{"id":23327,"date":"2023-05-03T11:58:00","date_gmt":"2023-05-03T09:58:00","guid":{"rendered":"https:\/\/www.sysbus.eu\/?p=23327"},"modified":"2023-04-24T11:09:48","modified_gmt":"2023-04-24T09:09:48","slug":"mit-intelligenten-beschaffungstools-zu-mehr-cashflow","status":"publish","type":"post","link":"https:\/\/www.sysbus.eu\/?p=23327","title":{"rendered":"Mit intelligenten Beschaffungstools zu mehr Cashflow"},"content":{"rendered":"\n

Autor\/Redakteur: Jasper van Rijn, Managing Director Retail bei IG&H<\/a>\/gg<\/p>\n\n\n\n

Bedarfsplanungssysteme im Einzelhandel sind oft starr und arbeiten mit einem regelbasierten Ansatz, um Best\u00e4nde zu verwalten und Waren entsprechend zu bestellen. In unsicheren, krisengepr\u00e4gten Zeiten funktionieren solche Regeln jedoch immer seltener. Sp\u00e4testens seit der COVID-19-Pandemie hat sich gezeigt, dass sich das Kaufverhalten von Verbrauchern schnell und unvorhersehbar \u00e4ndern kann \u2013 vermeintlich bekannte Trends und berechenbare Produktkategorien wiegen Einzelh\u00e4ndler daher in tr\u00fcgerischer Sicherheit, auf die sie sich immer weniger verlassen k\u00f6nnen.<\/p>\n\n\n\n

\"\"<\/a>
Bild: IG&H<\/figcaption><\/figure>\n\n\n\n\n\n\n\n

K\u00fcnstliche Intelligenz (KI) und Maschinelles Lernen (ML) k\u00f6nnen der Branche dabei helfen, schnell auf sich \u00e4ndernde Trends zu reagieren, indem sie bei ihren Vorhersagen nahezu unendlich viele Faktoren ber\u00fccksichtigen. Mit KI-basierten Daten und Analysen k\u00f6nnen Einzelh\u00e4ndler so zu besseren Entscheidungen gelangen. KI kann also dabei helfen, einen klaren \u00dcberblick \u00fcber die Zusammenh\u00e4nge zu erhalten. Das erm\u00f6glicht es Einzelh\u00e4ndlern und Lieferketten-Experten schnell auf Trends zu reagieren, da sie Einblick in Echtzeitdaten und -erkenntnisse erhalten. Mit Hilfe von Pr\u00e4diktiver Analytik und Data-Mining-Techniken k\u00f6nnen beispielsweise potenzielle Probleme oder Chancen in der Lieferkette erkannt und entsprechend gehandelt werden.<\/p>\n\n\n\n

L\u00f6sungen basieren auf verschiedenen Modulen<\/strong><\/p>\n\n\n\n

Neu entwickelte Software-Tools und Technologien unterst\u00fctzen die Idee, dass Einzelh\u00e4ndler bei der Bedarfsplanung proaktiv reagieren k\u00f6nnen. Dabei handelt es sich um Plattformen oder SaaS-L\u00f6sungen, die aus Modulen bestehen, die aufeinander aufbauen. Sie generieren automatisch Bestellvorg\u00e4nge, helfen bei der Vorhersage der regelm\u00e4\u00dfigen, saisonalen und aktionsbezogenen Kundennachfrage und erstellen automatisch Bestellhinweise. KI und ML sind Teil des Codes. Dadurch unterscheiden sie sich von anderen Bedarfsplanungssystemen, weil sie nicht auf Gesch\u00e4ftsregeln basieren. Das erm\u00f6glicht nicht nur bessere Vorhersagen, sondern diese Technologien sind auch einfacher zu implementieren, da die Benutzer nicht viele Regeln erstellen m\u00fcssen, um das System zum Laufen zu bringen. Die zugrundeliegende Vision ist, dass ein System implementiert wird, das sehr wenig Benutzereingaben ben\u00f6tigt. Die L\u00f6sungen arbeiten mit einem Datenfeed, sodass keine komplexen Software-Schnittstellen erforderlich sind.<\/p>\n\n\n\n

Die Hauptaufgabe bei der Implementierung besteht darin, die Daten zu beschaffen und sie so aufzubereiten, dass sie vom System verarbeitet werden k\u00f6nnen. Das ist eine Sache von Wochen, was im Vergleich zu fr\u00fcheren Vorg\u00e4ngen schnell ist. Bei anderen L\u00f6sungen sind die IT-Berater mehrere Monate lang mit der Implementierung besch\u00e4ftigt. So k\u00f6nnen Kosten gesenkt werden.<\/p>\n\n\n\n

In jedem Einkaufsprozess tauchen tausende von Datenpunkten auf, die sich \u00fcber Produkt- und Kategorie-Grenzen hinweg erstrecken. Werden diese Informationen miteinander verkn\u00fcpft, wirkt sich das direkt positiv auf die Kaufentscheidungen aus. In der derzeitigen Praxis ist die Komplexit\u00e4t der Beschaffungslandschaft f\u00fcr einen einzelnen Eink\u00e4ufer unm\u00f6glich zu \u00fcberblicken, geschweige denn in Tabellenkalkulationen zu verarbeiten. KI-basierte Software kann diese tausende von Datenpunkten automatisch miteinander verkn\u00fcpfen, so dass die Unternehmen in der Lage sind, intelligentere Kaufentscheidungen zu treffen. Dieser datengesteuerte Ansatz gew\u00e4hrleistet eine bessere Bestandsverwaltung mit besseren Gewinnspannen. \u00a0<\/p>\n\n\n\n\n\n\n\n

Basis-Konzept mit individueller Anwendung<\/strong><\/p>\n\n\n\n

Eine entsprechende Software besteht aus einem Basis-Bauplan, einer Art Blaupause. Durch die Daten des Kunden, bei dem die L\u00f6sung implementiert werden soll, wird sie speziell auf ihn und seine Gesch\u00e4fts- und Arbeitsabl\u00e4ufe angepasst. Das h\u00e4ngt nat\u00fcrlich auch von der Gr\u00f6\u00dfe und Art des Unternehmens ab. Ein Einzelh\u00e4ndler, der nur einen Webshop mit 100 Artikeln hat, kann nicht so viele Daten zu Verf\u00fcgung stellen, wie ein Gesch\u00e4ft mit Omnichannel-Strategie, das in mehreren L\u00e4ndern t\u00e4tig ist. Diese haben Daten \u00fcber jedes Gesch\u00e4ft, jeden Standort, jeden Kanal, jedes Produkt und das jeden Tag. Diese Daten multiplizieren sich rasant. Grunds\u00e4tzlich gilt nat\u00fcrlich: je mehr Daten, desto besser und je l\u00e4nger sie zur\u00fcckreichen, desto genauer die Prognosen. Grunds\u00e4tzlich sollten allerdings mindestens zwei bis drei Jahre an Daten vorhanden sein, um wirkliche, saisonale Muster abzuleiten. Betrachtet man nur ein Jahr, sind die Ableitungen ungenau.<\/p>\n\n\n\n

Die eingangs erw\u00e4hnte Pandemie f\u00e4llt in die Kategorie Black-Swan-Effekt, unvorhergesehene, v\u00f6llig pl\u00f6tzlich und daher immer unerwartet eintretende Ereignisse. Das wird man auch in Zukunft nicht prognostizieren k\u00f6nnen. Aber es besteht die M\u00f6glichkeiten, die Daten aus der Vergangenheit beziehungsweise vergangenen Ereignissen durch einen sogenannten Eventmanager zu bereinigen. Dieser kategorisiert die in diesem Zeitraum entstandenen Daten als ungew\u00f6hnliches Umsatzmuster. Tritt ein unvorhergesehenes Ereignis ein, kann der Einzelh\u00e4ndler manuell eingreifen. Hier also der Punkt, an dem KI an die Grenzen gelangt. Ansonsten trainiert sich die Software selbst und lernt st\u00e4ndig dazu. Nachjustierungen sind quasi nicht n\u00f6tig, da die Module aus allem lernen und sich dementsprechend anpassen, was zuvor passiert ist. Neue Informationen werden automatisch hinzugef\u00fcgt und der Algorithmus passt sich an.<\/p>\n\n\n\n

Dynamic Pricing: Analysen in Echtzeit und t\u00e4gliche Anpassung<\/strong><\/p>\n\n\n\n

Ein weiteres Feature, das durch die Software gesteuert werden kann, ist Dynamic Pricing. Die Strategie der flexiblen Preisgestaltung ist nicht mehr nur f\u00fcr Tankstellen oder f\u00fcr Onlineh\u00e4ndler interessant, sondern spielt auch f\u00fcr Einzelh\u00e4ndler eine immer gr\u00f6\u00dfere Rolle. Die Preise f\u00fcr Produkte \u00e4ndern sich im Zeitverlauf. Sie orientieren sich entweder am Wettbewerb oder aufgrund strategischer Erw\u00e4gungen des H\u00e4ndlers, um den Gewinn zu maximieren oder die Kundenbindung zu verbessern \u2013 im besten Fall gleich beides. Dank neuer Technologien er\u00f6ffnen sich auch f\u00fcr das Dynamic Pricing erheblich gr\u00f6\u00dfere M\u00f6glichkeiten mit vollautomatischen Analysen in Echtzeit. Preise k\u00f6nnen auf breiter Front, auf Zielgruppen zugeschnitten oder sogar auf jeden einzelnen Kunden abgestimmt werden. Ebenso kann man sich auf einzelne Produkte konzentrieren, um im Vergleich zur Konkurrenz wettbewerbsf\u00e4higer zu sein. Ein anderer Plan w\u00e4re den Fokus auf Lagerkapazit\u00e4ten zu legen oder so zu berechnen, um bei einem Sortiment schlicht nicht zu schnell ausverkauft zu sein. Welche Strategie der Einzelh\u00e4ndler auch verfolgt, die Software liefert dazu die passenden Daten. Dabei sind Preis\u00e4nderungen und -anpassungen auch t\u00e4glich m\u00f6glich.<\/p>\n\n\n\n

Die neuen Technologien zielen auf die Bereiche der Preisgestaltung und der Lieferkette ab beziehungsweise auf die daf\u00fcr zust\u00e4ndigen Bedarfsplaner, Preismanager oder Eink\u00e4ufer. Grunds\u00e4tzlich kann aber jede Abteilung damit arbeiten. Aktuell treffen Eink\u00e4ufer oder Category Manager Kaufentscheidungen oft noch auf der Grundlage einer begrenzten Anzahl von Erkenntnissen. Die Bedarfsplanungstools kombinieren dagegen Tausende von Datenpunkten und zahlreiche Cluster. Das Ergebnis ist eine bestm\u00f6gliche Vorhersage der Marktnachfrage, die es den zust\u00e4ndigen Fachleuten erm\u00f6glicht, gezielter einzukaufen und eine intelligentere Bestandsverwaltung mit besseren Gewinnspannen zu erreichen. Dadurch k\u00f6nnen Einzelh\u00e4ndler \u00dcber- und Unterbest\u00e4nde abbauen und den Cashflow besser verwalten.<\/p>\n","protected":false},"excerpt":{"rendered":"

Bedarfsplanungssysteme im Einzelhandel sind oft starr und arbeiten mit einem regelbasierten Ansatz, um Best\u00e4nde zu verwalten und Waren entsprechend zu bestellen. In unsicheren, krisengepr\u00e4gten Zeiten funktionieren solche Regeln jedoch immer seltener. Sp\u00e4testens seit der COVID-19-Pandemie hat sich gezeigt, dass sich das Kaufverhalten von Verbrauchern schnell und unvorhersehbar \u00e4ndern kann \u2013 vermeintlich bekannte Trends und berechenbare Produktkategorien wiegen Einzelh\u00e4ndler daher in tr\u00fcgerischer Sicherheit, auf die sie sich immer weniger verlassen k\u00f6nnen.<\/p>\n","protected":false},"author":1,"featured_media":23329,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"colormag_page_container_layout":"default_layout","colormag_page_sidebar_layout":"default_layout","footnotes":""},"categories":[8,10036],"tags":[3576,17239,17238,8220,10986],"class_list":["post-23327","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-artikel","category-kuenstliche-intelligenz","tag-beschaffung","tag-cashflow","tag-igh","tag-ki","tag-ml"],"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/23327","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=23327"}],"version-history":[{"count":1,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/23327\/revisions"}],"predecessor-version":[{"id":23330,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/23327\/revisions\/23330"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/media\/23329"}],"wp:attachment":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=23327"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=23327"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=23327"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}