Wie KI die Vorhersage verderblicher Lebensmittel verändert

Die Vorhersage der tatsächlichen Nachfrage war schon immer eine Herausforderung, und es ist besonders schwierig für Lebensmittelunternehmen, die in frischen und verderblichen Kategorien tätig sind. Gleichzeitig ist eine genaue Prognose für die Planung und Ausführung der vorgelagerten Lieferkette und die Reduzierung von Lebensmittel- und Finanzverschwendung unerlässlich.

In Zeiten von Marktinkonsistenzen wie der COVID-19-Pandemie blieben die meisten Prognostiker bei der Wahrheit und versuchten, typische Nachfragemuster mit den Auswirkungen von Panikkäufen, Kategorieengpässen und logistischen Komplexitäten in Einklang zu bringen.

Selbst unter „normalen“ Marktbedingungen, ohne Ausrichtung und Transparenz um eine einzige, verbrauchsgesteuerte Prognose, müssen Vorlieferanten (Einzelhändler, Großhändler und Produzenten) ihre eigenen isolierten Prognosen erstellen.

Wenn Prognosen unabhängig erstellt werden, werden Verzerrungen, Fehler und Sicherheitsbestände verstärkt, da jede Prognose nur die Bestellhistorie, Muster, Preisschwankungen und die tatsächliche oder wahrgenommene Verfügbarkeit von Inputs ihres unmittelbar nachgelagerten Partners in der Kette widerspiegelt.

Dieser Bullwhip-Effekt, bei dem eine Veränderung der tatsächlichen Verbrauchernachfrage um plus oder minus 5 % die Vorlieferanten um bis zu 40 % in beide Richtungen beeinflusst, bedeutet, dass die Aufrechterhaltung eines konstant genauen Lagerbestands selbst in den besten Zeiten eine Herausforderung darstellt. Heute, während der Pandemie, ist es unmöglich.

Das Versprechen ist da

Der Einsatz von Technologie zur Verbindung von Partnern in der gesamten Lieferkette ist nicht neu, aber in den letzten zehn Jahren war sie nicht so effektiv wie erhofft.

Wir haben jedoch einen neuen Wendepunkt in unserer Fähigkeit erreicht, Technologien zu nutzen, um zahlreiche Nachfragesignale effizient zu integrieren. Big-Data-Analyseplattformen, künstliche Intelligenz (KI), maschinelles Lernen und agile Prognosemodelle spielen eine wichtige Rolle, um deutlich zuverlässigere Prognosen zu generieren. Schließlich haben sich Tools, die diese Technologien nutzen, bewährt, und wir sind in der Lage, die gesamte Lieferkette zu durchsuchen und alle ihre Daten auf eine Weise zu verwenden, die zuvor nicht möglich war.

KI-gesteuerte Plattformen zur Nachfrageprognose verlassen sich nicht wie viele traditionelle Nachfrageplattformen auf historische Verkaufsmodelle. Stattdessen verwenden sie dynamische Nachfragebeeinflusser, Algorithmen, Echtzeitdaten und Cloud-Technologie, um Verhaltensweisen und Trends genau vorherzusagen.

So haben beispielsweise demografische Trends und Lifestyle-Trends des Publikums, Einkaufsmuster, Wetterereignisse, Handelstarife und Marketinginitiativen von Einzelhändlern erhebliche Auswirkungen auf das Käuferverhalten und die Nachfragegenauigkeit. Diese Daten befinden sich jedoch normalerweise in mehreren getrennten Repositorys.

Mithilfe von Algorithmen und Predictive Analytics analysieren KI- und Machine-Learning-gestützte Plattformen für die Bedarfsprognose riesige Datenmengen, unabhängig davon, wo sie sich befinden. Diese Technologie kann automatisch die wichtigsten Faktoren identifizieren, die sich auf die Verbrauchernachfrage auswirken, Veränderungen der Nachfrage und des Käuferverhaltens im Voraus antizipieren, Rückbuchungen reduzieren und unvoreingenommene Wahrscheinlichkeitsprognosen über die zukünftige Nachfrage liefern.

Die Erschließung des Potenzials all dieser Daten ermöglicht nicht nur genauere Bedarfsprognosen, sondern unterstützt auch einen ganzheitlichen Ansatz für das Bestandsmanagement. Wenn das Vertrauen in die Prognosegenauigkeit wächst, können die anfänglichen Lagerbestände auf einem niedrigeren Niveau gehalten werden – und gleichzeitig die Kundenanforderungen erfüllt werden.

Da KI und maschinelles Lernen Eingaben so schnell verarbeiten können, werden Erkenntnisse geliefert, solange sie noch aussagekräftig sind. Es können Maßnahmen ergriffen werden, um der sich ändernden Nachfrage oder Verfügbarkeit von frischen oder verderblichen Artikeln und den Bedürfnissen von Partnern oder Verbrauchern gerecht zu werden. Was wäre zum Beispiel, wenn während der Pandemie Frischwaren- und Fleischlieferanten in der Lage gewesen wären, schneller neu zu verpacken und die Lieferung vom Großhandelsvertrieb in Restaurants auf Lebensmittelgeschäfte zu verlagern?

Die United Fresh Produce Association schätzt, dass die gesamte Lebensmittelindustrie während des COVID-19-Ausbruchs mindestens 40% des Umsatzes verlieren wird. Und obwohl nicht alles auf Lebensmittel oder den Einzelhandel verlagert werden kann, können Marken, die schneller als ihre Konkurrenten umsteigen können, mehr Umsatz und Arbeitsplätze schützen.

Intelligentere Technologie

KI-gesteuerte Prognoseplattformen wenden mehrere Algorithmen an, um automatisch die relevantesten Metriken für jedes Produkt oder jede SKU im System zu bestimmen. Der Zeitaufwand für das Sammeln, Aktualisieren, Integrieren und Abgleichen konkurrierender Daten aus mehreren Tabellenkalkulationen entfällt, sodass Prognoseexperten ihre Zeit damit verbringen können, die Nachfrage zu optimieren und sich mit anderen Abteilungen wie dem Marketing abzustimmen, um neue Einnahmequellen zu finden. Der Wert der Zusammenarbeit zwischen Abteilungen und externen Partnern, die von einer einzigen Quelle der Wahrheit aus arbeiten, ist nicht zu unterschätzen.

Die Ergebnisse aus dem Einsatz von KI-gesteuerten Modellen sind überzeugend. Nounós Creamery hat kürzlich ein solches Tool eingesetzt, um die Bedarfsprognose zu automatisieren und den Zeitaufwand für die Prognose von zwei Stunden pro Woche auf nur 10 Minuten zu reduzieren. Führungskräfte bei Nounós waren frustriert über den Mangel an echten Einblicken und verschwendeten wertvolle Stunden und Geld durch den manuellen Vergleich von Daten aus ihrer Buchhaltungssoftware und ihrem Bestandsverwaltungssystem. Dieser Prozess vermittelte nur eine vage Vorstellung davon, wie viel Joghurt das Unternehmen herstellen sollte und welche Geschmacksrichtungen Priorität haben.

Nounós konnte Daten aus allen relevanten Quellen abrufen und sich auf die Algorithmen verlassen, um Prognoseempfehlungen abzugeben. Die Prognosen sind so genau, dass das Unternehmen die Überproduktion fast sofort um 40 % reduzierte und so erhebliche Einnahmen durch Produktverluste sparte. Es hat Nounós auch ermöglicht, die tatsächlich erwartete Nachfrage für jede Geschmacksrichtung vorherzusehen, was zu einer höheren Effizienz im Herstellungsprozess führt.

Dieser neue Ansatz zur Bedarfsprognose wird aus finanziellen Gründen, aber auch aufgrund seiner hohen Skalierbarkeit immer beliebter. Es funktioniert für Lebensmittelspezialitäten genauso gut wie für große multinationale Marken. Verbraucherorientierte Nachfrageprognosen werden bleiben. Der Einsatz der neuesten Analysen und Technologien bietet eine enorme Chance, den Bullwhip-Effekt zu zähmen und die Nachfrage genau zum richtigen Zeitpunkt zu decken.

Are Traasdahl ist Mitbegründer und CEO von Crisp.