Geschäftsproblem
Ein großes Einzelhandelsunternehmen hatte aufgrund der begrenzten Sichtbarkeit auf der Shop — SKU-Ebene. Ungenaue Nachfrageprognosen führten an einigen Standorten zu Überbeständen, an anderen zu Fehlbeständen und kostspieliger Neuverteilung von Waren in den Filialen.
Ergriffene Maßnahmen
· Implementierte auf maschinellem Lernen basierende Nachfrageprognosemodelle unter Filial-SKU-Granularität.
· Angewandte ARIMA- und ARIMAX-Modelle sowohl auf SKU- als auch auf aggregierter Produkthierarchieebene.
· Generierte filialspezifische Mengenprognosen zur Unterstützung von Nachschubentscheidungen.
· Integrierte Prognoseergebnisse in die Workflows zur Bestandsplanung.
Erreichte Ergebnisse
· Erreicht Genauigkeit von über 90% auf Filialebeneund Genauigkeit von über 85% auf Produktebene.
· Verbesserte Genauigkeit der Inventarpositionierung in allen Filialen.
· Weniger Ineffizienzen, die durch eine falsch ausgerichtete Inventarzuweisung verursacht wurden.
· Ermöglicht fundiertere Entscheidungen zur Bestandsplanung in großem Maßstab.
Frage für das Kontaktformular: Haben Sie keinen Überblick darüber, was wo verkauft wird?
