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. 

Besonders intensiv hat inovex im Bereich der Supply-Chain-Optimierung mit der REWE-IT-Tochter REWE Digital zusammengearbeitet. Bei REWE Digital werden alle strategischen Online-Aktivitäten der REWE Group gebündelt. Ziel ist es, der führende Anbieter von Online-Lösungen in allen für REWE relevanten Einkaufsmärkten und Lieferlagern zu werden. Dazu gehören die ausschließlich für den Lieferservice eingerichteten Lieferlager, aber auch Liefer- und Abholmärkte, die im ganzen Bundesgebiet verteilt sind. 

Ziel ist das Fulfillment: Verlängerte Supply Chain gegenüber dem Einzelhandel.

Die traditionelle Logistikkette endet in den Märkten. Die Besonderheit bei einem Lieferservice ist der zusätzliche Schritt im Prozess, die Lieferung bis hin zum Kunden. Diese „letzte Meile“ spielt eine entscheidende Rolle für die Zufriedenheit der Kunden mit dem Lieferdienst und ist damit ein Schlüsselfaktor für den Erfolg des gesamten Geschäftsmodells. Im Laufe der Zusammenarbeit mit REWE Digital sind mehrere datengetriebene Use Cases umgesetzt worden, die auf die Verbesserung relevanter KPIs abzielen. Zu diesen KPIs zählen beispielsweise der Net Promoter Score oder die Artikelverfügbarkeit im Online-Shop. 

Beim Use Case “Voraussichtliche Ankunft” handelt es sich um einen intelligenten Informationsservice, der nicht nur den Endkunden direkt und automatisiert informiert, sondern auch dem Kundenservice bei REWE Digital digitale Werkzeuge zur Verfügung stellt, um Kunden proaktiv über Verspätungen oder Besonderheiten im Rahmen ihrer Bestellung zu informieren.

Das Prognose-Modell und die Intervall-Vorhersage

Wenn ein Kunde beim REWE-Lieferservice bestellt, dann füllt er entweder im Web-Shop oder in der App seinen Warenkorb und hat beim Checkout die Möglichkeit, eines von mehreren Zeitfenstern innerhalb der nächsten Tage auszuwählen, in welchem er seine Lieferung erhalten möchte. Das ausgewählte Zeitfenster dient den Tourenplanungssystemen als Input, um die Ausliefertouren zu planen und die Bestellungen auf die REWE-Lieferfahrzeuge zu verteilen. Die möglichst präzise Prognose und Kommunikation der voraussichtlichen Ankunftszeit trägt maßgeblich dazu bei, dass der Kunde sich gut informiert fühlt und zufrieden ist. Insbesondere kommunizierte Intervalle, die deutlich kleiner sind als das ursprünglich gewählte, bieten dem Kunden einen deutlichen Mehrwert. Wählt der Kunde z. B. eine Lieferung zwischen 14:00 und 16:00 Uhr aus, freut er sich über die Information, dass seine Lieferung zwischen 14:35 und 14:55 Uhr bei ihm sein wird. 

Bleibt die Frage zu klären, zu welchem Zeitpunkt der Kunde informiert werden sollte. Bei diesem Use Case kann der Zeitpunkt nicht allgemein festgelegt werden, weil er von der Sicherheit (bzw. Unsicherheit) der Prognose abhängt. Man kann sich leicht vorstellen, dass es umso schwieriger ist, eine Prognose abzugeben, je weiter der betroffene Zeitpunkt in der Zukunft liegt. In der Tat schrumpfen die berechneten und statistisch validen Prognoseintervalle automatisch, je näher der geplante Ankunftszeitpunkt rückt. Diese Eigenschaft wurde ausgenutzt, um den Kunden individuell in dem Moment zu informieren, in dem die Unsicherheit der Prognose klein genug ist und die Information für den Kunden Mehrwert bietet. Wenn alles nach Plan und pünktlich verläuft, erhält der Kunde eine Benachrichtigung, sobald das für ihn berechnete Intervall eine Länge von nicht mehr als 20 Minuten besitzt (dies ist ein Parameter des Modells und kann in der Realität abweichen)

Sobald eine Verspätung absehbar ist, tritt der zweite Abnehmer des im Projekt umgesetzten Informationsdienstes auf den Plan – der Kundenservice von REWE. Die berechnete Ankunftszeit verändert sich über den Tag; ein Grund dafür kann beispielsweise ein Stau sein. Das kann die Ankunftszeit nach hinten schieben, die Lieferung kann sich also verspäten. In diesem Fall wird der Kundenservice über die Situation informiert, der dann Maßnahmen ergreifen kann, um dem Kunden die Ursachen für die Verspätung zu erklären und die Folgen der Verspätung zu entschädigen.

„Die kundenindividuelle Prognose und Kommunikation der voraussichtlichen Ankunftszeit unserer Fahrer hat einen signifikanten Einfluss auf die Zufriedenheit unserer Kunden. Gemeinsam mit unserem Partner inovex konnten wir die komplexe Anforderung mit hohem Qualitätsanspruch durch eine iterativen Vorgehensweise erfolgreich umsetzen.“

Matthias Ulrich, Product Owner, REWE Digital GmbH

Agile Data Science – Umsetzung mit Scrum

Das Projekt wurde agil mit dem Scrum-Framework als Organisationsmodell entwickelt. Dabei hat man sich der aktuellen Lösung in mehreren Iterationen angenähert. Die agile Arbeitsweise war aus unserer Sicht maßgeblich für die erfolgreiche Umsetzung dieses Use Case. Insbesondere im Kontext von Data-Science-Lösungen ist die Komplexität der Lösung zu Beginn eines Projektes nur schwer einschätzbar. Die Güte und damit die Nützlichkeit von Prognosemodellen sind erst dann messbar, wenn sie existieren. 

Im Mittelpunkt des Projektes standen stets der Kundennutzen und eine Lösung, die einfach zu implementieren ist. Während des Projektverlaufs wurden nicht nur die Prognosen des Lieferzeit punkts ständig verbessert, sondern auch sukzessive neue Features implementiert. 

Eine iterative Vorgehensweise ist bei Data-Science-Projekten noch wichtiger für den Erfolg als bei anderen Software-Projekten. Pro Zyklus (s. Schaubild) erfolgt eine Bewertung, ob das Ergebnis gut, stabil und nützlich ist. Erst wenn alle drei Aspekte erfüllt sind, erfolgt das Deployment. 

Key Facts:

  • Agil entwickelter Data Science Use Case
  • Erweiterte Prognose von statistisch validen Intervallen
  • Zwei Abnehmer des Services: REWE-Digital-Kundenservice und Endkunde
  • Vollautomatisierte und individuelle Benachrichtigung des Kunden per SMS
  • Befähigung des Kundenservice, proaktiv den Kunden über Verspätungen zu informieren
  • Steigerung der Kundenzufriedenheit gemessen am Net-Promoter-Score

Sie haben Fragen oder möchten zu diesem Thema beraten werden?

Dann rufen Sie uns an unter +49 (0)721 619 021-0 oder schreiben Sie uns eine E-Mail. Wir freuen uns auf Ihre Nachricht!

Weitere Themen:

Patrick Thoma

Ich freue mich auf Ihre Nachricht!

Patrick Thoma

Head of Data Management & Analytics

inovex Leistungen

Data Science & Deep Learning bei inovex

Mehr erfahren

inovex Case Study

Agile Data Warehousing mit BIML und Microsoft SQL Server für TimoCom

Case Study lesen

inovex Case Study

Data Science für ProSiebenSat.1

Case Study lesen

inovex Blog

Florian Wilhelm | 17.01.2018

Data Science in Production: Packaging, Versioning and Continuous Integration

Blog-Artikel lesen

inovex Blog

Sebastian Blank | 07.01.2019

Deep Learning Fundamentals

Blog-Artikel lesen