Case Study: Einzelhandel

Der Einzelhandel erzeugte 2019 weltweit 121 Millionen Tonnen Lebensmittelabfälle. Diese Verschwendung an Lebensmitteln hat nicht nur negative Auswirkungen auf die Umwelt, sondern auch erhebliche finanzielle Nachteile für das Unternehmen selbst.

Unzureichend geplante Ressourcen und Warenangebot sowie dessen Lieferkette schmälern die operative Marge. Langsam rotierende Produkte verringern dabei wesentlich den Umsatz pro Verkaufsfläche („Flächenrentabilität“). In Überbeständen oder Engpässen liegt ein großes Liquiditätspotenzial, welches häufig nicht ausgeschöpft wird.

‍

Regalmeter Optimierung und Schonung wertvoller Ressourcen

Circly hat eine Lösung entwickelt, die es Einzelhandelsunternehmen ermöglicht, umweltfreundlich und nachhaltig zu handeln und gleichzeitig ihre Gewinnmargen zu verbessern. Durch den Einsatz der Circly KI-Lösung (künstliche Intelligenz) und dessen hohe Genauigkeit der Umsatzprognosen können Ressourcen präzise geplant, die Regalverfügbarkeit erhöht, Fehlbestände und Lebensmittelabfälle reduziert werden.

in Stichworten

• Supply-Chain-Optimierung
• Vereinheitlichung der Übertragung und Struktur der Daten
• Verwendung von KI für die Absatzvorhersagen
• Reduktion von Ressourcenverschwendung
• Einsparung von Finanzen

‍Challenges

Die Aufgabe von Circly bestand darin, das vorhandene Supply-Chain-System des Einzelhandelsunternehmens zu optimieren und zu erweitern. Die bisherige Methode setzte sich zusammen aus manuellem Analysieren der Verkaufszahlen anhand von Excel-Dateien und der statistischen Planung des zukünftigen Bedarfs und der benötigten Ressourcen. Aufgrund dieser analogen Berechnung konnten Personal-, Schicht- und Produktplanung nicht optimal vorhergesagt werden. Dies resultierte in erhöhter Ineffizienz und wirkte sich negativ auf die finanzielle Lage des Unternehmens aus.

‍

Umsetzung

Ein wesentlicher Bestandteil der Optimierung war das Verständnis und die Verknüpfung vorhandener Prozesse. Die betriebliche Planung der meisten Abläufe hängt von der Nachfrage und einer Vielzahl von Faktoren ab. Diese reichen vom Produktportfolio bis hin zu Bestellmengen, Verkaufsdaten, Preisschwankungen, Rabatten etc.

Nach der Analyse des bestehenden Systems und den damit verbundenen Prozessen wurden passende Konzepte des maschinellen Lernens ausgewählt, implementiert und mit den bestehenden Daten trainiert. Die Daten setzen sich aus internen und externen Regressoren zusammen, welche die Nachfrage und dessen Prognosen beeinflussen. Internen Faktoren beinhalten zum Beispiel Verkaufsdaten oder Warengruppen, während zu den externen Faktoren Wetterdaten oder Feiertage zählen. Die Herausforderung bestand darin, die Auswirkungen von COVID-19 auf die Daten zu berücksichtigen und daraus nützlichen Informationen herauszulesen. Während der Implementierung des Systems stieß Circly auf mehrere Effizienzlücken, welche berücksichtigt und behoben wurden. Zusätzlich mussten Dateninkonsistenz für die Vorhersagemodelle beseitigt werden.

Das erste Ziel von Circly war die Umsetzung einer einheitlichen Übertragung und Struktur der Daten, die es den Modellen ermöglichen, die Umsatzprognose zu vereinfachen und zu optimieren. Dabei wurden viele analogen Prozesse teil-automatisiert und gleichzeitig auf die Zufriedenheit des Personals eingegangen. Die Umsetzung eines voll automatisierten KI-Systems ist ein gradueller Prozess, da das Vertrauen in diese Technologie noch gestärkt und die neue Prozesslogik verstanden werden muss. Das Endziel ist jedoch die Implementierung einer vollautomatischen Schnittstelle zum bestehenden System. Dies wird die Planung der Ressourcen optimieren, Lebensmittelabfälle minimieren und die Arbeit des Personals durch standardisierte Prozesse erleichtern.

Resultate

Umwelt

• Reduzierung der Lebensmittelabfälle
• Einsparung von Ressourcen aufgrund der Planbarkeit
• Nachhaltigeres Supply-Chain-Management

Personal

• Verwendung eines einheitlicheren Systems
• Effizienzsteigerung
• Verringerung redundanter Arbeitsprozesse

Unternehmen

• Vermeidung von Lagerleerstand oder -überbestand
• Flächenoptimierung für einen höheren Umsatz pro Meter
• Einsparung von Finanzen durch Verringerung der Fehlbeschaffungen
• Verbesserung der Stabilität der Supply Chain