Warum Einzelhändler und Lieferanten bei der Nachfrageprognose nicht auf einen Nenner kommen

Das Grundproblem: Daten-Silos

Wie sollen Händler und Lieferanten präzise Prognosen erstellen, wenn sie nicht dieselben Daten zur selben Zeit auf dieselbe Art teilen? COVID-19 zu Recht für 2020-Probleme verantwortlich, doch Toilettenpapier-/Wasser-Engpässe verschärft durch Fehlausrichtung der Demand-Data-Strategien (CI&T-Report).

Unterschiedliche Problemsicht

Lieferanten: #1 Challenge = Visibility & Data Access. Händler: #1 = Skalierung der Datenplattform. „Strategisch denken sie grundverschieden über Demand Forecasting“ (Melissa Minkow, CI&T).

Divergente Basisansätze

• Lieferanten gliedern Daten geographisch; Händler nach Kanal (E-Commerce vs. Stationär).
• Lieferanten vergleichen Monat mit Vorjahresmonat; Händler mit Vormonat. → Völlig unterschiedliche Schlussfolgerungen für Produktion/Lagerung/Regalbestückung nächste 30 Tage.

Konsens nur bei Wert von Verbraucherdaten

Beide schätzen detaillierte Konsumentendaten (Geschlecht, Alter, Haushaltsgröße) – aber Echtzeitaustausch scheitert. „Nagende Zurückhaltung bei sensiblen/proprietären Daten → Zusammenarbeit schwer“ (Minkow). Fehlende Transparenz treibt divergente Interpretationen.

Dringlichkeit in unsicheren Zeiten

Disruptionen (COVID) bedrohen Stabilität → Single Lens auf Key Data dringender denn je. Händler/Lieferanten verfehlen Ziel. „Viel Complacency letzte 15 Monate – beide spielen Karten eng an Brust. Nächste 6 Monate mit Feiertagen wird schlimmer“ (Minkow).

Lösungsansatz: Neues Framework

CI&T schlägt Framework vor: Prognosen nicht isoliert entwickeln. Aktuell: „Sie schauen nicht mal aufeinander Prognosen. Würden sie, sähen sie Lernpotenzial.“ Social Media = mehr Daten denn je – Segen & Fluch. Richtig analysiert/geteilt → Kundenbedürfnisse punktgenau, Produkte anpassen. Volumen überfordert Anbieter ohne Analyse-/Koordinationsfähigkeit.

Unausgeschöpftes Potenzial

Minkow: Händler/Lieferanten nutzen verfügbare Daten nicht voll. Neben Verbraucherdaten: Sales/Basket-Daten (Online/Offline), Saisonalität, Wetter, Feiertage, Wettbewerber-Pricing.

Vorschlag: Händler owns Data-Sharing

Händler bestimmt, welche maßgeschneiderten Daten jeder Lieferant in „Über-Prognose“-System erhält. „Macht Händler stärker, aber offen für Lieferant als First Mover. Mitte = alle Datensets. Beziehung nachjustierbar.“

Konsequenz bei Versagen

Fehlende Koordination kostet alle – besonders Endverbraucher. „Ohne optimierte Data-Sharing-Strategie verliert der Konsument. Und wenn Konsument verliert, verlieren alle.“