Wie Konsumgütermarken mit Demand-Sensing das Supply-Chain-Chaos bezwingen

Mar 1, 2023 • 7 min

Corona. Hohe Inflation. Marktunsicherheit.

Nach mehreren Jahren mit massiven Störungen ringt die Konsumgüterindustrie weiter darum, ihre Lieferketten zu kontrollieren. Um dem Chaos Herr zu werden, setzen viele Unternehmen auf manuelle Prognoseverfahren, die jedoch längst an ihre Grenzen gestoßen sind. Je nachdem, was die neuesten und düstersten Wirtschaftsprognosen orakeln, ändert sich die Verbrauchernachfrage ständig – so können Unternehmen, die ihre Prognosen auf historische Bestelldaten stützen, nicht einmal die unmittelbare Zukunft genau vorhersagen.

Markenartikler, die der immensen Belastung durch diese Störungen entkommen wollen, verlassen sich zunehmend auf Demand-Sensing. Unter Demand-Sensing versteht man die Integration interner Daten mit POS-Daten (Point-of-Sale) und anderen externen Datenquellen, um kurzfristige Prognosen zu erstellen und anzupassen. Die Einbeziehung externer Daten und der Einsatz von Software für maschinelles Lernen helfen Unternehmen dabei, die Verbrauchernachfrage zu „erspüren“ und entsprechende Änderungen vorzunehmen. Prognosen, die mit Hilfe von Demand-Sensing-Lösungen erstellt werden, erreichen eine höhere Genauigkeit und kürzere Anpassungszeiten als Prognosen, die mit herkömmlichen Forecasting-Verfahren erstellt werden.

Demand-Sensing bietet Markenherstellern mehr Genauigkeit und höheres Kosteneinsparpotenzial – beides ist derzeit bitter nötig. Die Vorteile zeigen sich jedoch nicht nur in einer unsicheren Wirtschaftslage. Unternehmen, die sich finanziell besser positionieren wollen, sollten sich unbedingt ihre Supply-Chain-Prozesse vornehmen und sie mit Demand-Sensing optimieren. Eine Demand-Sensing-Lösung macht sich schnell bezahlt und spart dauerhaft Zeit und Geld.

Demand-Sensing-Software macht mehr aus Ihren Daten – für höhere Genauigkeit und mehr Flexibilität

Doch welchen Vorteil bietet eine auf Demand-Sensing und Machine-Learning basierende Prognoselösung gegenüber traditionellen, größtenteils manuellen Prognosen? Die Antwort liegt in der Datenverwertung – der Fähigkeit, gewaltige Datenmengen aus zahlreichen Quellen schnell und exakt zu verarbeiten.

Wer ausschließlich interne Daten und historische Bestelldaten nutzt, schränkt sein Prognosepotenzial ein.

Lange legten Supply-Chain-Verantwortliche und Disponenten ihren Prognosen interne Daten und Bestellhistorien zugrunde. Die Logik dahinter leuchtet ein. Jedoch zeigen sich deutliche Schwächen bei der manuellen Verarbeitung interner Daten und historischer Bestelldaten:

Bestellhistorie und interne Daten bilden sogar massive, externe Störungen gar nicht erst ab, obwohl diese die Verbrauchernachfrage im Jahresvergleich grundlegend verändern können. (So unterschied sich etwa die Nachfrage im April 2020 stark von der präpandemischen im April 2019).
Bestellhistorie und interne Daten erkennen keine innerhalb weniger Tage auftretenden Verschiebungen in der Verbrauchernachfrage. (Verschiebungen, die von unvorhergesehenen Ereignissen wie beispielsweise Social-Media-Trends oder unerwarteten Einzelhandels-Kampagnen und -Preisänderungen verursacht werden).
Bestellhistorie und interne Daten bieten keine Sicht auf Bestellungen von Einzelhändlern, die nach der ersten Eindeckung für geplante Ereignisse getätigt werden (etwa bei Produkteinführungen oder -abkündigungen, Sortiments- und saisonalen Änderungen).

Konsumgüterhersteller sollten diese Klippen auch in ruhigerem wirtschaftlichem Fahrwasser umschiffen, in der derzeitigen Marktlage ist es jedoch besonders kostspielig, auf veraltete Prozesse zu vertrauen. Ein manueller Prognoseprozess verlangt den Supply-Chain-Planern die Bewältigung riesiger Datenmengen ab. Dabei kann sich die Nachfrage innerhalb weniger Tage drastisch ändern, was dazu führt, dass die Disponenten den Veränderungen stets hinterherlaufen, diese aber nie ganz einholen. Die Ungenauigkeiten der Prognosen führen letztendlich zu Verschwendung, insbesondere, wenn es um Frischeprodukte oder andere Waren mit extrem kurzer Haltbarkeit geht.

Automatische Prognosen durch externe Daten und Handelsdaten vom POS aufwerten

Aus diesem Grund setzt Demand-Sensing auf tägliches Forecasting, um die Präzision zu erhöhen und Kosten und Ausschuss zu reduzieren. Aktuelle, relevante Daten von Einzelhändlern und anderen externen Quellen fließen in die Prognosen ein, die sich automatisch aktualisieren, sobald neue Informationen vorliegen. So bildet eine Prognose, die auf Nachbestellungen des Verteilzentrums basiert und mit detaillierten POS-Handelsdaten angereichert ist, die aktuelle Nachfrage besser ab als eine Prognose, die nur auf den Nachbestellungen des Verteilzentrums basiert. Nachbestellungen zeigen, was in letzter Zeit passiert ist, während POS-Daten näher am Puls des aktuellen Verbraucherverhaltens sind.

Ständige Datenaktualisierungen und automatische Anpassungen verhindern ein striktes Festhalten an überholten Prognosen, gleichzeitig begünstigt Machine-Learning kontinuierliche Leistungsverbesserungen. Demand-Sensing-Software berücksichtigt auch Faktoren wie aktuelle Trends, Entscheidungen der Einzelhändler, Marktbedingungen und sogar externe Ereignisse wie schlechtes Wetter. Daraus leitet sich eine sehr exakte Prognose ab.

Drei Arten, wie Demand-Sensing Kosten reduziert

Für Konsumgütermarken, die beim Supply-Chain-Management auf liebgewonnene Tabellenkalkulationen setzen, klingt eine KI- und Machine-Learning-gestützte Demand-Sensing-Software vielleicht wie Zukunftsmusik. Doch immer mehr Unternehmen setzen solche Tools ein, um ihre Supply-Chain-Prozesse zu optimieren.

Wenn Sie noch über die Einführung einer Demand-Sensing-Lösung nachdenken, sollten Sie die folgenden Effekte kennen, die Demand-Sensing auf Ihre Geschäftsergebnisse hat:

Veränderungen der Nachfrage und des Verbraucherverhaltens werden sofort erkannt

Demand-Sensing-Lösungen verlassen sich nicht ausschließlich auf historische Trends, sondern verarbeiten Ströme aktueller externer Daten. Dadurch erkennen Markenartikler Änderungen in der Nachfrage sofort und müssen keine Vermutungen auf Grundlage der Vorjahre anstellen.

Hersteller von Konsumgütern sollten drei Datenquellen kombinieren, um Demand-Sensing-Prognosen zu erstellen und anzupassen:

Interne Unternehmensdaten. Zu dieser Kategorie gehören Preisänderungen; Sortimentspläne; Produkteinführungen und -abkündigungen; Kampagnen, die den Kunden aus Einzel- und Großhandel angeboten werden sowie alle anderen innerhalb des Unternehmens erzeugten Daten.
Einzelhandelsdaten. Diese Kategorie beinhaltet POS-Daten; Preisanreize; Einzelhandelskampagnen; Sortimentsentscheidungen; Marketingkampagnen; aktuelle und projizierte Lagerbestände im Filial- und Distributionsnetz; offene Kundenaufträge und alle anderen im Handel anfallenden Daten.
Externe Daten. Demand-Sensing-Lösungen mit breitem Funktionsspektrum berücksichtigen auch Schritte von Wettbewerbern; die Wetterverhältnisse; Sport-Events oder Konzert-Veranstaltungen und andere komplexe oder zufällige Ereignisse, die sich auf die Verbrauchernachfrage auswirken können.

Eine leistungsstarke, Machine-Learning beherrschende Software durchleuchtet und analysiert diese Datenberge und liest daraus ab, wie sich die Nachfrage täglich verändert. Die drei größten Kostenersparnisse, die Sie erwarten können, wenn Nachfrageänderungen sofort erkannt werden, sind:

weniger entgangene Umsätze durch verbesserte Verfügbarkeit;
ein präziserer Produktnachschub in Relation zur tatsächlichen Nachfrage bei größeren Veränderungen durch Kampagnen;
weniger Abfall und Verderb, insbesondere bei frischen Produkten mit kurzer Haltbarkeit.

Prognosen werden automatisch angepasst

Eine gute Demand-Sensing-Software minimiert den manuellen Arbeitsaufwand des Erstellens und Anpassens von Prognosen. Ein System, das künstliche Intelligenz und maschinelles Lernen beherrscht, erkennt Trends und Nachfrageänderungen schneller als jedes menschliche Team, und verkürzt so die Zeit zwischen Trenderkennung und Prognoseanpassung erheblich. Diese blitzschnelle Reaktionszeit reduziert kostspielige Über- und Unterbestände.

Machine-Learning toppt die manuelle Prognose auch in anderer Hinsicht: Es bietet die Möglichkeit, gewonnene Erkenntnisse zu erfassen und immer weiter darauf aufzubauen. Für die Mitarbeiter stellt das manuelle Analysieren einen zeitraubenden Arbeitsaufwand dar, der bei jeder Erstellung einer Prognose erneut anfällt. Eine Lösung für maschinelles Lernen speichert stattdessen automatisch die aus diesen Analysen gewonnenen Informationen und lernt aus jedem Ereignis, sodass die Planer die Arbeit nicht ständig wiederholen müssen.

Automatisierung ermöglicht es den Disponenten, sich auf anspruchsvolle und wertschöpfende Aufgaben zu konzentrieren, die menschliche Expertise erfordern: insbesondere die Bewertung von Ausnahmen. Eine Demand-Sensing-Lösung identifiziert Prognoseausreißer und macht den Disponent auf sie aufmerksam. Dieser bestimmt, ob die Prognose gültig ist oder nicht. Das System nutzt externe Datenquellen, um den Ausreißern einen Kontext zu geben und hilft damit dem Planer, die Prognosegenauigkeit richtig einzuschätzen.

Die Anforderungen der Nachfrage werden umfassend abgebildet

Ein Markenhersteller, der sich auf eine einzige Datenquelle verlässt, hemmt seine Prognosegenauigkeit und legt sein Geschäft quasi an die Kette, indem er es starren Prognosen unterwirft. Basiert eine Prognose ausschließlich auf POS-Daten und Verbrauchernachfrage-Treibern wie Promotions, kann das leicht dazu führen, dass der Bestand nicht zum tatsächlichen Bestellbedarf eines Einzelhändlers passt.

Das Problem zeigt sich vor allem bei neuen Artikeln, die in relativ großen Packungen geliefert werden. Wird eine Prognose nur auf POS-Daten erstellt, besteht die Gefahr, dass der Hersteller schnell einen übergroßen Bestand aufbaut. In der Folge werden Bestände vorgehalten, die erst Wochen oder gar Monate später benötigt werden: Bei Artikeln mit kurzen Lebenszyklen oder begrenzter Haltbarkeit führt das zu Veralterung.

Konsumgüterhersteller können stattdessen POS-Daten der Einzelhändler mit der Bestellhistorie kombinieren: So passen sie Bestands-, Distributions-, Produktions-, Einkaufs- und Absatzpläne schnell mit einer aktuellen Prognose an. Auch Bestandspuffer, Lieferfristen, Lieferzeitpläne und Bestelllosgrößen müssen in jeder Supply-Chain-Stufe berücksichtigt werden, um den künftigen Bedarf in der Lieferkette genau bestimmen zu können.

Durch die Zusammenführung aktueller Daten aus verschiedenen Quellen können Markenhersteller Distribution und Bestände besser planen. Dies gilt insbesondere für Situationen, in denen der Warenfluss instabil ist. Stellen Sie sich folgendes Szenario vor: Sie beabsichtigen eine Promotion durchzuführen und erstellen zuvor eine Basisprognose. Schon geringe Ungenauigkeiten in der Prognose können zu kostspieligen Fehlbeständen führen. Eine Demand-Sensing-Software aktualisiert die Prognose jedoch täglich und verfolgt in Echtzeit, ob sie zutrifft: Sie können sofort Maßnahmen ergreifen, wenn sich die Bestände schneller oder langsamer bewegen als erwartet.

Auch in anderen Situationen mit instabilem Warenfluss bringt Demand-Sensing Licht ins Dunkel, etwa rund um

Markteinführungen neuer Produkte,
Produkt-Abkündigungen,
Marketingkampagnen und Promotions,
Saisonware,
Feiertagsbedingte Schwankungen.

Sorgt für Durchblick in einem ungewissen Markt:
Die Demand-Sensing-Lösung

Die aktuellen Störfaktoren, die vielen Supply-Chain-Managern Sorgenfalten bereiten, werden nicht ewig bestehen. Doch eines ist sicher: Angesichts der zunehmenden Komplexität der globalen Lieferketten, die mit der Verbrauchernachfrage Schritt halten müssen, sind neue Komplikationen vorprogrammiert. Die Investition in eine neue oder bessere Demand-Sensing-Lösung unterstützt die Konsumgüterbranche dabei, aktuelle und künftig auftretende Probleme zu bewältigen. So hilft Demand-Sensing-Software, entgangene Umsätze zu verringern, indem sie die Verfügbarkeit erhöht. Und auch langfristig sorgt sie für Kostenersparnisse, beispielsweise dadurch, dass sie Bestände reduziert und Prozesse optimiert.

Werfen wir einen Blick auf RELEX-Kunde Atria: mit einem Nettoumsatz von 1,5 Mrd. Euro (2021) einer der führenden Lebensmittellieferanten in Nordeuropa. Das Unternehmen musste seine Prognosegenauigkeit für stark saisonale Waren und Fleischprodukte mit besonders kurzer Haltbarkeit erhöhen. Mit den Demand-Sensing-Funktionen von RELEX erreichte Atria eine beachtliche wöchentliche Prognosegenauigkeit von 98,1 % und reduzierte gleichzeitig das manuelle Anpassen der Prognosen um 13 %.

Seit mehr als zehn Jahren unterstützt RELEX Konsumgüterhersteller dabei, ihre Prognostizierung zu optimieren und Entscheidungen besser abzustimmen. Die RELEX-Plattform kann so individuell angepasst werden, dass sie perfekt zu Ihren Bedürfnissen passt und Lösungen für Ihre einzigartigen Problemstellungen findet. RELEX optimiert selbst die komplexeste Lieferkette. Und Sie profitieren gleich doppelt von unserer Expertise: Durch unsere langjährige Zusammenarbeit mit Einzelhändlern weltweit wissen wir genau, wie und was Einzelhändler bei Konsumgüterunternehmen einkaufen.

Wollen Sie bei der nächsten großen Störung wirklich an veralteten manuellen Systemen festhalten? Nutzen Sie die Vorteile von RELEX Demand-Sensing und gewinnen Sie die Kontrolle über Ihre Lieferkette zurück.

Dieser Beitrag ist der zweite einer vierteiligen Serie, die sich darauf konzentriert, Herstellern von Konsumgütern einen Leitfaden für die Bewältigung der derzeitigen globalen Marktveränderungen zu bieten. Im ersten Artikel ging es darum, die Supply-Chain für Schnelldreher zu managen, während die beiden nächsten Beiträge sich intensiv mit Demand-Shaping und der Zusammenarbeit entlang der Supply-Chain befassenwerden.