TAILORIT Blog…

…News

...Trends

...Information

...& Inspiration!

Demand Forecasting: Wie Technologien die Zukunft erklären

Posted on 23.05.2018 by Mirco Schönebeck - Principal

Printer Friendly and PDF

Posted on 23-05-2018 by Mirco Schönebeck - Principal

HÄTTE, HÄTTE, LIEFERKETTE.

Der Konjunktiv ist der größte Feind des Merchandise Planning: wäre der Frühling nicht so verregnet gewesen, hätte die tolle Sommerkollektion mit Sicherheit reißenden Absatz gefunden. Hätte man geahnt, dass während der laufenden Saison genau diese Marke, dieser Look völlig unverhofft zum Style der Stars avanciert, wäre man sicher ebenfalls frühzeitig auf diesen Trend aufgesprungen.

Doch leider kommen im Fashion Retail auf jeden Volltreffer auch immer mehr Fehlschläge, als einem erfolgsorientierten Einkäufer lieb sein können.

Hinterher ist man eben immer schlauer – es sei denn, man verfügt schon vorher über intelligente Tools und eine smarte Strategie.

Ironischerweise basiert die effizienteste Gegenstrategie zum immer unberechenbarer werdenden Konsumverhalten auf denselben Faktoren, die diese rasante Entwicklung eigentlich erst befeuern: Daten. Sehr viele Daten.

Der Kunde hinterlässt überall digitale Spuren, und ein erfolgreiches Demand Forecasting nutzt sie, um Leerverkäufe ebenso zu vermeiden wie übervolle Lager. Möglichst genaue und verlässliche Prognosen über die zukünftige Nachfrage sind ein unschätzbarer Vorteil, wenn es darum geht, die passenden Artikel zum optimalen Zeitpunkt in den richtigen Mengen zu produzieren und genau dort bereitzustellen, wo der Kunde sie braucht, sucht und schließlich auch kauft.

 

EIN KOMPLEXER MARKT MACHT DIE PLANUNG INTERESSANTER.

Allerdings wächst mit jedem neuen Marktsegment, jedem neuen Standort, jedem neuen Kanal auch die Komplexität der Forecasting-Systeme – und zwar exponentiell. So stößt jede unternehmens- und Einkaufsstrategie zwangsläufig sehr schnell an die Grenzen des menschlichen urteils- und Abstraktionsvermögens. klassische Forecast-methoden, die auf dem Zeitreihenverfahren basieren (z. B. Exponential Smoothing oder ARIMA), beweisen hier zwar etwas mehr Ausdauer, haben aber leider auch ihre Schwächen. So liefern sie zwar relativ detaillierte Aussagen über vergangene Nachfrageentwicklungen, lassen aber weder Rückschlüsse über deren eigentlichen Treiber noch über künftige Entwicklungen zu. So können diese herkömmlichen Analyseverfahren beispielsweise einen Werbeeffekt entweder gar nicht oder nur durch menschliches Eingreifen quantifizieren.

 

DER MENSCH LERNT NIE AUS. ADAPTIVE MERCHANDISE PLANNING AUCH NICHT.

Könnte hingegen ein intelligentes System diese Einflussfaktoren automatisch identifizieren und beim nächsten Forecasting berücksichtigen, würde die Prognosegenauigkeit enorm ansteigen. Und genau hier kommt Adaptive Merchandise Planning (AMP) ins Spiel. Es basiert auf dem Prinzip des Machine-based learning und arbeitet mit intelligenten Algorithmen wie z. B. artificial neural networks oder deep neural decision forests. Diese lernenden Algorithmen erkennen in einer Flut historischer Abverkaufsdaten relevante Muster und Wechselwirkungen, aus denen sich klare Handlungsempfehlungen für die Zukunft ableiten lassen. Das Prinzip ähnelt dem Erlernen einer neuen Sprache: Durch Anwendungserfahrung und ein stetig wachsendes Vokabular können Sprachmuster erkannt, zusammenhänge hergestellt und so die eigene Kommunikationsfähigkeit kontinuierlich verbessert werden.

Vereinfacht gesprochen bildet Adaptive Merchandise Planning mittels lernender Algorithmen die Funktionsweise des menschlichen Gehirns ab.

Das klingt nach Science Fiction? H&M zeigt gerade mit der neuen Sortimentsplanung auf Store-Ebene, dass dies bereits heute gegangene Wege sind (Lesen Sie mehr).

 

Wollen Sie mehr über Adaptive Merchandise Planning erfahren? Dann laden Sie sich hier unser kostenloses Whitepaper herunter:

TAILORIT Whitepaper: Adaptive Merchandise Planning

 

COUNTER

  • Total Visitors: 97994