KI-gesteuerte Präzision: Transformation der verderblichen Lebensmittel-Prognose

Die Prognose der tatsächlichen Nachfrage war immer eine Herausforderung, und sie ist besonders schwierig für Lebensmittelunternehmen, die in frischen und verderblichen Kategorien operieren. Gleichzeitig ist präzise Prognose essenziell für die vorgelagerte Lieferkettenplanung und -ausführung sowie die Reduzierung von Lebensmittel- und Finanzverschwendung.

In Zeiten von Markinkonsistenzen wie der COVID-19-Pandemie haben die meisten Prognostiker nach der Wahrheit gegriffen – versuchten, typische Nachfragemuster mit den Auswirkungen von Hamsterkäufen, Kategorie-Engpässen und logistischen Komplexitäten in Einklang zu bringen.

Selbst in „normalen“ Marktbedingungen bleiben vorgelagerte Lieferanten (Einzelhändler, Großhändler und Produzenten) ohne Abstimmung und Transparenz um eine einzige, verbrauchergetriebene Prognose gezwungen, ihre eigenen, siloartigen Prognosen zu erstellen.

Der Bullwhip-Effekt

Wenn Prognosen unabhängig erstellt werden, werden Verzerrungen, Fehler und Sicherheitsbestände kumuliert, da jede Prognose nur die Bestellhistorie, Muster, Preisschwankungen und die reale oder wahrgenommene Verfügbarkeit von Inputs des unmittelbaren nachgelagerten Partners in der Kette widerspiegelt.

Dieser Bullwhip-Effekt, bei dem eine Plus-oder-Minus-5-%-Änderung der tatsächlichen Konsumentennachfrage vorgelagerte Lieferanten um bis zu 40 % in beide Richtungen beeinflusst, bedeutet, dass die Aufrechterhaltung eines konsistent präzisen Bestands selbst in den besten Zeiten herausfordernd ist. Heute, während der Pandemie, ist es unmöglich.

Das Versprechen ist da

Der Einsatz von Technologie, um Partner entlang der Lieferkette zu verbinden, ist nicht neu, aber im letzten Jahrzehnt war er nicht so effektiv wie erhofft.

Doch wir haben einen neuen Wendepunkt in unserer Fähigkeit erreicht, Technologie zu nutzen, um zahlreiche Nachfragesignale effizient zu integrieren. Big-Data-Analyseplattformen, künstliche Intelligenz (KI), maschinelles Lernen und agile Prognosemodelle spielen alle eine wichtige Rolle bei der Erzeugung signifikant zuverlässigerer Prognosen. Endlich werden Tools, die diese Technologien nutzen, bewiesen, und wir können über die Lieferkette blicken und all ihre Daten auf eine Weise nutzen, die vorher nicht möglich war.

KI-gesteuerte Nachfrageprognose-Plattformen verlassen sich nicht auf historisches Verkaufsmodellieren wie viele traditionelle Nachfrageplattformen. Stattdessen nutzen sie dynamische Nachfragebeeinflusser, Algorithmen, Echtzeitdaten und Cloud-Technologie, um Verhaltensweisen und Trends präzise vorherzusagen.

Zum Beispiel haben Zielgruppendemografie und Lebensstil-Trends, Einkaufsmuster, Wetterereignisse, Handelszölle und Einzelhandels-Marketinginitiativen alle signifikante Auswirkungen auf Käuferverhalten und Prognosegenauigkeit. Doch diese Daten residieren typischerweise in mehreren, getrennten Repositorien.

Mit Algorithmen und prädiktiver Analytik analysieren KI- und Machine-Learning-gestützte Nachfrageprognose-Plattformen massive Datenmengen, unabhängig davon, wo sie leben. Diese Technologie kann automatisch die relevantesten Faktoren identifizieren, die die Konsumentennachfrage beeinflussen, Änderungen in Nachfrage und Käuferverhalten im Voraus antizipieren, Chargebacks reduzieren und unverzerrte probabilistische Vorhersagen über zukünftige Nachfrage liefern.

Das Freisetzen des Potenzials all dieser Daten ermöglicht nicht nur präzisere Nachfrageprognosen, sondern unterstützt auch einen ganzheitlichen Ansatz zum Bestandsmanagement. Mit wachsendem Vertrauen in die Prognosegenauigkeit können anfängliche Bestandsniveaus niedriger gehalten werden – während Kundenanforderungen weiterhin erfüllt werden.

Auch weil KI und Machine Learning Inputs so schnell verarbeiten können, wird Einsicht geliefert, solange sie noch bedeutungsvoll ist. Maßnahmen können ergriffen werden, um die sich ändernde Nachfrage oder Verfügbarkeit von frischen oder verderblichen Artikeln und Partner- oder Konsumentenbedürfnisse zu erfüllen. Zum Beispiel: Was wäre, wenn während der Pandemie Frischprodukt- und Fleischlieferanten in der Lage gewesen wären, schneller umzuverpacken und die Lieferung vom Restaurant-Großhandel auf verbraucherorientierte Lebensmittelgeschäfte zu verlagern?

Der United Fresh Produce Association schätzte, dass die gesamte Produce-Industrie während des COVID-19-Ausbruchs mindestens 40 % des Umsatzes verlieren wird. Und während nicht all dies auf Verbraucher-Lebensmittel oder Einzelhandel verlagert werden kann, sind Marken, die schneller umschalten können als ihre Wettbewerber, in der Lage, mehr Umsatz und Arbeitsplätze zu 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. Zeit, die für das Sammeln, Aktualisieren, Integrieren und Abgleichen konkurrierender Daten aus mehreren Tabellenkalkulationen aufgewendet wird, entfällt, was Prognoseprofis erlaubt, ihre Zeit der Optimierung der Nachfrage und der Koordination mit anderen Abteilungen wie Marketing zu widmen, um neue Umsatzströme zu finden. Der Wert der Zusammenarbeit über Abteilungen und externe Partner hinweg, operierend von einer einzigen Quelle der Wahrheit, kann nicht unterschätzt werden.

Überzeugende Ergebnisse

Ergebnisse aus dem Einsatz KI-gesteuerter Modelle sind überzeugend. Nounós Creamery setzte kürzlich ein solches Tool ein, um die Nachfrageprognose zu automatisieren und die dafür aufgewendete Zeit von zwei Stunden pro Woche auf nur 10 Minuten zu reduzieren. Führungskräfte bei Nounós waren frustriert über mangelnde echte Einsicht und verschwenden wertvolle Stunden und Geld, indem sie Daten aus ihrer Buchhaltungssoftware und dem Bestandsmanagementsystem manuell verglichen. Dieser Prozess lieferte nur ein vages Gefühl dafür, wie viel Joghurt das Unternehmen produzieren sollte und welche Geschmacksrichtungen priorisiert werden sollten.

Nounós konnte Daten aus allen relevanten Quellen einziehen und sich auf die Algorithmen verlassen, um Prognoseempfehlungen zu machen. Die Projektionen sind so präzise, dass das Unternehmen die Überproduktion fast sofort um 40 % reduzierte und signifikanten Umsatz durch Produktverluste einsparte. Es hat Nounós auch ermöglicht, die tatsächliche erwartete Nachfrage für jeden Geschmack vorherzusehen, was zu größerer Effizienz im Fertigungsprozess führt.

Dieser neue Ansatz der Nachfrageprognose wächst in der Adoption aus finanziellen Gründen, aber auch weil er hoch skalierbar ist. Er funktioniert genauso gut für Spezialitätenmarken wie für große multinationale Marken. Verbrauchergetriebene Nachfrageprognose ist gekommen, um zu bleiben. Der Einsatz neuester Analytik und Technologie präsentiert eine gewaltige Gelegenheit, den Bullwhip-Effekt zu zähmen und Nachfrage genau am richtigen Punkt zu treffen.

Are Traasdahl ist Mitgründer und CEO von Crisp.