Nachfrageprognose im Einzelhandel und bei Konsumgütern: Der komplette Leitfaden

1. Einführung: Was ist die Nachfrageprognose und wie wird sie durchgeführt?

1.1 Was ist die Nachfrageprognose?

Bei der Nachfrageprognose geht es im Wesentlichen darum, ein bestmögliches Verständnis der künftigen Nachfrage zu entwickeln. In der Praxis bedeutet das, die Auswirkungen einer Reihe von Variablen zu analysieren, die die Nachfrage beeinflussen – von bisherigen Nachfragemustern über interne Geschäftsentscheidungen bis hin zu externen Faktoren –, um die Genauigkeit dieser Prognosen zu erhöhen. Genaue Nachfrageprognosen können in Ihrer gesamten Lieferkette genutzt werden, um die Entscheidungsfindung und die Ergebnisse in Bereichen wie der Auffüllung in Filialen und Vertriebszentren, der Kapazitätsplanung und der Ressourcenplanung zu verbessern.

Nachfrageprognosen können auf verschiedenen Granularitätsebenen erstellt werden – monatlich, wöchentlich, täglich oder sogar stündlich – um verschiedene Planungsprozesse und Geschäftsentscheidungen zu unterstützen. Sehr detaillierte Prognosen sind immer äußerst wertvoll. Die Vorteile einer granularen Prognose liegen auf der Hand, insbesondere wenn man an frische Lebensmittel denkt, deren kurze Haltbarkeit mitunter tagesgenaue Prognosen auf der Ebene des Produktstandorts erfordert, um Verderb zu vermeiden.

Für CPG-Unternehmen ermöglichen detaillierte Prognosen den Planern, die Auswirkungen auf die Nachfrage auf der Grundlage von Verkaufs- oder Werbeinformationen zu modellieren. Ein weiterer wichtiger Vorteil der granularen Prognosen besteht darin, dass sie es einem Hersteller ermöglichen, Daten zu Produkten zu sammeln, die ein bestimmtes Rohmaterial verwenden, und eine Prognose zu erstellen, die die tatsächliche Menge der für die Herstellung jedes Produkts benötigten Materialien aufzeigt. Dies hilft ihnen, die Kosten zu senken, indem sie den Großeinkauf optimieren und die Anzahl der benötigten Lieferungen reduzieren.

Außerdem kann die Modellierung helfen, die Produktionskapazität zu optimieren. Warum sollten dann Artikel mit geringer Umschlagshäufigkeit, von denen nur ein paar Einheiten pro Standort und Tag verkauft werden, wenn überhaupt, den gleichen Grad an Prognosegranularität erfordern?

Selbst wenn die Vorhersage auf der Ebene Tag-Produkt-Standort für einen Artikel mit geringer Umschlagshäufigkeit etwas ungenau ist, macht es die Prognose auf dieser Granularitätsebene letztendlich einfacher, die Nachfrage zu aggregieren – sei es für verschiedene Zeiträume, produktübergreifend (z. B. die Gesamtnachfrage pro Produkt pro Distributionszentrum) oder nach Gesamtnachfrage pro Produkt in einem Monat oder einer Kundengruppe usw.

Um die Auffüllung von Warenbeständen, die Kapazitätsplanung und andere Geschäftsentscheidungen effektiv durchführen zu können, benötigen Einzelhändler und CPG-Unternehmen mehrere Prognosen mit unterschiedlichem Granularitätsgrad, die verschiedene Zeitspannen berücksichtigen. Aus diesem Grund ist eine flexible produktübergreifende Aggregation über verschiedene Planungszeiträume hinweg entscheidend dafür, dass ein Unternehmen dieselbe Nachfrageprognose für seine gesamte Supply-Chain-Planung nutzen kann.

Denken Sie zum Beispiel an Planogramme, die nicht täglich angepasst werden, sondern in der Regel alle paar Monate als Teil eines größeren Sortimentsüberprüfungsprozesses überarbeitet werden, wobei zwischen den Überprüfungszeiträumen oft kleinere Anpassungen vorgenommen werden.

Während viele Einzelhändler ihre Planogramme immer noch auf der Grundlage vergangener Verkäufe erstellen, die in wöchentlichen oder monatlichen Zeiträumen untersucht wurden, bieten nachfrageorientierte Planogramme ein viel höheres Maß an Genauigkeit, da sie die Vorteile dieser sehr granularen Prognosedaten auf der Ebene von Tag-Produkt-Standort nutzen. Das Gleiche gilt für die Rabattoptimierung, die Optimierung von Arbeitsschichten und jeden anderen Planungsprozess mit einem längeren Planungszeitraum als der täglichen Auffüllung.

Für CPG-Unternehmen ermöglichen granulare Prognosen die automatische Nutzung von Einzelhandelsabsatz- und Sortimentsdaten für genauere kurzfristige Prognosen. Ein Prognosesystem, das maschinelles Lernen einsetzt, kann komplexe und variable Nachfragefaktoren automatisch berechnen, sodass Hersteller ihre Prognosen schnell an veränderte Nachfragemuster auf der entsprechenden Granularitätsebene anpassen können.

Mit automatisierten und zentralisierten Sortimentsüberprüfungen können CPG-Unternehmen deutliche Vorteile erzielen, darunter eine wöchentliche Prognosegenauigkeit von über 90 %, eine Verbesserung der Prognosegenauigkeit zu Spitzenzeiten um 9 Prozentpunkte und eine Steigerung der Prognosegenauigkeit um 10 % bei Verwendung von Einzelhandelsdaten.

Trotz der Vorteile, die genaue Nachfrageprognosen für den gesamten Einzelhandel und die CPG-Branche mit sich bringen, sind die Prognosefähigkeiten vieler Unternehmen leider immer noch recht begrenzt.

1.2 Was sind die Vorteile einer präzisen Nachfrageprognose?

Zuverlässige Nachfrageprognosen sind für das reibungslose Funktionieren Ihrer Lieferkette unabdingbar, da sie, einfach ausgedrückt, Unsicherheiten verringern. Mit einer genauen Berechnung, wie viele Artikel sie zu einem bestimmten Zeitpunkt verkaufen werden, können Einzelhandels- und CPG-Unternehmen die entsprechenden Artikel bestellen, zuweisen und wieder auffüllen.

Über die Lieferkette und das Bestandsmanagement hinaus ist eine genaue Prognose in einer einheitlichen Lieferketten- und Einzelhandelsplanungsplattform jedoch auch für den Vertrieb, die Lieferplanung und den Rohstoffnachschub wichtig. Kurz gesagt, die Nachfrageprognose ist die Grundlage, auf der Einzelhändler und CPG-Unternehmen eine breite Palette von Vorteilen für ihre Geschäftsfunktionen erzielen können.

Vorteile einer genauen Nachfrageprognose in der Lieferkette:

• Höherer Umsatz durch bessere Produktverfügbarkeit.
• Weniger Verderb und frischere, ansprechendere Produkte durch genauere Bestandszuweisung. 
• Höherer Lagerumschlag durch geringeren Bedarf an Sicherheitsbeständen.
• Bessere Gewinnspannen durch proaktive, optimierte Rabatte.
• Bessere Kapazitätsauslastung und zuverlässigere Erfüllung durch bessere Einsicht in die Kapazitätsanforderungen und proaktive Behebung von Engpässen.
• Senkung der Personalkosten durch prognosebasierte Optimierung der Schichten in Filialen und Vertriebszentren.

1.3 Wie prognostizieren Einzelhändler und CPG-Unternehmen die Nachfrage?

Vom Omnichannel-Riesen bis hin zum kleinsten lokalen Hersteller verlassen sich alle Einzelhändler und CPG-Unternehmen auf Nachfrageprognosen, um Artikel auf der Grundlage ihrer besten Schätzung der Verkaufsmenge zu bestellen. Die moderne Nachfrageprognose ist eine ausgeklügelte statistische Analyse, die zahlreiche Variablen berücksichtigt, um die Prognose zu optimieren.

Während einige Einzelhändler und CPG-Unternehmen immer noch auf Tabellenkalkulationen und manuelle Berechnungen zurückgreifen, werden solche leistungsstarken statistischen Analysen am besten von einer speziellen Software ausgeführt, die für die Verarbeitung riesiger Datensätze der Lieferkette entwickelt wurde.

Die beste dieser Software zeigt den Benutzern auf transparente Weise, welche Daten zur Erstellung von Prognosen verwendet und wie die Prognosen berechnet werden. Moderne Software für die Nachfrageprognose automatisiert schwierige und zeitaufwändige Entscheidungen und nutzt maschinelles Lernen, um Vorhersagen zu optimieren.

2. Methodik der Nachfrageprognose – Wie Sie Ihre Prognose erstellen

Bislang haben Einzelhändler und CPG-Unternehmen ihre grundlegenden Prognosen mit Hilfe von Zeitreihenmodellen erstellt, bei denen historische Daten herangezogen wurden, um Vorhersagen über die zukünftige Nachfrage zu treffen.

Diese Prognosen wurden oft auf der Grundlage von Kausalmodellen und manuellen Eingaben angepasst. Moderne Unternehmen haben diese älteren Ansätze zur Nachfrageprognose jedoch durch maschinelles Lernen ersetzt.

2.1 Maschinelles Lernen verbessert die Genauigkeit von Nachfrageprognosen

Maschinelles Lernen erhöht nicht nur die Genauigkeit der Nachfrageprognosen, sondern automatisiert auch große Mengen an Planungsaufgaben und kann enorme Datensätze verarbeiten – weit mehr als jeder menschliche Planer in der Lage wäre.

Um eine genaue Nachfrageprognose zu erstellen, muss ein System in der Lage sein, eine enorme Menge an Daten zu den verschiedensten Variablen zu verarbeiten, die sich potenziell auf die Nachfrage auswirken können. Dank der Fortschritte bei der Verarbeitung großer Datenmengen und dem In-Memory-Computing können moderne Systeme zur Nachfrageplanung innerhalb einer Minute Millionen von Prognoseberechnungen durchführen und dabei mehr Variablen berücksichtigen als jemals zuvor. 

Berücksichtigen Sie die drei großen Bereiche der Variabilität, die sich kontinuierlich auf die Nachfrage auswirken: wiederkehrende Schwankungen in Bezug auf das Basisnachfrageverhalten, Ihre eigenen internen Geschäftsentscheidungen und externe Faktoren wie das Wetter oder lokale Ereignisse.

Eine ausführlichere Erläuterung der verschiedenen Ansätze zur Prognoseerstellung finden Sie in Der komplette Leitfaden für maschinelles Lernen in der Nachfrageprognose im Einzelhandel. 

2.2 Vorhersage der Auswirkungen von Unternehmensentscheidungen: Preisänderungen, Werbeaktionen, Produkteinführungen usw.

Kommerzielle Entscheidungen wie beispielsweise Kampagnen, eine Preisänderung oder die Einführung neuer Produkte haben enorme Auswirkungen auf die Verkaufszahlen. Da diese Entscheidungen schwer vorhersehbare Schwankungen mit sich bringen können, müssen sie bei den Prognoseberechnungen unbedingt berücksichtigt werden.

Um die Auswirkungen von Geschäftsentscheidungen vorhersagen zu können, benötigen Sie die Algorithmen des maschinellen Lernens, die große Datenmengen verarbeiten und in die zu berücksichtigende Basisnachfrageprognose integrieren können.

Zu den Variablen, die am häufigsten in diese Berechnungen einbezogen werden, gehören:

• Art der Kampagne, z. B. Preisnachlass oder Mehrfachkauf
• Marketingmaßnahmenwie Zeitungsanzeigen oder Beschilderung in der Filiale
• Auslagen in der Filiale, z. B. wenn Einzelhändler ein beworbenes Produkt auf einer Endkappe oder einem Tisch präsentieren, oder wenn CPG-Unternehmen den Einzelhändlern eine produktspezifische Auslage zur Verfügung stellen
• Preiselastizität, d. h. wie sich eine Preisänderung auf die Nachfrage nach einem
• Produkt auswirkt
• Sichtbarkeit, z. B. wenn ein CPG-Unternehmen eine Platzierung in einem Lebensmittelgeschäft gewinnt oder verliert
• Auswirkungen einer Preisänderung auf andere Produkte innerhalb dieser Kategorie

Eine genaue Modellierung der Preiselastizität ist besonders wichtig für die Optimierung von Rabatten, da sie den Planern ein klares Bild davon vermittelt, wie der Preis für Rabatt-Bestände zu gestalten ist, damit sie sich schnell verkaufen und gleichzeitig die höchstmögliche Gewinnspanne beibehalten. 

Wenn Sie mehr darüber erfahren möchten, wie Sie die Auswirkungen kommerzieller Entscheidungen genau berücksichtigen können, lesen Sie unser Whitepaper Genauere Prognosen zu Kampagnen mithilfe von maschinellem Lernen.

2.2.1 Berücksichtigung von Preisänderungen

Wenn Sie in Ihrem Unternehmen den Preis für ein Produkt senken, verringert sich in der Regel auch die Nachfrage nach anderen Produkten in dieser Kategorie, da sich die Nachfrage auf das billigere Produkt verlagert – ein Phänomen, das als „Kannibalisierung“ bekannt ist. Um eine Überbestellung von kannibalisierten Produkten zu vermeiden, sollten Einzelhändler die Prognosen für diese nicht beworbenen Produkte nach unten korrigieren und dann die angepassten Prognosen in ihre Auffüllplanung einbeziehen. Diese Präzision ist natürlich besonders wichtig, wenn Sie Produkte mit kurzer Haltbarkeitsdauer nachfüllen. 

Bei Faktoren, die außerhalb der Kontrolle Ihres Unternehmens liegen, kann eine effektive Zusammenarbeit innerhalb der Lieferkette jedoch sicherstellen, dass Ihre Software für die Nachfrageprognose Preisänderungen, die sich auf die Nachfrage auswirken, genau berücksichtigt. Wenn Einzelhändler und CPG-Unternehmen einen regelmäßigen Datenaustausch einrichten, erhalten beide Unternehmen Einblick in ihre gesamte Lieferkette, was dazu beitragen kann, eine Vielzahl von Problemen zu vermeiden, die durch unerwartete Änderungen der Nachfrage entstehen.

Wenn Sie mehr darüber erfahren möchten, lesen Sie unser Whitepaper Berücksichtigung von Kannibalisierungs- und Halo-Effekten zur Verbesserung von Nachfrageprognosen.

2.2.2 Einführung neuer Produkte

Die Einführung neuer Produkte stellt eine andere Art von Herausforderung für Verkaufs-prognosen dar, denn Sie haben nicht mehr den Vorteil historischer Verkaufsdaten, die Ihnen als Grundlage dienen können. Referenzprodukte mit historischen Daten dienen als Vorlage, bis Sie genügend Daten gesammelt haben, um eine tatsächliche Prognose für das neue Produkt zu erstellen. Bei Produkteinführungsszenarien müssen die Planer in der Regel die Referenzprodukte selbst auswählen – ein zeitaufwändiger Prozess, der zudem oft ungenau ist, wenn Sie ein breites Sortiment und hohe Erneuerungsraten berücksichtigen.

Eine weitaus effizientere und präzisere Lösung für dieses Problem ist der Einsatz eines Planungssystems, das in der Lage ist, automatisch das passende Referenzprodukt auf der Grundlage der wichtigsten Attribute der Produktkategorie (Marke, Größe, Verwendung, Farbe, Geschmack usw.) auszuwählen. Natürlich sollte dieses System auch in der Lage sein, seine SKU-Store/Kanal-Prognosen schnell zu aktualisieren, wenn die tatsächlichen Verkaufszahlen für das neue Produkt bekannt werden.

2.3 Externe Faktoren, die die Nachfrage beeinflussen

Wenn wir von „externen Faktoren“ sprechen, meinen wir im weitesten Sinne alles, was Sie als Einzelhändler oder CPG-Unternehmen nicht selbst kontrollieren können. Beispiele für externe Faktoren sind Wettervorhersagen, lokale Ereignisse oder sogar die geschäftlichen Entscheidungen Ihrer Konkurrenten, die allesamt zu erheblichen Veränderungen Ihrer Nachfrage führen können.

Wir wissen zum Beispiel, dass eine Hitzewelle fast immer den Verkauf von Speiseeis ankurbelt und dass der erste Schneefall des Jahres die Kunden in Scharen zum Kauf von Wintermänteln bewegt. Das klingt zunächst unkompliziert, aber die Identifizierung und genaue Vorhersage aller Nachfrageänderungen für alle externen Ereignisse über die gesamte Produktpalette an mehreren Standorten ist enorm schwierig.

Um zu verdeutlichen, wie schwierig diese Aufgabe für Berechnungen durch Menschen ist, betrachten wir einen kleinen Einzelhandel mit 100 Filialen und einem Sortiment von 5.000 Produkten. Wenn die Planer versuchen würden, die Auswirkungen des Wetters allein auf einer halbwegs granularen Ebene manuell zu berücksichtigen, müssten sie etwa 280 Millionen potenzielle Zusammenhänge zwischen Variablen untersuchen (100 Filialen x 5.000 Produkte x 20 Wettervariablen x 7 Wochentage x 4 Jahreszeiten).

Die gleiche Logik gilt für CPG-Unternehmen, die in der Regel weniger Standorte und eine kleinere Produktpalette haben, aber viele verschiedene Einzelhandelskanäle bedienen können. Die Daten sind für ein Team von Menschen ganz schnell nicht mehr zu verarbeiten.

Dank des maschinellen Lernens wird ein großer Teil dieser Arbeit automatisiert und Sie können diese externen Faktoren in Ihre Prognosen integrieren. Diese Algorithmen können Ihren Eisvorrat sichern, kurz bevor eine Hitzewelle kommt, oder sie können Ihren Vorrat reduzieren, bevor ein heftiger Regen für eine Woche eintritt.  Unserer Erfahrung nach kann die Einbeziehung des Wetters die Prognosefehler auf Produktebene um 5-15 % und auf Produktgruppen- und Standortebene um bis zu 40 % reduzieren.

Die kommerziellen Entscheidungen des Einzelhändlers über die Sortimente in den Geschäften, einschließlich Produktausstellungen, Werbeaktionen und Aktionen in den Filialen, wirken sich auf die Nachfrage in den Filialen aus, was wiederum die Nachfrage des CPG-Unternehmens beeinflusst. Mit einer effizienten Zusammenarbeit innerhalb der Lieferkette können CPG-Unternehmen die Daten der Einzelhändler in ihrer eigenen Nachfrageplanung nutzen, um eine hohe Prognosegenauigkeit zu erreichen und die Nachfrage in jeder Situation zu decken.

Wenn externe Daten berücksichtigt werden, kann eine Software für die Bedarfsplanung den Planern ein klares Bild davon vermitteln, wie sich verschiedene Faktoren auf die Prognose auswirken, z. B. die Auswirkungen des regionalen Wetters auf den Umsatz. Die Genauigkeit der Nachfrageprognose hängt von der Fähigkeit eines Systems ab, eine Vielzahl potenzieller externer Datenquellen einzubeziehen, darunter:

• Regionale Daten zum Wetter und Wettervorhersagen.
• Fahrgastzahlen und Fahrgastprognosen für Verkehrsknotenpunkte (lesen Sie die Fallstudie).
• Daten über vergangene und kommende Veranstaltungen, wie Messen oder Konzerte.
• Preisdaten der Wettbewerber.
• Für CPGs, Einzelhandelsdaten, wie POS, Einzelhandelswerbung und Sortiment, einschließlich der Anzahl der Filialen.

Beachten Sie, dass maschinelles Lernen bei der Nachfrageprognose zwar dazu beiträgt, den Großteil der Aufgaben zu automatisieren, aber dennoch seine Grenzen hat. Denn Verbrauchertrends unterliegen ständigen Veränderungen, und Überraschungen passieren immer dann, wenn man sie am wenigsten erwartet.  Es besteht immer das Risiko, dass Prognosen die Ereignisse der Vergangenheit widerspiegeln und nicht die tatsächlichen Gegebenheiten.

Deshalb kann maschinelles Lernen niemals menschliche Expertise und Erfahrung ersetzen. Wir werden immer Planer für die Nachfrage brauchen, die die Veränderungen in der realen Welt beobachten und interpretieren und die automatischen Prognosen entsprechend korrigieren können.

Nun haben wir eine hochgradig automatisierte Nachfrageprognose entwickelt, die maschinelles Lernen nutzt, um eine genaue Basisprognose zu erstellen, die wiederkehrende Nachfragemuster identifiziert, Kampagnen und Ihre anderen internen geschäftlichen Entscheidungen berücksichtigt und dann externe Daten wie lokale Ereignisse und die Preisgestaltung der Konkurrenz einbezieht.

Als Nächstes befassen wir uns mit einer der bahnbrechendsten Entwicklungen in der Lieferkette und zweifellos auch in der Nachfrageprognose: Omnichannel-Aktivitäten. 

3. Nachfrageprognose im Omnichannel-Bereich

Einzelhändler und CPG-Unternehmen, die eine Omnichannel-Strategie verfolgen, müssen in jedem Kanal ein gutes Kundenerlebnis bieten, ob in der Filiale, online oder über hybride Kanäle wie Click-and-Collect. Von der Produktverfügbarkeit bis hin zur Schnelligkeit der Auftragsabwicklung – das Kundenerlebnis hängt stark von der Effizienz und Transparenz der Lieferkette eines Einzelhändlers ab.

Um die Nachfrage über mehrere Kanäle hinweg erfolgreich zu prognostizieren, müssen Unternehmen die Online-Verkäufe mit dem richtigen Vertriebskanal verknüpfen. Wenn zum Beispiel Ihre Online-Bestellungen von Ihren lokalen Filialen entgegengenommen werden, muss diese Online-Nachfrage in die Nachfrageprognose auf Filialebene einfließen, um eine genaue Auffüllung zu gewährleisten, die sowohl der Nachfrage online als auch in den Filialen entspricht. Aber das ist nur der Anfang.

Online-Bestellungen folgen in der Regel einem anderen Verkaufsmuster als Verkäufe in Ladengeschäften. Es gibt viele Gründe für diesen Unterschied – zum Beispiel die Tatsache, dass der Preisvergleich online viel schneller und einfacher ist als beim Einkaufen in einem Laden. Die Weihnachtssaison zeigt ein weiteres Beispiel für solche Unterschiede.

Einzelhändler und CPG-Unternehmen erleben meist, dass Online-Bestellungen lange vor der Zeit getätigt werden, gefolgt von einer Welle von unentschlossenen Kunden, die für Last-Minute-Einkäufe in die Filialen eilen. Natürlich kann sich dieses Muster ändern, da die Verbraucher eine schnellere Abwicklung über das Internet erwarten, selbst in der hektischen Weihnachtszeit.

Da sich die Nachfragemuster je nach Kanal erheblich unterscheiden können, müssen Nachfrageplanungssysteme in der Lage sein, die Prognosen für Online- und Ladenverkäufe zu trennen, was eine noch feinere Granularität bedeutet. Diese Prognosen können genutzt werden, um ein virtuelles Ringfencing in Lagerhäusern und Distributionszentren zu ermöglichen und so die Verfügbarkeit über alle Kanäle hinweg sicherzustellen.

Omnichannel-Einzelhändler und CPG-Unternehmen müssen in der Lage sein, Prognosen für jede Filiale, jeden Vertriebskanal und jeden Abwicklungskanal zu erstellen, um sicherzustellen, dass der richtige Bestand an den richtigen Stellen verfügbar ist und die Kundenzufriedenheit in allen Bereichen erhalten bleibt.

4. Genauigkeit der Nachfrageprognose

Ganz gleich, wie fortschrittlich die Technologie auch sein mag, es wird nie möglich sein, die Nachfrage mit 100%iger Genauigkeit vorherzusagen. Deshalb müssen die Planungsprozesse in der Lieferkette immer ein gewisses Maß an Ungewissheit verkraften können. Wie präzise müssen die Prognosen denn sein?

Letztendlich ist die Genauigkeit immer von großer Bedeutung, aber sie sollte auf verschiedenen Ebenen analysiert werden. Je nach Anwendungsfall sollte die Prognosegenauigkeit für verschiedene Zeiträume und verschiedene Aggregationsstufen bewertet werden. Bei der Auffüllung des Lagerbestands für schnell verkaufbare Produkte mit kurzer Haltbarkeit sind beispielsweise hochpräzise Vorhersagen für den Tag und den Produktstandort unabdingbar.

Bei Produkten mit geringer Umschlagshäufigkeit ist es dagegen wichtiger, dass das Gesamtvolumen, das von einem bestimmten VZ geliefert wird, korrekt ist und dass Verzerrungen vermieden werden. Unabhängig von Ihren Geschäftszielen oder Sortimentsmerkmalen gibt es jedoch immer einen Punkt, an dem die Prognosegenauigkeit abnimmt. 

Alle Einzelhändler und CPG-Unternehmen erreichen einen Punkt, an dem es kosteneffektiver ist, ein gewisses Maß an Ungenauigkeit zu akzeptieren und sich darauf vorzubereiten, als noch mehr Zeit und Geld in weitere Verbesserungen zu investieren. Wenn ein Produkt beispielsweise eine lange Haltbarkeit hat, können die Kosten für eine minimale Erhöhung des Sicherheitsbestandes durchaus geringer sein als die Kosten, die entstehen, wenn Sie die Bedarfsplaner bitten, die Prognose weiter zu verfeinern.

Denken Sie auch daran, dass die Nachfrageprognose nur ein Teil der umfassenderen Lieferkettenplanung ist. Selbst nahezu perfekte Prognosen werden nicht zu den gewünschten Ergebnissen führen, wenn die anderen Bereiche Ihres Planungsprozesses nicht optimal sind. Sie werden immer noch übermäßig hohe Losgrößen oder zu viel Vorrat haben. Eine vollständige Übersicht über die Prozesse der Nachfrageplanung finden Sie in unserem Leitfaden zur Prognosegenauigkeit, der weitere Strategien zur Erhöhung der Genauigkeit enthält.

Wann ist Ihre Prognose präzise genug? Kurz gesagt, weitere Verbesserungen der Genauigkeit werden Ihre tatsächlichen Geschäftsergebnisse nur geringfügig verbessern.

5. Auswahl einer Software für die Nachfrageprognose

Wir können ehrlich sagen, dass wir glauben, dass unsere eigene Lösung zur Nachfrageprognose für die meisten Unternehmen mit einem großen fortlaufenden Sortiment, frischen Produkten und für diejenigen mit einem breiten Produktsortiment, die Direktlieferungen in die Filialen anbieten, ein leistungsstarkes Tool bietet. Unsere Lösung kann die End-to-End-Zusammenarbeit in der Lieferkette sowohl für Einzelhändler als auch für CPG-Unternehmen verbessern.

Für welche Lösung Sie sich auch immer entscheiden, stellen Sie sicher, dass sie eine vollständige KI-Toolbox nutzt, um die Komplexität der nachfragebeeinflussenden Faktoren aus allen verfügbaren internen und externen Datenquellen zu erfassen. Die einzige Möglichkeit, eine gute Prognose zu berechnen, besteht darin, Ihr Bedarfsplanungssystem mit genügend relevanten Daten zu füttern.

Die Daten, die für genaue Prognosen benötigt werden, sind viel zu umfangreich und komplex, als dass sie von Menschen berechnet werden könnten. Daher müssen Einzelhändler und CPG-Unternehmen nach einer KI-gesteuerten Lösung suchen, deren Algorithmen für maschinelles Lernen den Großteil dieser Arbeit automatisieren können.

Es ist jedoch wichtig, dass diese Komplexität nicht zu einer „Black Box“ führt, die die Planer dazu veranlasst, einfach auf automatische Empfehlungen zu vertrauen. Die besten Nachfrageprognosesysteme sind transparent. Sie vermitteln den Planern ein klares Verständnis dafür, wie sie Prognosen berechnen, um eine Vielzahl von kurz- und langfristigen Planungsaktivitäten zu unterstützen – von der Auffüllplanung über die Optimierung der Arbeitskräfte bis hin zum Kapazitätsmanagement.

Außerdem muss das Nachfrageprognosesystem leistungsstark genug sein, um Daten in großem Umfang zu verarbeiten. Sowohl Einzelhändler als auch CPG-Unternehmen generieren jeden Tag enorme Mengen an Verkaufsdaten. Wenn man dann noch die Daten aus internen geschäftlichen Entscheidungen und externen Faktoren sowie die für eine genaue Planung erforderliche Granularität hinzunimmt, wird die Bedeutung der Leistungsfähigkeit der Datenverarbeitung deutlich. Entscheiden Sie sich für eine Lösung mit einer schnellen, modernen Datenbank, oder Sie werden jedes Mal, wenn Sie eine Berechnung durchführen müssen, stundenlang warten müssen.

Wenn eine Lösung diese grundlegenden Anforderungen nicht erfüllt, wechseln Sie zur nächsten Lösung. Wenn Sie mehr über die Bewertung und Auswahl der für Ihr Unternehmen am besten geeigneten Software für die Nachfrageprognose erfahren möchten, lesen Sie Supply Chain Transformation: Der komplette Leitfaden.

6. Weitere Ressourcen zur Nachfrageprognose

Dieser Leitfaden ist nur der Anfang. Die Nachfrageprognose ist viel detaillierter als das, was wir hier vorgestellt haben – deshalb haben wir diese hilfreichen Informationen zusammengestellt. Tauchen Sie tiefer in die Welt der Nachfrageprognose ein und finden Sie heraus, wie Sie gleichzeitig Ihre Lieferkette und Ihren Gewinn optimieren können. 

Lesen Sie mehr:

Herausforderungen bei der Nachfrageprognose

• Nachfrageprognosen für Produkte mit kurzem Lebenszyklus erfolgreich gestalten

Berücksichtigung von Kampagnen und Wetter in Nachfrageprognosen

• 4 Schlüssel für eine bessere Prognose der Verkaufsförderung und Auffüllung der Bestände
• Berücksichtigung von Wettereinflüssen bei der Nachfrageprognose

Kannibalisierung

• Berücksichtigung von Kannibalisierungs- und Halo-Effekten zur Verbesserung der Nachfrageprognosen

Genauigkeit der Nachfrageprognose

• Was ist eine gute Prognosegenauigkeit?
• Die Bedeutung genauer Prognosen im Omnichannel-Lebensmitteleinzelhandel
• Messung der Prognosegenauigkeit: Der komplette Leitfaden

Software für die Nachfrageprognose

• Entscheidungsfindung und praktische KI im Einzelhandel
• Die Erweiterung der Grenzen der Datenverarbeitung erfordert Spezialisierung

Maschinelles Lernen in der CPG-Nachfrageprognose

• Maschinelles Lernen in der CPG-Nachfrageprognose: Die Berücksichtigung von Einzelhändlerdaten fördert Ergebnisse