Lagerbestandsvorhersage

• Automatische Vorhersage optimaler Nachbestellmengen
• Integration historischer Lager- und Auftragsdaten
• Berücksichtigung externer Faktoren (Trends, Saisonalität, Lieferzeiten)
• Direkte Anbindung an ERP- und Warenwirtschaftssysteme
• Datenanalyse per Chat, auch ohne technisches Know-How

Das Problem

In der Modebranche wechseln Trends schnell und jedes Produkt gibt es in vielen Varianten – verschiedene Größen, Farben oder Modelle. Die Nachbestellplanung wurde bisher meist manuell durchgeführt: Mitarbeitende schätzen basierend auf Erfahrung, wie viel nachbestellt werden muss. Das führt oft zu ungenauen Ergebnissen, kostet viel Zeit und kann zu Überbeständen oder Fehlbeständen führen. Besonders schwierig ist die Planung bei neuen Artikeln oder selten verkauften Produkten, wo keine historischen Erfahrungswerte vorliegen.

Die Lösung

Wir haben ein Machine-Learning-System entwickelt, das die optimale Nachbestellmenge für jedes Produkt automatisch vorhersagt. Das System nutzt historische Lager- und Auftragsdaten aus dem ERP-System, ergänzt um Produktmerkmale wie Farbe, Größe und Artikelnummer. Zusätzlich werden externe Faktoren wie aktuelle Trends, Online-Shop-Statistiken und Saisonalität berücksichtigt.

Die Vorteile

• Zeitersparnis: Das System arbeitet deutlich schneller als menschliche Planer und kann Nachbestellungen in Sekunden statt Stunden berechnen.
• Arbeitsersparnis: Durch die Automatisierung werden keine zusätzlichen Mitarbeitenden für die Planung benötigt.
• Einfach mit Daten chatten: Jeder kann das System nutzen – ohne technisches Know-How oder Data-Science-Kenntnisse. Einfach Fragen stellen und sofort Antworten erhalten.
• Kostenersparnis: Die höhere Genauigkeit der Vorhersagen reduziert Überbestände und Fehlbestände deutlich. Dadurch wird weniger Kapital im Lager gebunden und Verluste durch Fehlbestände minimiert, was erhebliche Kosteneinsparungen bedeutet.

Die Vorgehensweise

Das System nutzt verschiedene Modellarchitekturen, die flexibel über eine zentrale Konfigurations-Datei gesteuert werden. So können Datenaufbereitung, Filter, Modelltyp (Regression Models, Decision Trees, neuronale Netze) und Parameter ohne Codeänderung angepasst werden. Jedes Modell-Training erzeugt automatisch ein "Experiment", das alle Einstellungen, Metriken und Evaluations-Grafiken dokumentiert – eine transparente Grundlage für Vergleich und Optimierung.

Durch Cross-Learning zwischen ähnlichen Produkten werden Muster übertragen, die menschliche Planer oft übersehen. Das ermöglicht auch bei neuen oder selten verkauften Artikeln stabile Vorhersagen. Das System lernt kontinuierlich und wird mit jeder neuen Saison besser.

Die Integration erfolgt über den AI Hub, eine KI-Plattform, die ERP-Daten in Echtzeit analysiert. Ein interaktives Dashboard zeigt alle relevanten Kennzahlen in Tabellen und Grafiken, und ein KI-Assistent ermöglicht es, direkt mit den Daten mittels Chat zu "sprechen" – auch für Personen ohne Data-Science-Hintergrund. Die Bestellvorschläge können direkt in die bestehenden ERP- und Warenwirtschaftssysteme überführt werden, sodass die Nachbestellung nicht mehr auf Basis von Bauchgefühl, sondern auf objektiven, datengetriebenen Prognosen erfolgt.