cat fallstudie-grosshandel.md
16 % weniger Lagerbestand bei gleicher Lieferbereitschaft.
Echte Verkaufsdaten eines Großhändlers, 1.016 Artikel, wöchentliche Bestellung bei 2 Wochen Lieferzeit. Ein Machine-Learning-Modell gegen die Verfahren aus Excel und ERP, rückwirkend über ein halbes Jahr inklusive Weihnachtsgeschäft.
Die Daten
Der Datensatz Online Retail II (UCI Machine Learning Repository) enthält alle Rechnungspositionen eines britischen Großhändlers für Geschenkartikel aus zwei Jahren, Dezember 2009 bis Dezember 2011. Viele Kunden sind selbst Händler. Das sind dieselben Daten, die in jedem ERP liegen: Artikel, Menge, Preis, Datum.
Die Frage: Ein Disponent bestellt jede Woche nach. Wie viel Kapital bindet ein besseres Prognosemodell weniger, ohne dass die Lieferfähigkeit leidet?
So wurde verglichen
- Daten bereinigen
Nettomenge je Artikel und Woche. Stornos werden verrechnet, Porto, Gebühren und Korrekturbuchungen entfernt. Ausgewählt sind 1.016 regelmäßig verkaufte Artikel, ausschließlich anhand der Daten vor dem Test.
- Bisherige Verfahren nachbauen
Gleitender Durchschnitt über 8 Wochen (typisch für Excel), exponentielle Glättung (Standard in vielen ERP-Systemen) und „gleiche Wochen im Vorjahr × aktueller Trend“.
- Modell trainieren
Ein Gradient-Boosting-Modell (LightGBM) über alle Artikel. Es lernt aus Verkaufsverlauf, Anzahl der Bestellungen, Vorjahresverlauf, Preis und Kalenderwoche. Alle vier Wochen wird nachtrainiert.
- Disposition simulieren
26 Wochen lang bestellt jedes Verfahren auf Basis seiner eigenen Prognose nach, inklusive Sicherheitsbestand aus den eigenen bisherigen Prognosefehlern. Jede Prognose kennt nur die Daten bis zur jeweiligen Bestellung. Der Sicherheitsbestand wird so eingestellt, dass alle Verfahren dieselbe Lieferbereitschaft erreichen. Verglichen wird dann der durchschnittliche Lagerwert.
Lagerbestand bei gleicher Lieferbereitschaft
Testzeitraum 6. Juni – 4. Dezember 2011. Lagerwert zu Verkaufspreisen in Pfund, da der Händler in Großbritannien sitzt. Für den Vergleich der Verfahren spielt die Währung keine Rolle.
| Verfahren | Prognosefehler (WAPE) | Bestand @ 90 % | Bestand @ 95 % | Bestand @ 98 % |
|---|---|---|---|---|
| Gleitender Durchschnitt (8 Wochen) | 51,8 % | £ 454.000 | £ 866.000 | £ 2.064.000 |
| Exponentielle Glättung (α = 0,2) | 50,6 % | £ 446.000−2 % | £ 782.000−10 % | £ 1.510.000−27 % |
| Vorjahr × Trend | 69,8 % | £ 722.000+59 % | £ 1.128.000+30 % | £ 2.036.000−1 % |
| LightGBM (global) | 45,8 % | £ 394.000−13 % | £ 725.000−16 % | £ 1.471.000−29 % |
Prozentwerte: Veränderung gegenüber dem gleitenden Durchschnitt.
Was das Ergebnis aussagt und was nicht
- Je höher die Lieferbereitschaft, desto größer der Hebel. Gegenüber dem gleitenden Durchschnitt sinkt der Bestand um 13 % bei 90 % und um 29 % bei 98 % Lieferbereitschaft.
- Gegenüber exponentieller Glättung ist der Abstand kleiner. Je nach Lieferbereitschaft 3 bis 12 % weniger Bestand. Wer im ERP bereits sauber glättet, hat einen Teil des Potenzials schon gehoben.
- Großhandelsnachfrage bleibt sprunghaft. Auch das beste Verfahren liegt bei rund 46 % Prognosefehler. Einzelne Großaufträge sind aus der Historie kaum vorherzusagen und treiben den Sicherheitsbestand.
- „Vorjahr × Trend“ schneidet am schlechtesten ab. Großaufträge aus dem Vorjahr werden einfach in die Zukunft kopiert.
- Ihre Daten sind nicht diese Daten. Bei Ihnen kann das Ergebnis besser oder schlechter ausfallen. Genau das klärt der Backtest auf Ihrer Historie, bevor Sie etwas investieren.
Dasselbe auf Ihren Daten
Sie brauchen dafür nur einen Export aus Ihrem ERP oder Ihrer Warenwirtschaft: Artikel, Menge, Datum, idealerweise zwei Jahre. Im kostenlosen Datencheck sehen Sie, ob sich ein Modell lohnt. Im Backtest sehen Sie dann schwarz auf weiß, wie viel Bestand es bei Ihrer Lieferbereitschaft spart, gemessen gegen Ihr aktuelles Verfahren.
Kostenloser Datencheck
Erzählen Sie mir, wie Sie heute disponieren und welche Daten vorliegen. Sie bekommen eine ehrliche Einschätzung, ob sich ein Modell lohnt.