Bestandsmanagement durch KI und Datenintegration mit neuland

Das wichtigste vorab:

• Die Besonderheit des Problems einer Bestandsvorhersage ist es, aus der Vergangenheit die Zukunft vorherzusagen. Dabei werden Netze zur Mustererkennung eingesetzt.
• Die benötigten Daten für eine Vorhersage setzen sich aus verschiedenen Faktoren zusammen. Viele Daten, die nicht genormt sind, bedeuten: Datenbereinigung.
• Mit diesen Daten trainiert man ein neuronales Netz (die KI Lösung). Das bedeutet, die Gewichte können immer wieder justiert werden. Das Netz durchläuft Training-Iterationen.
• Zusammenhänge zwischen Daten werden erkannt und genutzt, um Bestände vorherzusagen und letztendlich die geplanten Werbemittel zukunftsgerichtet und erfolgversprechend planen zu können.

Für Unternehmen kann die Bestandsvorhersage bei der Planung von Werbemitteln der eigenen Produktpalette ein entscheidender Faktor sein. Die teilweise lange Vorlaufzeit der Planung erschwert dabei die Auswahl der beworbenen Produkte: Die Artikel, die im geplanten Katalog, Newsletter oder auf Online-Kanälen beworben werden, sollten zum geplanten Zeitpunkt ausreichend auf Lager sein, sodass die Kundschaft das Wunschprodukt erhalten kann und nicht durch Stornos der Verkaufsseite unnötiger Mehraufwand beim Customer Service entsteht oder die Kundenzufriedenheit gefährdet etc.. Um dieses Risiko zu vermindern, haben Kolleg*innen bei neuland mit viel Domänenwissen und technischer Erfahrung aus Use Cases ein KI-System entwickelt.

Damit in Marketing und Sales die Werbemittel mit einer Vorlaufzeit von mehreren Wochen oder über die nächste Saison hinweg sinnvoll geplant werden können, braucht es extrem viel Erfahrung oder ein wenig Technik Know-How - die Bestandsvorhersage mittels KI und Datenintegration. Das von uns genutzte neuronale Netz kann einen Blick in die Zukunft werfen und dabei folgende Frage beantworten: Welchen Bestand wird ein Artikel in X Wochen haben und kann dieser damit z.B. in Katalogen oder anderen Werbemitteln eingeplant werden? Die Abhängigkeit zwischen Technik und Marketing könnte hier kaum größer sein - wenn es gut werden soll.

GARBAGE IN, GARBAGE OUT

Wir bei neuland wissen, wie es um die Datenintegration steht und wie verschiedene Datenquellen dabei unterschiedliche Rollen spielen können. Mit dem entwickelten KI-System können wir die Daten je nach Kundenfirma individuell verwerten und adaptiv anwenden. Doch bevor es soweit ist, müssen die Daten aufgeräumt werden, denn Daten sind nie genormt. Sprichwörtlich heißt es daher eben oft „Garbage In, Garbage Out“ - für den gesamten Prozess ist es wichtig, dem System mitzuteilen, was gut und was schlecht ist. Und das geht nur mit mühseliger Handarbeit: Datenbereinigung. Eine aufwändige Aufgabe. Die Herausforderung dabei ist auch, dass die unterschiedlichen Datenquellen aus mehreren Teams kommen und sich daher vorab auf ein gemeinsames Verständnis der Daten geeinigt werden muss: Bedeutet eigentlich reduzierter Preis dasselbe wie Angebotspreis? Nur eine von vielen wichtigen Fragen, die es in diesem Fall zu stellen und zu beantworten gilt. Was spielt noch eine Rolle?

IM DETAIL

Obligos sind eines der wichtigsten Features dabei, da sich durch die Warenbestellungen, die in Zukunft eintreffen werden, auch der Bestand verändern wird. Das Konzept der Obligos bedeutet hier, dass das ERP (Enterprise Resource Planning), also das Planungssystem, Bestellungen bereits vorliegen hat, diese aber noch nicht im Lager und somit nicht Bestand vorhanden sind.
Als weiterer Faktor für die Datenzusammensetzung zählt auch das Werbemittel selbst. Es gibt vielfältige Auflagen mit unterschiedlicher Seitenanzahl sowie Präsenz in den jeweiligen unterschiedlichen Zielgruppen, also bspw. als Hauptkatalog, Beilegeprospekt etc..
Kategorien, wie der Preis oder das Geschlecht, die den Artikeln zugeordnet werden, dienen im Prozess als Merkmal für die Vorhersage. Mittels der Warengruppe werden unterschiedliche Bestandsdynamiken in das Vorhersagemodell eingeführt, da sich der Warenbestand unterschiedlich schnell ändern kann: beispielsweise werden 100 Paar Socken schneller verkauft als 100 Ringe.

DAS FRAMEWORK

Aus diesen Abhängigkeiten können nun rückwirkend innerhalb eines gewissen Zeitraums Produktdaten entnommen werden und eine Zeitreihe entsteht, z.B. wie zu einer bestimmten Zeit jede Woche der Bestand war und sich entwickelt hat. Hier ist der Gedanke: Man nutzt die Daten der Vergangenheit. Man kannte die Eingabeparameter und den tatsächlichen Bestand. Mit diesen Daten trainiert man ein neuronales Netz. Das bedeutet, da man die Ergebnisse kennt, die das Netz liefern müsste, kann man seine Gewichte justieren. Dieser Vorgang nennt sich Backpropagation.

Das neuronale Netz durchläuft viele Training-Iterationen, sodass sich das Machine Learning Modell immer weiter verbessern kann und die Zusammenhänge zwischen den Inputdaten und den zukünftigen Beständen möglichst genau abbildet. Dabei wird anhand der echten (oder realen) Bestandsentwicklungen regelmäßig geprüft, ob die Vorhersagen auch wirklich gut liegen. Wenn das noch nicht der Fall ist, dann wird weiter trainiert. Komplexe Zusammenhänge zwischen Daten, die einem Menschen nicht direkt ersichtlich sind, werden über das Modell erkannt und genutzt, um so die Bestände vorherzusagen und letztendlich die geplanten Werbemittel erfolgversprechend planen zu können. Dieses Planungssystem kann Vorhersagen treffen, ob ein Artikel noch mit in den Newsletter kommt oder eher nicht - je nachdem, wie der vorhergesagte Bestand ist.

INDIVIDUELLE PROBLEME UND ADAPTIVE LÖSUNGEN

Dass es Zeitserienprobleme gibt, ist in der Software- und E-Commerce-Welt kein Geheimnis. Mit diesem Tooling können jetzt diese individuellen Probleme auf flexible Weise gelöst werden und zusätzlich entsteht dabei großes Einsparpotenzial. Die Kundschaft wird schneller und zuverlässiger bedient und Lagerplatz sowie zeitliche Ressourcen werden eingespart. Die Arbeit von unseren Software-Entwickelnden und Data Engineers ermöglicht mittels dieser Lösung eine sehr zuverlässige Bestandsvorhersage. Außerdem exaktere Kundenkommunikation und bessere Entscheidungen bei Einkauf und Marketing.

Die Hauptarbeit steckt letztendlich darin, die Daten so zu transformieren und zu bereinigen, dass die KI, also das neuronale Netzwerk, damit überhaupt etwas anfangen kann. Daten sind nie genormt und haben immer ihre Eigenheiten, je nachdem woher sie kommen. Wir kennen den Use Case bereits und wissen somit, welche Pain Points dabei auf uns zukommen können. Durch die Arbeit in den verschiedenen Kundenteams haben wir viel fachliches Domänenwissen und können daher für neue Kunden zuverlässige Arbeit leisten sowie maßgeschneiderte Lösungen finden.

INTERESSE GEWECKT?

Mit Hilfe von KI lösen wir vielfältige Planungsprobleme auch in Ihren Kernprozessen. Von der Automatisierung von Prognosen bei der Bestandsoptimierung bis zur dynamischen Preisgestaltung helfen unsere datenbasierten Lösungen schneller und präziser zu betrieblichen Entscheidungen zu gelangen.

Sie brauchen zuverlässige Expertise? Melden Sie sich bei uns oder vereinbaren Sie direkt einen ersten Austausch.