ML-basierte Bedarfsprognose für die Lieferkette im Einzelhandel
Eine Einzelhandelskette mit 200 Filialen verzeichnete aufgrund ungenauer Nachfrageprognosen durchschnittliche Fehlbestände von 12 % und hohe Verluste durch Preisnachlässe am Saisonende. Ihre bestehenden statistischen Modelle berücksichtigten weder lokale Ereignisse noch Wetterbedingungen oder Aktionskalender.
Kunde
Confidential, Retail Chain Client
Teamleiter
Sophie Müller
Datum
Q1 2024
Geschäftliche Herausforderung
Eine Einzelhandelskette mit 200 Filialen verzeichnete aufgrund ungenauer Nachfrageprognosen durchschnittliche Fehlbestände von 12 % und hohe Verluste durch Preisnachlässe am Saisonende. Ihre bestehenden statistischen Modelle berücksichtigten weder lokale Ereignisse noch Wetterbedingungen oder Aktionskalender.
Lösung & Ansatz
Wir haben eine Ensemble-Prognoseplattform entwickelt, die Facebook Prophet zur Trend- und Saisonanalyse mit LightGBM für die merkmalsreiche SKU-Standort-Vorhersage kombiniert. Das Modell integriert externe Signale (Wetter, lokale Ereignisse, Werbeaktionen von Wettbewerbern) und wird wöchentlich über Airflow neu trainiert.
Gelieferte Fähigkeiten
- Ensemble-Nachfrageprognose mit Prophet und LightGBM
- Integration externer Signale (Wetter, Ereignisse, Werbeaktionen)
- Wöchentliche Nachschulungspipeline auf SKU- und Standortebene in Airflow
- Dashboard für Nachschubempfehlungen für Käufer
- Ãœberwachung der Prognosegenauigkeit und der Modellleistung
Geschäftsergebnisse
Die durchschnittliche Fehlbestandsquote sank von 12 % auf 4,3 %, und die Verluste durch Preisnachlässe am Saisonende reduzierten sich um 28 %. Die Prognosegenauigkeit des Einkaufsteams (gemessen am MAPE) verbesserte sich von 31 % Fehler auf 11 % Fehler.
4.3%
Fehlbestandsquote (Rückgang von 12 %)
28%
Reduzierung der Abschreibungsverluste
11%
Prognostizierter MAPE (Rückgang von 31 %)
Verwandte Projekte
KI-gestützte Bewertungs- und Lernanalyseplattform für EdTech
Die Kursabschlussquote verbesserte sich innerhalb eines Semesters von 38 % auf 61 %. Der NPS-Wert für die Zufriedenheit der Lernenden stieg von 31 auf 58, und die Plattform reduzierte die monatliche Abonnentenabwanderung um 2,8 Prozentpunkte.
61%
Kursabschlussquote (Anstieg von 38 %)
58
Lernenden-NPS (Anstieg von 31)
Digitalisierungsplattform für Krankenhausabläufe
Die Entlassungszeit der Patienten verkürzte sich von 4,5 auf 1,8 Stunden. Die Vollständigkeit der klinischen Dokumentation verbesserte sich von 67 % auf 96 %, wodurch die Datenlücken, die zu Ablehnungen von Versicherungsansprüchen geführt hatten, beseitigt wurden. Die Produktivität des Personals stieg um 34 %.
4.5h→1.8h
Entlassungszeitpunkt des Patienten
96%
Vollständigkeit der klinischen Dokumentation
Plattform zur Optimierung von Logistikrouten auf der letzten Meile
Die Einhaltung der Liefer-SLAs verbesserte sich von 76 % auf 94 %, die Treibstoffkosten pro Lieferung sanken um 18 % und die Fahrerproduktivität erreichte 88 % der theoretischen Kapazität. Der Kunde expandierte innerhalb von sechs Monaten mit derselben Plattform in drei neue Städte.
94%
Einhaltung der Liefer-SLA
18%
Reduzierung der Treibstoffkosten pro Lieferung
AR-basierte Trainingssimulation für Fertigungsabläufe
Die Schulungszeit pro Bediener reduzierte sich um 40 %, und sicherheitsrelevante Vorfälle im Zusammenhang mit Schulungen gingen auf null zurück. Die Kompetenzzertifizierungsergebnisse verbesserten sich um durchschnittlich 22 Prozentpunkte. Der Kunde erweitert die Plattform auf zwei weitere Standorte.
40%
Reduzierung der Trainingszeit
0
Sicherheitsvorfälle im Zusammenhang mit Schulungen
ML-basierte Bedarfsprognose für die Lieferkette im Einzelhandel
Die durchschnittliche Fehlbestandsquote sank von 12 % auf 4,3 %, und die Verluste durch Preisnachlässe am Saisonende reduzierten sich um 28 %. Die Prognosegenauigkeit des Einkaufsteams (gemessen am MAPE) verbesserte sich von 31 % Fehler auf 11 % Fehler.
4.3%
Fehlbestandsquote (Rückgang von 12 %)
28%
Reduzierung der Abschreibungsverluste
End-to-End-Transparenz und Kontrollturm für die Lieferkette
Die Reaktionszeit bei Lieferkettenunterbrechungen verbesserte sich von 4 Tagen (Erkennungsverzögerung) auf 6 Stunden. Fehlbestände aufgrund mangelnder Transparenz in der Lieferkette wurden um 71 % reduziert. Das Einkaufsteam sparte im ersten Jahr 1,8 Mio. US-Dollar an Expressfrachtkosten ein.
4d→6h
Reaktionszeit der Störungserkennung
71%
Reduzierung von Warenengpässen aufgrund von Transparenzlücken