Wie Machine Learning Inventurherausforderungen im Einzelhandel lösen kann

Für Einzelhändler bringt der Wandel hin zum heutigen digitalen Zeitalter die Anforderung mit sich, Onlineshops mit dynamischen Inhalten, Preisen und personalisierten Produktempfehlungen auszustatten. Paradoxerweise werden im stationären Handel Entscheidungen jedoch häufig noch auf Grundlage manueller Berichte, Planungstools oder sogar teilweise intuitiv getroffen – ohne den Einsatz eines integrierten Managementsystems.

Die Herausforderungen der Bestandsverwaltung im Einzelhandel

Überbestände, Fehlbestände sowie ein fehlender Überblick über Vertriebsstrategien, beispielsweise die gezielte Vermarktung von Topsellern, können Herausforderungen darstellen, die die Skalierbarkeit einschränken und unnötige Kosten verursachen.

Die größten Herausforderungen der Bestandsverwaltung im Einzelhandel sind:

• Bestandsverfolgung

• Verwaltung saisonaler Bestände

• Überbestände oder Fehlbestände

• Bestückung neuer Filialen

• Ineffiziente Prozesse im Warenpräsentationsmanagement (Merchandising)

• Veränderte Kundenbedürfnisse und -erwartungen

• Eingeschränkte Datentransparenz und fehlende Zentralisierung wesentlicher Daten

• Zunehmender Wettbewerb

Im Laufe der Zeit müssen Merchandise Planner nicht nur mit den aktuellen Verkaufstrends Schritt halten, sondern auch vorhersagen, wie sich die Erwartungen der Kundinnen und Kunden im Laufe eines Jahres verändern werden. Dies ist zunehmend schwieriger geworden – insbesondere angesichts unvorhersehbarer Entwicklungen, mit denen die Branche in den vergangenen Jahren konfrontiert war.

Entscheidungen im Bereich Merchandising und Bestandsmanagement sollten daher auf aussagekräftigen KPIs und umfassenden Berichten basieren. Selbst dann können Entscheidungen, die eher intuitiv als datenbasiert getroffen werden, schnell in eine Sackgasse führen.

Wie kann Machine Learning helfen?

Die Einführung eines neuen Managementsystems, das auf die Bedürfnisse von Merchandise Plannern zugeschnitten ist, scheint zunächst eine umfassende Lösung zu sein. Nach der Implementierung stellen viele Einzelhändler jedoch fest, dass ein solches Tool ihre Filial- und Gebietsleitungen nur eingeschränkt unterstützt. Obwohl KPI-Darstellungen und Berichte technisch integriert sind, kann die Anwendung keine konkreten Handlungsempfehlungen für Bestandsprobleme geben. Menschliche Entscheidungen bleiben daher weiterhin entscheidend.

Genau hier kommt Machine Learning ins Spiel. Sobald historische Daten aus einem Managementsystem verfügbar sind, können Erfahrungswerte durch empirische Daten und maschinell erlernte Muster ergänzt oder teilweise ersetzt werden. Werden zusätzlich aktuelle Trends berücksichtigt, lassen sich intelligente Empfehlungen für die Planungsverantwortlichen generieren.

Mithilfe eines dreistufigen Ansatzes konnte Accesa individuelle Lösungen für Einzelhandelskunden entwickeln, die mit Herausforderungen in der Bestandsverwaltung konfrontiert waren. Durch die Kombination eines Managementsystems mit Machine-Learning-Technologien lassen sich die gewonnenen Daten in wertvolle Erkenntnisse umwandeln und intelligente Prognosen für Führungskräfte erstellen.

Der dreistufige Ansatz umfasst:

• Discovery-Phase zur klaren Definition der Anforderungen. Ein Beispiel hierfür ist die Erstellung einer wöchentlichen Trendprognose auf Basis historischer Verkaufsdaten (monatlich oder jährlich), die als Grundlage für die Planung des Bestandsmanagements dient. Auf dieser Basis analysieren wir die vorhandenen Daten und wählen den für den Kunden am besten geeigneten Lösungsansatz.

• Projektstudie, in der die vorhandenen Daten analysiert und validiert werden. Anschließend werden die geeigneten Methoden und Technologien ausgewählt, um einen Prototyp der Lösung zu entwickeln.

• Implementierung, bei der die Lösung getestet und validiert wird. Nach erfolgreicher Prüfung erfolgt anschließend die unternehmensweite Einführung.

Von Rohdaten zur Machine-Learning-Lösung

Die grundlegende Voraussetzung für ein kurzfristig erfolgreiches und reibungsloses Projekt ist die Verfügbarkeit und Qualität der Daten. Mithilfe einer umfassenden und strukturierten Datenanalyse in vier Schritten identifizieren wir Verkaufstrends:

• Zusammenführung und Aufbereitung der Daten: Daten, die in unterschiedlichen Formaten vorliegen und deren Tabellen sowie Kennzahlen nicht eindeutig beschrieben sind, werden gesammelt, zentralisiert und einheitlich gekennzeichnet.

• Identifikation projektrelevanter Daten: Auf Grundlage der vorhandenen historischen Daten werden die für das Projekt relevanten Datenkategorien ausgewählt und zusammengeführt (z. B. Produkttyp, Farbe, Größe, Preis, Saison, Jahr usw.).

• Korrelation und Resampling: Die verschiedenen Produktinformationen werden miteinander in Beziehung gesetzt und ihre gegenseitigen Einflüsse analysiert. Dadurch lassen sich wertvolle Erkenntnisse gewinnen (z. B. stellte sich heraus, dass der Zusammenhang zwischen Preis und Verkaufszahlen deutlich geringer war als erwartet).

• Machine Learning: Die Auswahl einer geeigneten Methode zur Datenaggregation für das Training des Machine-Learning-Modells gehört zu den zeitaufwendigsten Schritten. Das gewählte Modell muss ausreichend komplex sein, um effektiv mit den eingesetzten Lernalgorithmen zusammenarbeiten zu können.

Ergebnisse und nächste Schritte

Machine-Learning-Lösungen können lineare Differenzgleichungen nutzen, lineare stochastische Prozesse abbilden oder komplexere Prozesse näherungsweise modellieren. In ihrer kombinierten Anwendung unterstützen sie eine Vielzahl von Geschäftsprozessen, beispielsweise die Warenverteilung zwischen Zentrallagern und weiteren Standorten oder die Steuerung von Einzelhandelsfilialen.

Die Lösung trifft ihre Entscheidungen auf Grundlage der vorhandenen Daten. Voraussetzung dafür ist, dass diese Daten qualitativ hochwertig sind – also keine Duplikate oder veralteten Informationen enthalten. Das System erstellt daraufhin Handlungsempfehlungen, die von den zuständigen Mitarbeitenden überprüft und bestätigt werden können. Die endgültige Entscheidung bleibt dabei stets beim Menschen.

Ein weiterer wesentlicher Vorteil einer solchen Lösung ist die dynamische Preisgestaltung. Dieser Mechanismus kann sowohl den Absatz in den Filialen fördern als auch gleichzeitig den Warenumschlag optimieren. Dabei müssen jedoch bestimmte Aspekte berücksichtigt werden: Kundinnen und Kunden erwarten, dass die Preise eines Produkts nicht täglich stark schwanken. Deshalb empfiehlt das System auf Basis der Verkaufsdaten lediglich den optimalen Zeitpunkt für die nächste Preisanpassung.

Darüber hinaus können die auf Verkaufsberichten basierenden Absatzprognosen genutzt werden, um die Warenverteilung zwischen dem Zentrallager und den Filialen sowie zwischen den einzelnen Filialen effizient zu optimieren.

Fazit

Aufgrund kultureller und regionaler Unterschiede verkaufen sich Produkte je nach Region und Zeitpunkt unterschiedlich. Diese Entwicklungen lassen sich langfristig nicht immer zuverlässig vorhersagen. Eine Machine-Learning-Lösung kann jedoch dabei helfen, Trends im laufenden Verkaufsprozess frühzeitig zu erkennen und eine kontinuierliche Optimierung der Bestands- und Vertriebsplanung zu ermöglichen.