IBM entwickelt mit SAP eine kognitive Nachfrageprognose-Lösung für den Handel

Für den Einzelhandel ist es entscheidend, seine Planungsmöglichkeiten zu optimieren, um die Nachfrage der Verbraucher decken zu können. Für eine bessere Prognosegenauigkeit im Handel haben  IBM und SAP nun eine Lösung entwickelt.

Noch nie war es wichtiger, mit präzisen und frühzeitigen Prognosen die Verfügbarkeit von Waren zu gewährleisten – und dabei die Logistikkosten und Überbestände so niedrig wie möglich zu halten.

Im Hinblick auf ihre Planung möchten die meisten Einzelhändler in der Lage sein:

  • die Warenplanung kontinuierlich zu verbessern,
  • relevante Daten in verschiedenen Quellen zu identifizieren und zu erheben,
  • den Zusammenhang zwischen Verbraucherverhalten, Produktnachfrage und externen Umfeldvariablen zu verstehen,
  • die speziellen Zusammenhänge mit den nachfragebeeinflussenden Faktoren zu erkennen, die den Verkauf ankurbeln würden, und diese zu nutzen.

Um diese Anforderungen zu erfüllen und eine bessere Prognosegenauigkeit im Handel zu erreichen, haben sich IBM und SAP bei der Entwicklung der Lösung IBM Cognitive Demand Forecasting (CDF) zusammengetan. Mit maschinellem Lernen und Wetterdaten soll die Lösung Handelsunternehmen neue Einblicke bieten und damit deren Leistungsfähigkeit verbessern.

Die Prognosefunktionalität für diese neue kognitive Software zur Nachfrageprognostizierung stammt von der SAP-Lösung Unified Demand Forecast (UDF). UDF ist eine Komponente der Anwendung SAP Customer Activity Repository, die Kundendaten für den Einzelhandel sammelt und die Modellierung und Prognostizierung der Nachfrage unterstützt.

Nachfrage optimieren mit KI und Wetterdaten

Die Nachfragemodellierung erklärt anhand von historischen Nachfragedaten die Absatzzahlen der Vergangenheit sowie den Einfluss, den einzelne Faktoren auf die Verbrauchernachfrage hatten. Beispiele für solche Einflussfaktoren sind Preisänderungen, Aktionen, Werbetaktiken, Saisonalität, Feiertage oder Trends. Unified Demand Forecast nutzt die Ergebnisse der Nachfragemodellierung sowie bestimmte Inputs – wie geplante Aktionen und Preise –, um die Auswirkungen solcher Einflussfaktoren vorherzusagen. Aus diesen Inputs kann das System künftige Nachfrageprognosen für die Zukunft ableiten.

Die IBM-CDF-Lösung wird ortsgenaue externe Daten des IBM-Unternehmens The Weather Company nutzen, um die UDF-Nachfragemodellierung weiter zu verbessern. Das Wetter spielt in vielen Einzelhandelskategorien für den Absatz eine große Rolle und kann nun bis zu sieben Monate im Voraus modelliert werden. Mit künstlicher Intelligenz und Wetterdaten ist die CDF-Lösung in der Lage, die Prognosen und den Planungsprozess im Handel kontinuierlich zu verbessern.

Daraus ergibt sich eine präzise und immer besser werdende Prognose, die die Voraussetzung schafft für:

  • höhere Umsätze – und weniger unerwartete Produktengpässe und Fehlbestände
  • besser passende Lagerbestände und eine bessere Zuordnung von Waren
  • optimierte Planungs-, Preisgestaltungs- und Aktionskonzepte, die auf der Produktnachfrage basieren

Die Prognosefunktionalität ist flexibel und konfigurierbar, sodass die Händler bestimmen können, welche externen Einflussfaktoren auf die Nachfrage im System erfasst und auf der Waren- und Artikelebene verwendet werden sollen. Abbildung 1 zeigt beispielsweise den Zusammenhang zwischen dem wöchentlichen Absatz von Tomatensuppe und den jeweiligen Wetterdaten.

Abbildung 1: Zusammenhang zwischen dem Absatz von Tomatensuppe und der Ortstemperatur

Die Lösung IBM CDF und die Komponente Unified Demand Forecast von SAP Customer Activity Repository sollen Händler, Planer, Warenkategorie-Manager und die Marketing-Abteilung automatisiert unterstützen und ihnen Informationen liefern, damit sie bessere Entscheidungen treffen können. Durch die besseren Prognoseergebnisse können Händler nun ihre saisonale Planung optimieren, unter anderem die Planung von Saisonwaren und -sortimenten, das Auffüllen der Filialbestände während der Saison und die Werbeaktionsplanung für die Saison und die einzelnen Wochen.

Detaillierte Prognoseanalyse

Mit den Prognosen der eingebetteten Komponente von SAP Customer Activity Repository bietet die IBM-CDF-Lösung Funktionen für Detailanalysen, die auch eine detaillierte Aufschlüsselung der Modell- und Prognosewerte beinhalten. Dadurch verfügen Marketing, Disponenten und Händler über ein Komplettbild, das Basisdaten über die Verkäufe der Vergangenheit, Preise und Aktionen, Absatzkanäle, Ferien, Saisonalität und Wetter mit einschließt. Abbildung 2 veranschaulicht an einem Beispiel die flexiblen Aufschlüsselungsmöglichkeiten bei Analysen.

Abbildung 2: Detaillierte Prognoseanalyse und Aufschlüsselung

IBM CDF basiert auf innovativen Lösungen von IBM und SAP, darunter SAP Leonardo, SAP Cloud Platform, SAP S/4HANA Retail for Merchandise Management, SAP S/4HANA for Fashion and Vertical Business sowie von IBM Weather Company. Dank maschinellem Lernen sorgen die Lösungen für einheitliche und genauere Nachfrageprognosen für alle Planungsbereiche im Handel. Sie bauen auf Omnichannel-Funktionen und umfassendem Branchen-Know-how von IBM Services und der SAP Industry Business Unit auf.

Gerne zeigen wir Ihnen, wie die IBM-CDF-Lösung in Ihre SAP-S/4HANA- und SAP-Customer-Activity- Repository-Installation integriert werden kann und Ihnen hilft, intelligente Einblicke gewinnbringend zu nutzen. Weitere Informationen erhalten Sie auf unserer gemeinsamen Webseite ibm.com/services/sap oder bei einem Ansprechpartner von IBM oder SAP.

Steve Laughlin ist General Manager des Bereichs Global Consumer Industry bei IBM.
Achim Schneider ist Vice President und weltweiter Leiter der Retail Business Unit bei SAP.