Mit Machine-Learning-Algorithmen Absatzprognosen für Lebensmittel verbessern
Produktmeldung: Inform, Spezialist für Optimierungssysteme, und Prognosix, Schweizer Unternehmen im Bereich Faktoren-basierter Absatzprognosen, kooperieren ab sofort im Bereich der Absatzplanung im Lebensmitteleinzelhandel. Die Kooperation ist die logische Fortsetzung aus der Zusammenarbeit in einem Forschungsprojekt, welches sich mit dem Einfluss von externen Faktoren auf die Absatzprognosen insbesondere frischer Lebensmittel auseinandergesetzt hat. Ergebnis dieses Projektes ist die Software Prognosix Demand, welche ab sofort verfügbar ist.
Produktmeldung: Inform, Spezialist für Optimierungssysteme, und Prognosix, Schweizer Unternehmen im Bereich Faktoren-basierter Absatzprognosen, kooperieren ab sofort im Bereich der Absatzplanung im Lebensmitteleinzelhandel. Die Kooperation ist die logische Fortsetzung aus der Zusammenarbeit in einem Forschungsprojekt, welches sich mit dem Einfluss von externen Faktoren auf die Absatzprognosen insbesondere frischer Lebensmittel auseinandergesetzt hat. Ergebnis dieses Projektes ist die Software Prognosix Demand, welche ab sofort verfügbar ist.
Der Lebensmittelhandel muss heute hohen Ansprüchen bezüglich Qualität und Verfügbarkeit gerecht werden. Diese Ansprüche befinden sich dabei in einem Spannungsfeld mit den entstehenden Kosten. Bessere Prognosen des Produktabsatzes können helfen, diese Kosten signifikant zu senken und dadurch entsprechend höhere Gewinne zu erzielen.
Einfluss verschiedener externer Faktoren identifizieren
Ziel des durch die Kommission für Technologie und Innovation (KTI) des Schweizer Bundes geförderten Forschungsprojektes „Comprehensive Sales Forecasting“ war es, den Einfluss verschiedener externer Faktoren wie Wetter, Feiertage oder Produktähnlichkeiten auf die Absätze insbesondere frischer Lebensmittel zu identifizieren und diese in mathematischen Algorithmen abzubilden. Projektpartner waren neben der Zürcher Hochschule für Angewandte Wissenschaften (ZHAW) der deutsche Optimierungsspezialist Iinform, das Schweizer Start-up Prognostix sowie verschiedene Schweizer Lebensmittelhändler.
(Bildquelle: Fittkau & Maaß Consulting 2014)
Im Rahmen des Forschungsprojektes wurde eine neue Generation von Machine-Learning-Algorithmen entwickelt, die menschliche Expertise zielführend und verständlich unterstützen. Die im Projekt mit einem Software-Prototypen durchgeführten Fallstudien zeigen, dass die neuen Algorithmen durch den Einbezug externer Faktoren die tatsächlichen Absätze viel genauer ermitteln können als dies bei klassischen Ansätzen (z.B. reinen Zeitreihenanalysen) möglich ist.
So führt z.B. die Berücksichtigung einer aktuell sehr warmen Wetterperiode dazu, dass der Absatz eines entsprechend Wetter-sensitiven Produktes wie einer Melone deutlich besser vorhergesagt werden kann, als wenn lediglich die Verkaufszahlen des Vorjahres neutral betrachtet werden. Lebensmitteleinzelhändler können daher mit wesentlich geringeren Beständen arbeiten und in der Folge Lebensmittelverschwendung signifikant reduzieren.
Kombiniert man die Ergebnisse mit den vermeidbaren Kosten durch entgangene Opportunitäten, werden so insgesamt Gewinnsteigerungen von bis zu fünf Prozent des zugrundeliegenden Umsatzes mit geringem Aufwand realisierbar. Durch die Umsetzung des im Projekt entwickelten Softwareprototypen in ein marktfähiges Produkt stehen diese Potentiale mit der Software Prognosix Demand dem Handel nun ab sofort zur Verfügung.
Mensch und Maschine im Einklang
Anders als bei anderen Machine-Learning-Ansätzen gehört die Nutzerzentrierung zum Kerngedanken bei Prognosix Demand. „Durch die Interaktion zwischen Mensch und Maschine lassen sich insbesondere bei einer schlechten Datengrundlage sehr schnell wertvolle Erkenntnisse für die Prognose gewinnen“, sagt Dr. Peter Kauf, CEO von Prognosix. „Es wäre auch grundsätzlich falsch, die über Jahre gewonnene Expertise der Planer völlig außer Acht zu lassen. Bei allein Maschinen-orientierten Ansätzen wie neuronalen Netzen dauert es zudem viel länger, bis die Algorithmen eine Qualität erreichen, so dass sie auch operativ im Unternehmen eingesetzt werden können – ganz zu schweigen von der Zeit, die es braucht bis ein erfahrener Anwender einer Black-Box Lösung überhaupt erst zu vertrauen anfängt.“
Der kombinierte Ansatz hat einen weiteren Vorteil: Es findet nicht nur ein Wissenstransfer von Mensch zu Maschine statt, sondern es fließt auch Know-How von der Maschine zurück zum Menschen. „Erfahrene Disponenten können durch die transparenten, objektiven Rückmeldungen der Prognosealgorithmen ihre Intuition auf völlig neue Levels bringen, während sich ihre jungen Kollegen dank der zentral aufbereiteten Informationen sehr schnell in ihre hochkomplexen Aufgaben einarbeiten können. Darüber hinaus entsteht durch die Nachvollziehbarkeit von Prognosen auch eine hohe Akzeptanz für ein solches System“, ergänzt Kauf.
Eine starke Partnerschaft
„Wir glauben daran, dass ein solcher Ansatz im Lebensmitteleinzelhandel sehr erfolgsversprechend ist und ein Produkt wie Prognosix Demand ein echtes Bedürfnis in der Branche deckt“, erklärt Peter Frerichs, stellvertretender Leiter des Geschäftsbereichs Inventory & Supply Chain bei Inform, die Kooperation mit Prognosix.
(jm)
Teilen Sie die Meldung „Mit Machine-Learning-Algorithmen Absatzprognosen für Lebensmittel verbessern“ mit Ihren Kontakten:
Zugehörige Themen:
App-Entwicklung, Big Data, Digitale Transformation | Digitalisierung, Forschung & Technik, Marketing & Vertrieb