06.02.2024 – Kategorie: Handel, Logistik

Lagerbestände: Wie Tchibo die Bedarfsprognosen mit KI optimiert

LagerbeständeQuelle: Tchibo

Dank automatisierter Bedarfsvorhersagen mithilfe von Google Cloud ist es dem Handelsunternehmen Tchibo gelungen, die Lagerbestände und damit die Verfügbarkeit von Waren über alle Verkaufskanäle besser zu steuern.

Tchibo wurde 1949 in Hamburg als Familienunternehmen gegründet, das den Kaffeemarkt mit der Geschäftsidee revolutionierte, Röstkaffee per Post zu versenden. Heute ist Tchibo eines der größten E-Commerce-Anbieter in Europa. Tchibo bietet ein breites Sortiment an Non-Food-Artikeln sowie Dienstleistungen wie etwa Mobilfunk. Eine besondere Herausforderung besteht dabei darin, die Lagerbestände für die zahlreichen Non-Food-Artikel – von Bekleidung bis hin zu Haushaltswaren – entsprechend dem Angebot und der Nachfrage zu verwaltem-

Das Geschäftsmodell von Tchibo mit seinen wöchentlich wechselnden Sortimenten und einem Multichannel-Vertriebssystem, das Onlineshops, Depots im Einzelhandel und eigenen Geschäften in mehreren Ländern umfasst, stützt sich auf ein umfangreiches logistisches Vertriebsnetz. Tchibo bringt jährlich rund 3.000 neue Produkte auf den Markt, wobei einige Kampagnen bereits ein Jahr im Voraus geplant werden. Vor diesem Hintergrund war die Optimierung der Logistikprozesse des Unternehmens eine entscheidende Voraussetzung, um Kosten zu sparen und die Kundenerwartungen zu erfüllen.

Digitale Datendienste unterstützen Betriebsabläufe

„Wenn wir zu viele Artikel an eine Filiale liefern, müssen wir sie wieder abholen und an andere Orte transportieren, und bei jedem dieser Vorgänge fallen Logistikkosten an. Wenn andererseits die Produkte, die die Kunden haben möchten, nicht vor Ort vorrätig und auch nicht im Onlineshop verfügbar sind, entgehen uns Umsätze“, erklärt Marcel Knust, Head of Data Science and AI bei Tchibo.

Im Zuge der Digitalisierung ist es für Tchibo von entscheidender Bedeutung, über die richtigen Technologien zu verfügen – nicht nur für die Customer Journey, sondern auch für die digitalen Datendienste, die die Betriebsabläufe unterstützen. Nachdem Tchibo eine Reihe von Anbietern geprüft und dabei Leistung, Sicherheit, Kosten und Benutzerfreundlichkeit bewertet hatte, entschied sich das Unternehmen im Jahr 2019, in Google Cloud eine zentrale Analyseplattform zur Verarbeitung und Speicherung von Big Data aufzubauen. Sören Götze, Principal Data Scientist bei Tchibo und Leiter des Projekts zur Bedarfsprognose, erklärt: „Unsere Datenwissenschaftler und Techniker erkannten, dass uns Google Cloud enorme Vorteile bietet. Mit Google Cloud genießen wir ein hohes Maß an Flexibilität.“

Lagerbestände verwalten und Abläufe rationalisieren

Tchibo sammelt zwar große Mengen an Verkaufsdaten, doch die bisherige Data-Analytics-Lösung des Unternehmens musste manuell gepflegt werden und war nicht in der Lage, Prognosen der Lagerbestände in der von Tchibo benötigten Qualität zu liefern. Das Unternehmen suchte eine hochmoderne Plattform zur Entwicklung von Datenlösungen, die auf maschinellem Lernen und fortschrittlicher Analytik basieren. Tchibo hatte bereits seit 2019 mit Google Cloud zusammengearbeitet, als das Unternehmen auf eine Cloud-basierte Infrastruktur umgestiegen war, um seine Betriebsabläufe zu modernisieren und zu verbessern.

Angesichts der positiven Resultate dieser Integration wandte sich Tchibo 2022 erneut an Google Cloud, um einen Dienst zur Prognose der Online-Nachfrage namens DEMON aufzubauen, der mittlerweile die Nachfrage im Online-Vertriebskanal präzise vorhersagt. Dank dem Datendienst kann Tchibo seine Lagerbestände besser verwalten und den Zeitaufwand der Teams in der Logistik reduzieren. Außerdem erhält das Unternehmen auf diese Weise einen besseren Überblick darüber, welche Produkte bei den Kunden gut ankommen und wieder eingeführt werden sollten.

Lagerbestände
Mithilfe des Datendienstes von Google Cloud kann Tchibo seine Lagerbestände effizienter verwalten. (Bild: Tempura/Google)

Einführung des Temporal-Fusion-Transformer-Modells

Tchibo realisierte eine Prognose für 84 Tage zu jedem Artikel und nutzte dazu das Temporal-Fusion-Transformer-Modell (TFT) in Google Cloud für die Vorhersage von Zeitreihen. Das TFT basiert auf einer ereignisgesteuerten Microservice-Architektur, bei der neu eingehende Daten jeweils die nächsten Schritte in einem Workflow auslösen. Modelltraining und Produktivbetrieb sind getrennt, und die Modelle, Versionen und Experimente werden zentral verwaltet und können leicht bereitgestellt werden.

DEMON stützt sich auf eine Microservice-Architektur, in der verschiedene Aufgaben organisiert sind, wie etwa die Erfassung von Daten aus dem Tchibo Data Vault, die Erstellung von Feature-Stores für Training und Inferenz, die Prognosen, die Bereitstellung der Ergebnisse, die Berichterstattung an die verschiedenen Beteiligten sowie die technische Überwachung. Der gesamte Prozess wird von Google Workflows geplant und orchestriert. Die Prognose-Resultate werden gespeichert und an nachgelagerte IT-Systeme wie das ERP- und das Zuteilungssystem übergeben. Die Logistikprozesse von Tchibo sorgen dann dafür, dass die Lagerbestände vollständig automatisiert aufgefüllt werden.

Lagerbestände: Sechs Millionen Prognosen pro Tag

Mithilfe eines laufend verbesserten Lernmodells, das eine große und stetig wachsende Menge von Verkaufs- und Kampagnendaten berücksichtigt, sowie weiterer Funktionalitäten unterstützt die Plattform jetzt datengestützte Entscheidungen und untermauert damit die marktführende Position von Tchibo. Der Prognosedienst generiert mehr als sechs Millionen optimierte Vorhersagen pro Tag. Damit kann Tchibo sicherstellen, dass jeweils die richtige Menge von Produkten zur Verfügung steht, um der Kundennachfrage zeitnah und kosteneffizient gerecht zu werden, ohne dass es zu Überhängen der Lagerbestände kommt.

Bei der Entwicklung wie auch im produktiven Einsatz macht Tchibo ausgiebig Gebrauch von den nativen Diensten von Google Cloud. Am Anfang stehen häufig explorative Datenanalysen, Experimente und erste Entwicklungsarbeiten in Vertex AI-Notebooks, während die gesamte Pipeline zur Datenerfassung und -transformation auf BigQuery basiert. Historische Daten, die mehr als drei Jahre zurückreichen, werden in das Prognosemodell eingespeist. Dazu zählen Produktdaten, Planungs- und Verkaufsdaten zu den Online-Shops, Marketingdaten und Logistikdaten aus sechs Ländern.

„Wir nutzen BigQuery als leistungsstarke Engine für unsere gesamte Datenerfassung. Dabei führen wir Daten aus vielen verschiedenen Quellen zusammen und erstellen einen Feature Store, in dem alle für unsere Prognosen benötigten Informationen gesammelt werden, um sie als Trainingsquelle und Basis für sämtliche Vorhersagen einzusetzen“, erläutert Sören Götze.

Tchibo wächst weiter dank Automatisierung

Tchibo rechnet damit, dass der erfolgreiche Dienst für Bedarfsprognosen zu deutlichen Umsatzsteigerungen und Kosteneinsparungen führen wird. Die Plattform wird anhand des Feedbacks der beteiligten Akteure kontinuierlich optimiert. Zudem überträgt das Unternehmen seine Erkenntnisse aus der Umsetzung dieses Dienstes jetzt auch auf andere Datendienste, mit dem Ziel, den Reifegrad seiner Machine-Learning-Operations-Pipeline zu steigern. „Wir nutzen unsere Entwicklungen mit Google Cloud schon seit einiger Zeit, um unternehmensweit zuverlässige und schnell skalierbare Daten- und KI-Dienste bereitzustellen. Wir wachsen gemeinsam mit Google Cloud, entwickeln neue Dienste für verschiedene Anwendungsfälle und optimieren bereits bestehende Dienste“, berichtet Marcel Knust.

Das Team bei Tchibo, so Knust, testet mit Spannung weitere rasante Entwicklungen im KI- und Technologiebereich, die neue Handlungsfelder und Möglichkeiten eröffnen. Dies gilt insbesondere für den Einsatz von LLMs und Vektordatenbanken in den letzten Monaten. Das Team erwartet, dass seine Plattform durch die Integration von Modellen aus dem schnell wachsenden Google Model Zoo, Vertex-KI-Pipelines und automatisierter Content-Erstellung mit generativen KI-Tools noch besser und stärker automatisiert werden wird. (sg)

Lesen Sie auch: Cloud-IoT: Mit Plattformen die Logistik optimieren



Scroll to Top