„Richtig eingesetzt hilft Machine Learning, die Supply Chain-Planung zu optimieren, um die Füllraten zu erhöhen, die Regalverfügbarkeit zu verbessern und einen schnelleren Lagerumschlag zu erreichen“, so Mounira Nouasria, Head of Sales für Zentraleuropa bei Tools Group. „Mit ML-unterstützten Prognosen können Einzelhändler ihre Bestände und den Nachschub optimieren, um eine höhere Regalverfügbarkeit zu erreichen und gleichzeitig weniger Bestände zu führen.“

Machine Learning bei Kiko Milano

Die italienische Kosmetikkette Kiko Milano setzt sowohl für die Definition des Lagereinkaufsplans als auch für den Filialnachschub auf Machine Learning. Eine automatisierte Supply-Chain-Planungssoftware der Firma Tools Group prognostiziert den Bedarf, indem sie Machine Learning-Automatisierung und Wahrscheinlichkeitsprognose miteinander verbindet.

Die ML-Engine ermöglicht es den Modellen, aus vorhandenen Daten zu „lernen“ und Trends für den zukünftigen Bedarf genau zu erkennen. So kann Kiko die Konsumtrends in jeder Filiale genau vorhersagen. Jeden Montagmorgen wird der Prozess der Verkaufsanalyse und Nachschubplanung durchgeführt und die Filialbestellungen generiert, sodass die Ankunft der Ware in der Filiale am folgenden Donnerstag gewährleistet ist. Das Gleiche wird donnerstags für die Ankunft am folgenden Dienstag wiederholt.

„Dank der engen Integration zwischen den Funktionen können wir die Produktverfügbarkeit in sehr kurzen Zeiträumen sicherstellen, was die Chancen erhöht, die Nachfrage rechtzeitig für die Verkaufsspitzen des folgenden Wochenendes zu befriedigen“, sagt Gianmarco Mangili, Planning Director bei Kiko Milano.

Verfügbarkeit gewährleisten

Lieferketten müssen heutzutage mehr denn je digitale Marktplätze effizient bedienen und die Verfügbarkeit über mehrere Kanäle erleichtern. Machine Learning bezieht dazu Daten aus diesen Interaktionen ein, um proaktiv Fragen zu beantworten wie: „Haben wir aufgrund der starken Werbung den richtigen Bestand für die Einführung des neuen Produktes? Ist der Preis angesichts des aktuellen Mikroklimas noch korrekt? Sind die Produkte am richtigen Ort, um unsere Online-Bestellungen schnell zuzustellen?“

Der Hörakustiker Amplifon beispielsweise setzt Machine Learning bei seinen CRM-Daten und historischen Verkaufsdaten ein, um die Vorhersagen in den Ladengeschäfte präzisieren zu können. Dadurch sind alle Storemanager des italienischen Handelsunternehmens in der Lage, den zu erwartenden Ertrag für die kommenden ein bis drei Monate vorherzusagen. Das hilft den Managern, die Art des Ertrages zu analysieren, da sichtbar ist, welche Produktlinien verkauft werden.

„Die Anwendungsgebiete von Machine Learning-basierter Supply Chain.Planung sind vielfältig“, berichtet Mounira Nouasria. „Bei unseren Einzelhandelskunden kommt ML bei datengesteuerte Promotions und Sonderaktionen genauso oft zum Einsatz wie beim Demand Sensing, der Einführung neuer Produkte oder um komplexe Saisonalitäten zu managen. Externe Datenströme wie zum Beispiel Wetter, Baubeginne oder Zinssätze können dank ML genutzt werden, um die Nachfragesignale zu modifizieren und die Nachfrage- und Bestandsplanung zu verfeinern.“