BE-terna auf der EuroCIS 2024 / 27-29 Februar in Düsseldorf  •  Fachmesse für Retail Technology. Besuchen Sie uns in Halle 10 am Stand C42, wir freuen uns! Informationen zum Event + Anmeldung  
Lösen Sie Ihre Herausforderungen in der Lagerwirtschaft und Logistik mittels Machine Learning
Blog

Lösen Sie Ihre Herausforderungen in der Lagerwirtschaft und Logistik mittels Machine Learning

6 min read Jan 19, 2020

Ausverkauf oder Überbestände – kommt Ihnen das bekannt vor?
Der moderne Käufer ist verwöhnt. Er will alles, jetzt und wenn möglich, an seine Wohnadresse geliefert bekommen. Auf der anderen Seite dieser Medaille finden wir recht komplizierte Operationen und komplexe Lieferketten, die das alles möglich machen. Somit wird Prime Mitgliedern beispielsweise auf Amazon die Zustellung von Bestellungen innerhalb von nur 2 Stunden ermöglicht.

Diese großen Angebote von Großunternehmen bringen auch kleine mittelständische Unternehmen in eine Position, in der sie eine große Anzahl von Artikeln, sowie ein hohes Serviceniveau anbieten müssen und zugleich komplexe Lieferketten aufrechthalten. Unabhängig von den Gründen ist es so, dass die meisten verbraucherorientierten Unternehmen heutzutage mit vielen SKU's (Lagerhaltungseinheiten) zu tun haben und für alle ein hohes Serviceniveau bieten. Diese Artikel treffen häufig von weltweiten Liefernetzwerken in die Unternehmenslager ein, was eine anspruchsvolle und datenintensive Aufgabe ist. Die wirklichen Auswirkungen auf ein Unternehmen treten dann ein, wenn die Auffüllung dieser Artikel dazu führt, dass Sie einige veraltete Artikel entweder nicht mehr vorrätig haben oder überbevorratet haben, diese aber von dem Kunden nicht mehr nachgefragt werden.
Unserer Erfahrung nach lassen sich die meisten dieser Probleme, Herausforderungen und komplexen Prozesse mit Prognose- und Optimierungstechniken lösen. Moderne Verkaufsprognose- und Lageroptimierungslösungen, wie wir sie bei BE-terna entwickeln, lösen diese Herausforderung in drei Schritten.

Der dreistufige Prozess:

(1) Abschätzung von Nachfrage und Marktverhalten

Im Folgenden wird der Prozess kurz zusammengefasst. Der erste Schritt besteht darin, die Art des Artikels zu identifizieren, für den künftig eine Bestellempfehlung durch das System generiert werden soll. Das Identifizierungsverfahren analysiert das Verhalten der Verkaufsdaten (Verkaufswert, Volatilität, Nachfrage, Verkaufsfrequenz usw.) und klassifiziert diese in eine der Typgruppen ein. Ein Artikel kann z.B. konstant, neu, saisonal, ein Langsamdreher, ein Schnelldreher, ein Werbeartikel usw. sein. Der nächste Schritt ist die Schätzung der Nachfrage für den bereits in eine bestimmte Typgruppe klassifizierten Artikel. Dies wird mit Hilfe von Machine Learning durchgeführt. Es werden mehrere Machine Learning-Modelle anhand von verschiedenen Datenquellen trainiert, die sich gegenseitig dynamisch selbst evaluieren. Unserer Erfahrung nach unterstützen Wetter- oder Verkehrsdaten dabei, die Nachfrage in zukünftigen Perioden viel genauer abzuschätzen (natürlich ist die Genauigkeit abhängig von der Branche). Das Machine Learning-Modell mit der besten Performance, gemessen an der höchsten Prognosegenauigkeit, wird dann verwendet, um die Nachfrage für die nächste Periode (Monate bis zu einem Jahr) zu prognostizieren. Die Definition der nächsten Periode hängt stark von Ihrem Bestellzeitpunkt und anderen Einschränkungen ab, auf die später im Detail eingegangen wird.

undefined

(2) Optimierung des Lagerbestands – der Heilige Gral des Einkaufs

Sobald die Nachfrage für die nächste Periode geschätzt ist, besteht der zweite Schritt darin, die Lagerverfügbarkeit zu maximieren, ohne Überbestände zu erzeugen. Oder mit anderen Worten: den Lagerbestand zu verringern ohne dass es zu Lagerausverkäufen bzw. Fehlmengen kommt. Dazu müssen die Nachbestellzeitpunkte in Bezug auf Häufigkeit und Bestellmengen definiert werden. Darüber hinaus sind häufig viele zusätzliche Einschränkungen zu beachten, die von den individuellen Unternehmen, Branchen und Prozessen abhängen. Die zum Teil widersprüchlichen Ziele werden mithilfe der Technik der Mehrzieloptimierung gelöst. Kurz gesagt: mit der Menge und dem Zeitpunkt der nächsten Bestellung muss ein Ausgleich zwischen den Kosten eines zu großen Lagerbestands im Lager auf der einen Seite und den Transportkosten und allen transportbezogenen Kosten auf der anderen Seite gefunden werden. Die Komplexität ergibt sich aus allen Arten von Beschränkungen, wie zum Beispiel der minimalen Bestellmenge, des minimale Bestellwerts oder des minimalen Sicherheitsbestands. Diese Beschränkungen variieren aufgrund der Art des Geschäfts oder der Branche des Unternehmens.
Dies ist mehr oder weniger der Heiliger Gral für die Einkaufsabteilungen. Denn eine mögliche Konsequenz ist der Verlust von Lagerbeständen, was nicht nur Umsatzeinbußen bedeutet, sondern auch den Verlust von Kunden bedeuten kann, da die Konkurrenz nur einen Klick entfernt ist.
Einige Vertriebsgesellschaften haben außerdem Strafzahlungen, bei unvollständiger oder fehlender Lieferausführung an Einzelhändler, vereinbart. Was auch Strafzahlungen bei Lagerbestandsausfällen bedeuten kann. Auf der anderen Seite hingegen hat ein Überbestand, der aus Verkaufssicht weniger problematisch erscheinen mag, negative Auswirkungen auf die Lagerumschlagshäufigkeit. Er bindet Betriebskapital (Cashflow) und erhöht auch alle Lagerhaltungskosten (Lagermiete, Grundsteuer, Versicherung, Abschreibung, Arbeit usw.).

undefined

Supply Chain Management

Verkaufsprognosen und Bestandsoptimierung mittels Machine Learning

Mehr dazu

(3) Die Lösung in die Tat umsetzen

Den vollen Mehrwert erhält man mit den Menschen, nicht ohne sie. Am Ende ist die Benutzererfahrung als dritte Komponente dieser Lösung vielleicht am wichtigsten für den Erfolg. Dazu gehört die Integration der Lösungsergebnisse in das Alltagsgeschäft der Menschen durch benutzerfreundliche Schnittstellen. Normalerweise bedeutet dies zwei Dinge. Erstens die nahtlose Integration in ERP-Systeme oder überall dort, wo Bestellungen aufgegeben werden, und zweitens die Bereitstellung einer einfachen Self Service-Analysemöglichkeit, die von den Fachbereichen und Endanwendern zur Interpretierbarkeit genutzt werden können. Dies mag wie ein Schritt aussehen, der nichts mit den direkten Auswirkungen des Projekts zu tun hat, ist aber in der Tat kritisch, um Vertrauen und Verständnis in die vom System gelieferten Schätzungen zu gewinnen. Dieser Schritt ist essentiell um die potenzielle Rendite von Investitionsprojekten wie diesem zu realisieren, da die Benutzer die Lösung andernfalls nicht akzeptieren und nutzen werden.

undefined

Beginnen Sie, Millionen zu sparen

Einer Distributions- und Vertriebsgesellschaft, für das BE-terna eine Bestandsoptimierungs- und Prognose-Plattform anhand von Machine Learning und Self Service-Analytics entwickelte und vollständig implementierte, gelang es beispielsweise, die Anzahl der Lagerausverkäufe auf Null zu senken und gleichzeitig den Cashflow um etwa 25%-65% zu minimieren. Natürlich hängt das Potenzial an Einsparungen und Vorteilen von der aktuellen Situation des Unternehmens ab. Unserer Erfahrung nach sind diese bei den meisten KMUs oder Unternehmen, die ein Lager im Herzen ihres Betriebs haben, von großer Bedeutung.
Übersetzen Sie dies auf Ihr Unternehmen und Sie können schnell erkennen, dass Ihre Einsparungen von einigen Hunderttausenden bis zu einigen Millionen Euro reichen können.

Sie mögen, was Sie lesen?

Melden Sie sich zu unserem Newsletter an und bleiben Sie up-to-date.

Über den Autor

Milan Listeš

Customer Landing Manager