KI in der Absatzprognose zur Optimierung der Lagerhaltung
Ziel
Aufbau einer intelligenten datengetriebenen Bevorratung zur Vermeidung von Out-of-Stock-Situationen und einer zu hohen Kapitalbindung.
Lösung
Automatische Bestellempfehlungen auf Basis von Absatzprognosen und einer Analyse der Wiederbeschaffungszeiten
Besonderheiten
Sehr umfangreiches Sortiment und zum Teil kurzfristig benötigte Ersatzteile
Herausforderung
Das Unternehmen ist ein international führender Anbieter für Ersatzteile und Zubehör in der Mobilitätswirtschaft. Die Herausforderung für das Unternehmen besteht in einem umfangreichen Sortiment mit über 11.000 unterschiedlichen Ersatzteilen und der Notwendigkeit diese im Bedarfsfall innerhalb kürzester Zeit an den Kunden liefern zu müssen. Zentrales Steuerungselement ist ein Warenwirtschaftssystem. Anhand von bis dato händisch definierten, statischen Kennzahlen gab das System dem Einkauf im Bedarfsfall automatisch Bestellvorschläge. Saisonale Schwankungen und Trends wurden dabei bislang nicht berücksichtigt.
Ziel
Der Kunde möchte eine intelligente datengetriebene Bevorratung aufbauen. Konkret geht es um die Ermittlung des idealen Zeitpunkts für Nachbestellungen von Artikeln. Um dies zu erreichen, sollen insbesondere Saisonalitäten und Trends besser und vor allem automatisiert abgebildet werden. Dieses Wissen soll helfen, Out-of-Stock-Situationen zu vermeiden und die Kapitalbindung im Lager zu verringern.
Lösung
Das Unternehmen hat die Data Science Experten von eoda mit der Projektumsetzung beauftragt.
Für einen besseren Überblick, über die unterschiedlichen Eigenschaften der einzelnen Ersatzteile in Bezug auf das Lagerverhalten, hat eoda Artikel mit ähnlichen Merkmalen (Schnelldreher, Mitteldreher, Langsamdreher etc.) mittels einer Clusteranalyse eingeteilt. Diese Cluster und ihre unterschiedlichen Eigenschaften bilden die Basis für die passgenaue Anwendung unterschiedlicher Algorithmen bei der Untersuchung der einzelnen Artikel.
Nachfrageentwicklungen, Fehlbestände oder die Zusammenhänge zwischen Lagerbestand und Abverkauf: Bereits die deskriptive Auswertung durch eoda hat dem Kunden detaillierte Erkenntnisse über das eigene Sortiment geliefert. Im Vergleich zu den bestehenden Informationen des Warenwirtschaftssystems sind schon in dieser frühen Projektphase für den Kunden erste Mehrwerte entstanden.
eoda hat zur verlässlichen Ermittlung des idealen Nachbestellungszeitpunkts zwei Bausteine miteinander verbunden:
- Absatzprognose: Auf Basis historischer Verkaufsdaten hat eoda saisonale Schwankungen und Trends im Absatz der einzelnen Produkte ermittelt. In die Absatzprognose sind darüber hinaus bekannte Nutzungszyklen einbezogen worden. Bestimmte Ersatzteile, wie zum Beispiel Batterien, weisen eine begrenzte Nutzungsdauer auf und machen einen erneuten Bestelleingang nach Ablauf dieser bekannten Nutzungsdauer wahrscheinlich. Die Verbindung unterschiedlicher Kennzahlen und Einflussgrößen ermöglicht eine verlässlichere Prognose der zu erwartenden Nachfrage nach Ersatzteilen.
- Analyse der Wiederbeschaffungszeit: Die zweite Komponente bezieht sich auf die Prozesse bei der Wiederbeschaffung. Hier hat eoda anhand vergangener Bestellungen und dem dazugehörigen Datum des Wareneingangs die zu erwartenden Beschaffungszeiten ermittelt. Insbesondere für die Vermeidung von Out-of-Stock-Situationen sind die Beschaffungszeit und eine damit verbundene rechtzeitige Bestellung essenziell.
Das bestehende Warenwirtschaftssystem des Kunden hat alle für die Analysen relevanten Daten geliefert.
Mit Projektabschluss sollen die entwickelten Algorithmen in die produktiven Beschaffungsprozesse integriert werden, um kontinuierlich Kennzahlen zu liefern, die die automatischen Bestellvorschläge optimal steuern.
Ergebnis
Bei einem umfangreichen Sortiment ist eine manuelle Optimierung der Lagerhaltung nahezu unmöglich. Durch die Unterstützung von eoda und den Einsatz von Data Science konnte der Kunde seine Warenbeschaffung unter Einbeziehung von deutlich mehr relevanten Einflussgrößen automatisieren und verbessern. Die zuständigen MitarbeiterInnen im Einkauf erhalten so deutlich bedarfsgerechter und dynamischer Meldungen über notwendige Nachbestellungen. Das Unternehmen kann so eigene Lieferengpässe und langfristige Überkapazitäten noch besser vermeiden und dadurch die Kundenzufriedenheit weiter erhöhen sowie die Beschaffungskosten senken.
Logistik:
Wie wir Sie mit Data Science unterstützen
Vom richtigen Standort für neue Distributionszentren bis zur Verkürzung der Kommissionierwege: Wir erschließen für Sie das Datenpotenzial in der Logistik.
Erfahren Sie mehr!
Use Cases:
Data Science in Ihrer Branche
Optimierte Prozesse, Zeitersparnis und Kostenreduzierung – das sind die Ergebnisse, wenn Data Science erfolgreich eingesetzt wird. Entdecken Sie hier weitere Use Cases und lassen Sie sich inspirieren
Whitepaper:
Wie erschließe ich das Potenzial meiner Daten?
Wie lässt sich der Datenschatz heben? Wie verläuft der Weg von der Idee bis zur erfolgreichen Realisierung und Implementierung eines Data-Science-Projektes? Erfahren Sie es in unserem kostenlosen Whitepaper!
Data Projects:
Von der Idee zum produktiven Service!
Welche Anwendungsfälle sind für Sie besonders spannend? Wie kann der Wissensaufbau in Ihrem Unternehmen gelingen? Von der Lösungsidee bis zum produktiven Einsatz von KI-Systemen in Ihrem Unternehmen: Wir schaffen für Sie aus Daten spürbare Mehrwerte.