Zu wenig bestellt
Die Ware ist ausverkauft, Kunden gehen leer aus oder weichen auf andere Lieferanten aus. Umsatz geht verloren.
KI für Handel und Logistik
KI-Nachfrageprognose: immer genug Ware – aber nicht zu viel
Wir entwickeln Prognosemodelle, die vorhersagen, wie viel von welchem Artikel in den nächsten Tagen gebraucht wird. So bestellen Sie passend – gerade bei verderblicher Ware, wo jeder Fehlbestand Umsatz kostet und jeder Überbestand im Abfall landet.
- Referenzprojekt: Lebensmittelgroßhandel in Südtirol
- Speziell für verderbliche Ware
- Betrieb auch lokal auf Ihren Servern
Bedarfsprognose DashboardLive PrognoseanalyseLive
Das Dilemma bei verderblicher Ware
Wer frische Lebensmittel einkauft, muss täglich eine Wette auf die Zukunft abschließen: Wie viel werden meine Kunden morgen und übermorgen abnehmen? Beide Fehler kosten Geld – nur auf unterschiedliche Weise.
Zu viel bestellt
Die Ware muss reduziert abverkauft oder entsorgt werden. Das kostet Marge – und verschwendet Lebensmittel.
Passend bestellt
Ein Prognosemodell schätzt den Bedarf je Artikel voraus. Bestellt wird, was voraussichtlich wirklich gebraucht wird.
Was ist Feature Engineering?
Eine KI kann nur aus dem lernen, was man ihr zeigt. Rohdaten wie „Datum“ oder „verkaufte Menge“ sagen ihr allein wenig. Beim Feature Engineering – auf Deutsch etwa „Merkmalsaufbereitung“ – übersetzen wir Fachwissen in Merkmale, mit denen die KI rechnen kann: Ist morgen ein Feiertag? Sind gerade Ferien? Wird das Wetter gut? Je besser diese Merkmale die Wirklichkeit beschreiben, desto genauer wird die Prognose.
RohdatenMerkmale für die KI
- DatumWochentag, Monat, Abstand zum nächsten Feiertag
- KalenderFeiertag, Brückentag, Ferienzeit
- JahreszeitHochsaison oder Nebensaison im Tourismus
- WetterdatenSonnig oder regnerisch, Temperatur, Vorhersage für die nächsten Tage
- Verkaufte MengenAbsatz der Vorwochen, Trend, typische Schwankungen je Artikel
Beispiele zur Veranschaulichung. Welche Merkmale wirklich zählen, ergibt sich aus der Analyse Ihrer Daten.
Referenzprojekt: Lebensmittelgroßhandel in Südtirol
Ein Prognosemodell für verderbliche Ware in einem Markt, der stark vom Tourismus geprägt ist.
ForecastingLebensmittelgroßhandel
Nachfrageprognose für verderbliche Lebensmittel
Für einen Lebensmittelgroßhändler aus Südtirol (auf Wunsch des Kunden anonym)
- Ausgangslage
- Der Großhändler beliefert Supermärkte ebenso wie Gastronomiebetriebe. Bei verderblicher Ware muss die Menge genau stimmen: Sie soll möglichst immer vorrätig sein, aber nie so reichlich, dass sie reduziert abverkauft oder weggeworfen werden muss.
- Besonderheit
- In Südtirol trifft die einheimische Bevölkerung auf starken Tourismus. Die Nachfrage – vor allem die der Gastronomie – hängt deshalb von Feiertagen, Ferienzeiten und dem Urlaubswetter ab und schwankt entsprechend stark. Einfache Faustregeln oder Durchschnittswerte der Vorjahre reichen dafür nicht aus.
- Lösung
- Am Anfang stand eine sehr genaue Analyse der Zieldaten – also der Absatzzahlen, die das Modell vorhersagen soll, mit ihren Mustern, Schwankungen und Ausreißern. Darauf aufbauend haben wir in einem ausführlichen Feature Engineering die Einflüsse von Kalender, Saison und Wetter in Merkmale übersetzt und für den Kunden ein Prognosemodell (Forecasting-Modell) erstellt.
- Ergebnis
- Der Kunde verfügt über ein Prognosemodell, das auf die Besonderheiten seines Marktes zugeschnitten ist. Bestellmengen für verderbliche Ware lassen sich damit an der erwarteten Nachfrage ausrichten statt an Bauchgefühl oder starren Durchschnittswerten – mit dem Ziel, die Ware verlässlich vorrätig zu haben und Überbestände sowie Abschriften zu vermeiden.
Welche Daten fließen in eine Nachfrageprognose ein?
Den Kern bilden Ihre eigenen Absatzdaten. Dazu kommen äußere Einflüsse, die erklären, warum die Nachfrage an manchen Tagen anders ausfällt.
Absatzdaten
Verkaufte Mengen je Artikel, Kunde oder Filiale und Tag – etwa aus Ihrem Warenwirtschaftssystem.
Kalender und Saison
Feiertage, Ferienzeiten, Veranstaltungen sowie Haupt- und Nebensaison.
Äußere Einflüsse
Wetter und Wettervorhersage, Aktionen und Preisänderungen.
So gehen wir vor
Schritt 1: Erstgespräch
Kostenlos und unverbindlich: Bei welchen Artikeln entstehen heute Fehlmengen oder Abschriften?
Schritt 2: Analyse der Zieldaten
Wir untersuchen Ihre Absatzzahlen: Muster, Schwankungen, Ausreißer und Datenqualität.
Schritt 3: Feature Engineering
Wir übersetzen Kalender, Saison, Wetter und Ihr Fachwissen in Merkmale für die KI.
Schritt 4: Prognosemodell
Wir trainieren das Modell und prüfen es an vergangenen Zeiträumen, deren Ergebnis bekannt ist.
Schritt 5: Einführung & Schulung
Einbindung in Ihren Bestellprozess – in der Cloud, lokal oder hybrid – und Befähigung Ihres Teams.
Was Sie davon haben
Ware vorrätig
Weniger leere Regale und verpasste Aufträge.
Weniger Abschriften
Weniger reduzierte Abverkäufe und weniger Lebensmittel im Abfall.
Planbare Bestellungen
Bestellmengen auf Basis der erwarteten Nachfrage statt nach Bauchgefühl.
Daten bleiben im Haus
Auf Wunsch läuft das Modell vollständig auf Ihren eigenen Servern.
Häufige Fragen zu Nachfrageprognose
Was ist eine KI-Nachfrageprognose?
Eine KI-Nachfrageprognose (auch Absatz- oder Bedarfsprognose, engl. Demand Forecasting) sagt voraus, wie viel von einem Artikel in einem bestimmten Zeitraum gebraucht wird. Das Modell lernt dazu aus vergangenen Verkäufen und aus Einflüssen wie Kalender, Saison und Wetter.
Was ist Feature Engineering?
Feature Engineering bedeutet, Rohdaten in aussagekräftige Merkmale zu übersetzen, mit denen eine KI rechnen kann. Aus einem Datum wird zum Beispiel die Information, ob Feiertag, Ferienzeit oder Hochsaison ist. Gute Merkmale sind oft wichtiger für die Genauigkeit als die Wahl des Modells.
Warum reichen Durchschnittswerte der Vorjahre nicht aus?
Weil sich die Einflüsse jedes Jahr anders überlagern: Feiertage fallen auf andere Wochentage, Ferien verschieben sich, das Wetter ist jedes Jahr anders. Ein Prognosemodell berücksichtigt diese Einflüsse einzeln und kann so auch ungewöhnliche Tage besser einschätzen.
Welche Daten brauchen wir für eine Nachfrageprognose?
Den Kern bilden Ihre Absatzdaten, zum Beispiel aus dem Warenwirtschaftssystem. Hinzu kommen Kalenderdaten wie Feiertage und Ferien sowie bei Bedarf Wetterdaten und Informationen zu Aktionen. Was davon nötig ist, klären wir im Workshop.
Kann das Prognosemodell lokal ohne Cloud laufen?
Ja. Wir betreiben Prognosemodelle auf Wunsch vollständig auf Ihren eigenen Servern, in der Cloud oder hybrid. Bei lokalem Betrieb verlassen Ihre Absatzdaten das Unternehmen nicht.
Was kostet eine KI-Nachfrageprognose?
Der Aufwand hängt von der Zahl der Artikel, den vorhandenen Daten und der gewünschten Einbindung ab. Das Erstgespräch ist kostenlos; nach dem Workshop erhalten Sie eine Aufwandsschätzung.