. Ungenaues Demand Forecasting hat häufig direkte Auswirkungen auf die Rentabilität. Im besten Fall entstehen nur unnötig hohe Lagerkosten, im schlechtesten können Waren verderben und es kommt zu Abschriften (Überdeckung) – oder es steht zu wenig Warenmenge eines Produktes zur Verfügung und man vergibt Marge (Unterdeckung). 

Statistische Verfahren, die rein auf historischen Daten beruhen, können die hohen Anforderungen an eine Absatzprognose nur bedingt erfüllen. Moderne maschinelle Lernverfahren, wie z.B. aus dem Bereich des Deep Learnings, einer Disziplin des Forschungsfeldes Künstliche Intelligenz, ermöglichen die Einbeziehung einer Vielzahl von Einflussgrößen.

Grundsätzlich sind Prognosen trotzdem immer mit Unsicherheit belegt. Wir können jedoch dabei helfen, diese Unsicherheit zu quantifizieren (Uncertainty Quantification) und so die Risiken zu steuern. Dadurch lassen sich steuerbare Service-Level gewährleisten.

Technische Skalierbarkeit

Unsere Prognosemodelle werden so implementiert, dass sie sich an die unternehmerischen Umstände flexibel anpassen lassen und mit dem Unternehmen wachsen. Zusätzliche Produkte lassen sich genauso mit einbeziehen wie die Expansion in neue Märkte. Das System lässt sich linear skalieren, während der Bedienungsaufwand handhabbar bleibt.

Für den Aufbau von Big-Data-Architekturen unterstützen wir zwei zentrale Technologieansätze: 

  1. Ein verteiltes Framework auf Basis von beispielsweise Apache Spark

  2. Einen Microservice-orientierten Ansatz auf Basis von Kubernetes

Beide Lösungen lassen sich auf Server-Architekturen vor Ort (On-Premise) oder in der Cloud umsetzen.

Genauere Prognose durch Einbezug der Planung

Prognosesysteme beruhen meist auf einer einzelnen Gruppe von Informationen, die Rückschlüsse auf zukünftiges Kaufverhalten von Kunden zulassen. Unternehmerische Planungen, wie Sonderaktionen, Flyer oder Ähnliches, können jedoch das Kaufverhalten ändern. Wir integrieren die sonst üblichen Aktionsprognosen in unsere Modelle, anstatt sie separat zu berechnen. 

Unser Lösungsansatz ist in der Lage, mehrere Faktoren in die Absatzprognose einzubeziehen. Dazu gehören unter anderem: 

  • Preisveränderungen

  • bestimmte Verkaufsevents

  • Jahreszeiten und Feiertage

  • Wetter

All diese Einflüsse können durch entsprechende Datenauswertung historisch betrachtet und für zukünftige Absatzprognosen berücksichtigt werden.

Durch unsere jahrelange Erfahrung sind wir in der Lage, bei unseren Kunden Modelle mit hoher Prognosegüte produktionsreif zu implementieren und integrieren.

Agile Data Science für die Supply-Chain-Optimierung von REWE digital

Agile Data Science für die Supply-Chain-Optimierung von REWE digital

REWE und inovex treiben seit 2015 gemeinsam verschiedene Big-Data-Initiativen für die Optimierung der Supply Chain voran. Dazu zählen Trainings, die Einführung von Big-Data-Technologien und die Entwicklung darauf aufbauender Anwendungen sowie Data Science. 

Case Study lesen

Wie können wir Sie unterstützen?

Nehmen Sie mit uns Kontakt auf – einfach per Telefon oder E-Mail.

Wir freuen uns auf Ihre Nachricht!


Weitere Themen:

Stefan Igel

Ich freue mich auf Ihre Nachricht!

Stefan Igel

Führungsteam Data Management & Analytics

Projekt KOSMoS

Großes Gemeinschaftsprojekt: Smart-Contracting-Plattform

Viele Industrieunternehmen sammeln bereits vielfältige Daten, die ihre Produktionsanlagen ausgeben, und analysieren sie unternehmensintern. Anschließend können sie auf dieser Grundlage ihre eigene Produktion optimieren. Doch das Industrial Internet of Things (IIoT) bietet weitaus größere Potenziale. Das Projekt KOSMoS, das durch das Bundesministerium für Bildung und Forschung gefördert wird, verfolgt deshalb das Ziel, produzierende Unternehmen digital miteinander zu verbinden und damit ein Wertschöpfungsnetz über die Unternehmensgrenzen hinweg zu schaffen. Im Konsortium der neun Projektpartner ist inovex der Experte für Data Management und Analytics.

Zum Projekt KOSMoS

inovex Blog

F. Wilhelm

Data Science in Production: Packaging, Versioning and Continuous Integration

Blog-Artikel lesen

inovex Blog

Sebastian Blank

Deep Learning Fundamentals

Blog-Artikel lesen

inovex Blog

M. Kurovski

From Exploration to Production—Bridging the Deployment Gap for Deep Learning

Blog-Artikel lesen