Geschäftsproblem
Ein großes Einzelhandelsunternehmen verfügte nicht über genaue Bedarfsprognosen auf Filial-SKU-Ebene, was zu einer ineffizienten Bestandsauffüllung, einer Umschichtung übermäßiger Lagerbestände und einer inkonsistenten Produktverfügbarkeit in allen Filialen führte.
Engriffene Massnahmen
· Implementierung von Prognosemodellen für maschinelles Lernen (ARIMA-, ARIMAX-, Ensemble-Anwendungen) sowohl auf SKU- als auch auf aggregierter Produkthierarchieebene.
· Automatisierte Generierung von Nachschubbestellungen, Lagerbeständen und Lagerbestandsberichten.
· Entwicklung von Analyse-Dashboards zum Vergleich von realen und prognostizierten Verkäufen und Lagerbeständen in verschiedenen Dimensionen.
Ergebnisse der Reagenzien
· Erreicht Genauigkeit von über 90% auf Filialebeneund Genauigkeit von über 85% auf Produktebene.
· Automatisierte Dateiauffüllung in allen Bereichen Ungefähr 1.500 Geschäfte.
· Deutlich geringere Kosten für die Umverteilung von Waren.
· Verbesserte Bestandskontrolle und Planungseffizienz in großem Maßstab.
Frage zum Kontaktformular: Gibt es immer noch Stock- und Restposten von Geschäft zu Geschäft?
