Showcase: Absatzprognose mit automatischem Produktionsplan


Entlang der Alpenkette betreibt der Bäckermeister Herr Beck sechs Filialen der Panorama Bäckerei e.K. (hierbei handelt es sich um eine fiktive Bäckerei), bei der jede Filiale einen schönen Blick auf die Berge ermöglicht. Er möchte seinen Produktionsplan verbessern. Einerseits sollen seine Kunden bis kurz vor Ladenschluss ein möglichst vollständiges Sortiment auffinden. Andererseits kann er seine Produkte am nächsten Tag aus Frischegründen nicht mehr verkaufen und muss diese daher am Ende des Tages entsorgen. Ihm ist die Entsorgung von nicht verkauften Produkten aus Umwelt- und Kostenaspekten ein Dorn im Auge. Er könnte beide Probleme lösen, indem er auch tagsüber produzieren würde. Jedoch machen Herr Beck die Kosten für das ständige Aufheizen des Ofens wegen der stark unterschiedlichen Backzeiten und -temperaturen der einzelnen Produkte einen Strich durch die Rechnung. Er vermutet, dass eine bessere Absatzprognose die Lösung für sein Problem darstellt.

Herr Beck geht auf die Ehrenmüller GmbH zu, da er von deren guten Methoden für Absatzprognosen gehört hat. Dies möchte er auch für seine Filialen nutzen. Eine Mitarbeiterin der Ehrenmüller GmbH erklärt ihm im Beratungsgespräch, dass eine bessere Absatzprognose nur einen Teil der Lösung darstellt. Wenn zusätzlich der Produktionsplan verbessert wird, indem die verschiedenen Backzeiten und -temperaturen berücksichtigt werden, kann er zudem auch kostengünstiger produzieren. Herr Beck ist interessiert und möchte diesen Ansatz gerne in einer seiner Filialen testen. Deshalb vereinbart er die Umsetzung eines Prototypen für eine Filiale.

Plt
Abb. 1: Schematische Darstellung des Projekts

Zunächst werden die Verkaufs- und Produktionsdaten der Panorama Bäckerei e.K. aus den letzten Jahren zusammengetragen und die Backdaten aufgenommen. Darauf aufbauend wird automatisiert ein statistisches Modell gesucht, das die historischen Verkaufsdaten jeder Backware gut beschreibt. Damit soll eine möglichst genaue Absatzprognose ermöglicht werden. Anschließend wird für diese Prognose ein Optimierungsproblem aufgestellt, das ein möglichst vollständiges Sortiment bis kurz vor Ladenschluss gewährleisten und gleichzeitig die Kosten für das Backen und die Entsorgung minimieren soll. Aufbauend auf dem Ergebnis, werden die optimalen Backmengen und -zeitpunkte für jede Backware ermittelt.

Die Ergebnisse sind vielversprechend und das System wird testweise in einer Filiale der Panorama Bäckerei eingesetzt. Wie erhofft sind die Prognosen treffsicher und die Filiale kann den Umsatz steigern, gleichzeitig die Kosten minimieren und muss weniger Backwaren am Ende des Tages entsorgen. Auch wöchentliche Besonderheiten, wie eine höhere Nachfrage am Wochenende werden vom System schnell erkannt. Da die Testfiliale in der Nähe einer Schule steht, wird auch die nachlassende Nachfrage in den Schulferien vom System antizipiert. Dies zeigt, dass sich das System sowohl auf periodische als auch auf strukturelle Veränderung anpassen kann.

Plt
Abb. 2: Absatzprognose für Grillwecken in der Testfiliale. Die tatsächlichen Absätze werden mit schwarzen Datenpunkten visualisiert. An der blauen Linie kann man erkennen, wie das Modell die historischen Daten erfasst. Der hellblaue Bereich beschreibt das Konfidenzintervall der Prognose. Die Datenpunkte, die außerhalb dieses Bereichs liegen, werden vom Prognosemodell als Outliers identifiziert. Die blau hinterlegten Balken stellen die Regenmenge in dem Zeitraum wieder. Bei dieser Absatzprognose wurden die Wetterdaten nicht verwendet und somit wird ein zu hoher Absatz bei den Regentagen prognostiziert.

Da bei einigen Produkten der Absatz wetterabhängig ist, wird durch Einbezug von Wetterdaten die Prognose noch entscheidend verbessert. Diese Komponenten ermöglichen eine dynamische Prognose, die der Bäckerei einen besseren Produktionsplan einbringt. Beispielsweise sieht man an der Absatzprognose von Grillwecken ohne (siehe Abb. 2) und mit Einbezug der Wetterdaten (siehe Abb. 3), dass die Prognosegüte deutlich verbessert wird.

Plt
Abb. 3: Ausgehend von der Prognose aus Abb.2 werden hier die Wetterdaten berücksichtigt. Durch das Einbinden der Daten in die Prognose wird die außergewöhnlich schwache Nachfrage vom 15. bis 19. April deutlich besser als in der Prognose in Abb. 2 prognostiziert. Das Prognosesystem hat deutlich weniger Outlier.

Herr Beck ist von der Methode überzeugt und implementiert sie in allen sechs Filialen. Dies geht schnell, weil das System sich automatisch auf die Besonderheiten jeder Filiale einstellt und die manuelle Nachjustierung verhältnismäßig schnell vonstatten gehen. Es zeigt sich, dass sich die Ergebnisse der Testfiliale bei den restlichen Filialen wiederholen. Diese bieten den Kunden nun über den Tag hinweg die nachgefragten Waren. Außerdem sinken die Backkosten signifikant und dabei halbiert sich die Entsorgungsmenge sogar.

Möchten Sie auch wie die Panorama Bäckerei von der KI-gestützten Absatzprognose mit Produktionsplan profitieren?

Kontaktanfrage

Unleash the full potential

Schöpfen Sie mit uns das volle Potenzial aus Ihren Daten und optimieren Sie Ihre Prozesse und Produkte.