Prädiktive Optimierung Für Mode
Mode wird von Neuheiten angetrieben. Eine Modemarke muss das richtige Produkt zum richtigen Zeitpunkt, zum richtigen Preis und mit genau der Menge an Lagerbestand, die gerade ausreicht, um den Markt zu bedienen, entwerfen und pushen. Danach werden Promotionen erst eingesetzt, um die Nachfrage zu verstärken, und zweitens, um überschüssige Bestände zu liquidieren. Lokad bietet eine statistische Softwarelösung, die in jeder Phase des Produktlebenszyklus – von der Entstehung bis zur Liquidation – prädiktive Optimierung liefert. Unsere Technologie vereint genau das, was Mode so unglaublich herausfordernd macht: allgegenwärtige Kannibalisierungen und Substitutionen, unberechenbare Trends und Saisonalitäten, endlose Ströme neuer Produkte, hochdynamische Preise usw.
Herausgeberhinweis: Der folgende Inhalt gilt nicht für Hard Luxury, das ganz anderen Regeln und Beschränkungen unterliegt. Weitere Informationen finden Sie unter Predictive Optimization for Hard Luxury.
Vizions by Zalando: Europas erste Plattformkonferenz, 20. April 2017 Berlin
Beginnen wir mit einer unschuldigen Frage. Warum, denkst du, gibt es Sales? Heutzutage sind Winter Sales, Summer Sales und zahlreiche kleinere Aktionen dazwischen vor allem in der Modebranche Institution. (...) Aber warum gibt es sie überhaupt? Sie existieren, um Einzelhändlern zu ermöglichen, Überbestände loszuwerden. Ursprünglich sind Sales ein Zeichen für eine fehlgeschlagene Prognose. Man könnte argumentieren, dass sie heute weit mehr sind als das. Sicher, aber das ursprüngliche Ziel bleibt weiterhin bestehen.
Joannes Vermorel, Gründer von Lokad
LOKAD TV
Werfen Sie einen Blick auf unsere Interviews bei Lokad TV und erfahren Sie mehr über Supply Chain und Mode.
End-to-end-Optimierung über den gesamten Produktlebenszyklus
Phase 1 - Vor-Kollektion
Viele Modemarken bringen pro Kollektion tausende neue Referenzen auf den Markt – unter Berücksichtigung von Größen, Farben, Verkaufsstellen usw.
Im letzten Jahrzehnt haben die erfolgreichsten Marken ihre Fähigkeit unter Beweis gestellt, sich immer mehr an den neuesten Trends zu orientieren, ihre Anzahl an Kollektionen pro Jahr zu erhöhen und ihre Vorlaufzeiten zu verkürzen.
Lokads prädiktive Optimierungstechnologie nimmt jede einzelne Entscheidung im gesamten Lebenszyklus jedes Produkts der Marke in Angriff. Unsere Technologie ist eine Mischung aus Machine Learning – das dazu verwendet wird, Muster oder Vorhersagen aus den Daten zu extrahieren – und numerischer Optimierung, die dazu dient, optimierte Entscheidungen zu generieren.
Die Vorbereitung der neuen Kollektion beginnt mit der Bereitstellung einer Assortment Optimization – auch als Sortimentsplan bezeichnet. Die Lokad-Technologie ermöglicht es Ihnen, auf Basis der ursprünglichen Entwürfe das passende Sortiment an Größen, Farben und Formen zusammenzustellen. Dieser Sortimentsplan soll so genau wie möglich den Wünschen und Erwartungen Ihrer Kundschaft entsprechen. Lokad kann Ihnen helfen, den Business Case zu erstellen, der den Sortimentsplan unterstützt, und bietet Planern die Möglichkeit, den Plan mit ihren strategischen Erkenntnissen zu verfeinern – anstatt jede einzelne Produktvariante mikromanagen zu müssen.
Sobald der Sortimentsplan finalisiert ist, liefern wir eine Purchasing Optimization, die genau vorschlägt, wie viele Einheiten von jeder einzelnen Produktvariante produziert oder eingekauft werden sollten – und auch, wann bestellt werden sollte. Natürlich wurden die meisten Produkte noch nie verkauft. Diese Aufgabe wird typischerweise durch mehrere MOQ (Mindestbestellmengen)-Beschränkungen, Mengenrabatte sowie unterschiedliche Vorlaufzeiten (z. B. verlangsamt das chinesische Neujahr die Produktion in Asien) erschwert. Lokad kann zudem den Transportmix optimieren (z. B. Seefracht vs. Luftfracht) und den Lieferantenmix (z. B. Überseelieferanten vs. lokale Lieferanten).
Als Beispiel kann unser MOQ-Solver mehrere sich überschneidende MOQ-Beschränkungen bewältigen: Es kann eine MOQ auf Produktebene geben (z. B. ein Minimum von 100 Einheiten pro Produkt für jede Bestellung), eine weitere MOQ auf Stoffebene (z. B. ein Minimum von 3000 Metern Stoff pro Farbe) und eine abschließende MOQ auf Lieferantenebene (z. B. ein Mindestbestellwert von 50.000 $ pro Bestellung). All diese MOQs zu berücksichtigen, während die Lagerbestände kontrolliert werden, ist ein großes Problem, wenn MOQs manuell verarbeitet werden. Lokad optimiert den Prozess vollständig durch numerische Solver, die es ermöglichen, die profitabelste Bestellung zu identifizieren, die alle gegebenen Beschränkungen erfüllt.
Phase 2 - nach dem Kollektion-Launch
Wenn der Kollektion-Launch bevorsteht, liefern wir eine Stock Allocation Optimization, die genau festlegt, wie viele Einheiten jedem Distributionszentrum und/oder jedem Geschäft zugeordnet werden sollen. Im Geschäft dient der Lagerbestand zwei Zwecken: Er soll nicht nur die Nachfrage bedienen, sondern auch die Kundschaft im Geschäft anziehen. Die Allocation Optimization berücksichtigt dabei auch den Aspekt des Merchandisings, um das Potenzial jedes Geschäfts optimal auszuschöpfen. Die Optimierung berücksichtigt sowohl Lagerkapazitätsbeschränkungen (z. B. Regalfläche) als auch die begrenzte Kapazität der Außenteams, um mit großen Wareneingängen umzugehen. Bündel und Losgrößen – die hilfreich sind, um die Handhabungskosten zu senken – werden ebenfalls berücksichtigt.
Um den neuesten Trends zu folgen, identifizieren wir Bestseller und Slow-Mover. Die Identifikation der Bestseller, die dazu dienen sollen, eine frühzeitige Nachlieferung anzustoßen, kann mit begrenzten Lagerbeständen erfolgen, indem der Markt in einer begrenzten Anzahl von Geschäften – möglicherweise ausschließlich über die E-Commerce-Plattform – sondiert wird. Umgekehrt ist auch die frühzeitige Identifikation von Slow-Movern wichtig, um jene Produkte so schnell wie möglich aus den Regalen zu entfernen, die auf Kosten besserer Produkte Platz einnehmen.
Für die meisten Fast-Fashion-Marken gehören Rabatte und andere Promotion-Mechanismen zur DNA der Marke. Lokad bietet Pricing Optimization-Funktionalitäten, die vorschlagen, wann der Preis gesenkt werden sollte, um sicherzustellen, dass am Ende der Kollektion nichts übrig bleibt, während gleichzeitig die Gesamthöhe der Bruttomarge maximiert wird.
Wir berücksichtigen auch Rabatte, die aus Treueprogrammen stammen – einheitlich auf viele Produkte angewendet – die Rabatte auf Produktebene ersetzen oder ergänzen können.
Assortment Optimization, Purchasing Optimization, Stock Allocation Optimization, Identifikation von Bestsellern und Slow-Movern, Pricing Optimization: Lokad kann verwendet werden, um all diese Entscheidungen – und mehr – aus einer konsistenten End-to-End-Perspektive auf den gesamten Produktlebenszyklus zu optimieren. Es ist jedoch auch möglich, in kleinem Rahmen mit einem engeren Fokus zu beginnen. Bei Fragen senden Sie uns eine E-Mail an contact@lokad.com
Mode erfordert unkonventionelle Nachfrageprognosen
Die Optimierung von Entscheidungen, die Lagerbestände und Preise betreffen, erfordert präzise Einblicke in die Zukunft. Allerdings erweist sich die klassische Perspektive der Nachfrageprognose in der Modebranche meist als dysfunktional. Daher hat Lokad einzigartige Prognosefähigkeiten entwickelt, die im Kern um die Herausforderungen herum konzipiert wurden, denen Modeunternehmen gegenüberstehen.
Wir arbeiten mit probabilistischen Prognosen: Wir berücksichtigen alle möglichen Zukünfte und berechnen deren jeweilige Wahrscheinlichkeiten. Tatsächlich ist die Nachfrageunsicherheit in der Modebranche irreduzibel. Es gibt keine Hoffnung, eine „perfekte“ Prognose zu erstellen. Traditionelle Methoden erwarten, dass Entscheidungen auf Basis der einen Prognose getroffen werden, was diese Entscheidungen anfällig für Prognosefehler macht.
Anstatt die Unsicherheit zu verwerfen, nehmen wir sie in den Arm. Durch probabilistische Prognosen balancieren wir Risiken und Chancen aus.
Die Prognosen erfolgen auf Sortimentsniveau, um die Kannibalisations- und Substitutionseffekte zu berücksichtigen. Die Prognose der Nachfrage eines Produkts in Isolation ist bedeutungslos, da die Nachfrage nach diesem Produkt stark von der Präsenz – oder dem Fehlen – ähnlicher Produkte beeinflusst wird, die alle um dieselben Kunden konkurrieren. Traditionelle Methoden, die sich auf Zeitreihenprognosen konzentrieren, verpassen diesen Punkt vollständig, und die Situation verschlechtert sich in der Regel, wenn zusätzlich Sicherheitsbestände oder Servicelevels herangezogen werden.
Die Nachfrage ist durch das Pricing bedingt, das ein integraler Bestandteil unserer Prognose ist. Nicht nur ist die zukünftige Nachfrage eine Frage der Wahrscheinlichkeiten, sondern diese Wahrscheinlichkeiten werden auch durch den Preis des Produkts beeinflusst – ein handelbarer Hebel, der dem Unternehmen zur Verfügung steht.
Noch einmal: Das Sortiment spielt eine Rolle, und der Anstieg der Nachfrage hängt von der gesamten Promotion-Intensität ab. Es ist unklug zu erwarten, dass der gleiche Anstieg eintritt, wenn das Produkt das einzige ist, das im Geschäft beworben wird, im Vergleich zu einer Promotion, die auf das gesamte Geschäft angewendet wird. Prognosen enden nicht nur bei der Nachfrage; auch Retouren und Vorlaufzeiten müssen prognostiziert werden.
Jede Quelle der Unsicherheit erfordert angemessene statistische Prognosen, und obwohl die zukünftige Nachfrage zentral ist, gibt es Bedürfnisse, die über die Nachfrageprognose hinausgehen, weshalb wir unsere Technologie entsprechend entwickelt haben. Diese Prognosen sind ebenfalls in der Regel probabilistisch und werden häufig mit den Nachfrageprognosen kombiniert – z. B. die Prognose der Nachfrage über die Vorlaufzeit. Die neueste Generation unserer Prognosetechnologie basiert auf differenzierbarem Programmieren. Dieser Ableger des Deep Learning eignet sich besonders gut, um mit dünn besetzter und intermittierender Nachfrage umzugehen, wie sie in der Modebranche üblich ist.
Was ist mit Wetter und Social Media?
Unsere Erfahrung zeigt, dass die meisten Unternehmen ihre eigenen „grundlegenden“ historischen Daten dramatisch unternutzen. Die meisten Nachfrageprognosen nutzen nicht einmal die Kundentreuedaten, und die meisten Bestellungen werden ohne eine formelle Vorlaufzeitprognose aufgegeben. Daher sind wir überzeugt, dass Unternehmen zunächst das Beste aus den Daten machen sollten, die sie bereits haben, auch wenn wir externe Datenquellen wie Social Media oder Wetterdaten nicht außer Acht lassen.
Skalierung zur Bewältigung der Herausforderung
Mode im großen Stil umfasst Hunderte von Geschäften und zehntausende Varianten. Daher muss die Prognose-Engine in der Lage sein, auf Millionen von SKU-Positionen zu skalieren. Unsere Prognose-Engine wurde nativ für Cloud Computing entwickelt. Im Gegensatz zu traditionellen Lösungen ist die Cloud für Lokad kein nachträglicher Gedanke: Lokad kann täglich Terabytes an Daten verarbeiten.
Zusätzlich beruht unsere Prognosefähigkeit, im Gegensatz zu traditionellen Ansätzen, nicht darauf, ältere und neuere Produkte manuell zu verknüpfen, indem dem System mitgeteilt wird, welches ältere Produkt als das relevanteste für die Prognose des neuen Produkts angesehen werden soll.
Stattdessen verlässt sich unsere Prognose-Engine ausschließlich auf fortschrittliche Machine-Learning-Algorithmen, um automatisch die Ähnlichkeiten, die zwischen Produkten bestehen können, zu erkennen und eigenständig zu ermitteln, welche spezifischen Produkte für die Prognose eines neuen Produkts in der Kollektion relevant sind.
Diese automatische Erkennung von Ähnlichkeiten basiert auf den zahlreichen Produkteigenschaften, die typischerweise in der Mode vorhanden sind: Produkttyp, Produktfamilie, Größe, Farbe, Stoff, Stil, Preisklasse, Marke usw. Während man sich über die benötigte Datenmenge Gedanken machen könnte, zeigt unsere Erfahrung bei Lokad, dass Katalogdaten, wie sie beispielsweise für den Betrieb der Facetten eines E-Commerce-Frontends existieren, in der Regel ausreichen, um gute Ergebnisse zu erzielen.
Traditionelle Prognoselösungen, die auf manueller Zuordnung zwischen Produkten basieren, sind zu zeitaufwändig, um effektiv zu sein – es gibt zu viele Paare zu berücksichtigen – da gerade die Paarbildung der Hauptbestandteil der Prognosen ist.
Aufgrund der Ineffektivität dieser Methode neigen Unternehmen dazu, zu ihren Tabellenkalkulationen zurückzukehren, da die manuelle Paarungslösung zur Prognose den notwendigen Mehrwert nicht liefert. Lokad geht die Herausforderung direkt an, indem es sich auf die wesentliche Schwierigkeit des Problems konzentriert, anstatt die Last auf die Nutzer abzuwälzen.
Bei Lokad hingegen, obwohl wir diesen Prognoseprozess als Produktpaarung bezeichnen können, nehmen wir nicht an, dass es eine 1-zu-1-Zuordnung zwischen Produkten aus einer alten und einer neuen Kollektion gibt. Beispielsweise kann ein Produkt in mehrere Varianten aufgeteilt werden, was zu Kannibalisierungseffekten führen kann. Dann könnte ein anderes Produkt tatsächlich „neu“ sein, ohne eng verwandte frühere Produkte. In einem solchen Fall greift die Prognose-Engine auf weiter gefasste Überlegungen zurück, wie etwa die Produktkategorie, Produktfamilie, Marke oder Preisklasse.
Ökonomische Treiber und Whiteboxing
Entscheidungen müssen hinsichtlich ihrer erwarteten Erträge, ausgedrückt in Dollar oder Euro und nicht in Prozent, optimiert werden.
Alle Faktoren, die die Kosten und den Ertrag einer Entscheidung beeinflussen, werden zusammenfassend als ökonomische Treiber bezeichnet: Dazu gehören die Bruttomarge, Lagerhaltungskosten, Transportkosten, Opportunitätskosten des Regalplatzes, Kundenbindung usw. Lokad modelliert explizit alle diese ökonomischen Treiber unter Berücksichtigung der Besonderheiten des Modemarktes.
Beispielsweise weckt der Verkauf eines Produkts mit einem Rabatt die Erwartung beim Kunden, in der Zukunft von einem ähnlichen Rabatt zu profitieren.
Der erste Zweck dieser ökonomischen Treiber besteht darin, den numerischen Optimierungsprozess zu unterstützen, der die Entscheidungen (z. B. Bestellmengen oder Produkt-Rabatte) generiert. Es gibt keine Optimierung ohne Messung: Die ökonomischen Treiber sind buchstäblich das, was den Optimierungsprozess funktionieren lässt.
Lokad ist kein Ersatz für tiefgehende strategische Erkenntnisse (diese stammen aus der Expertise Ihres Teams); unsere Technologie ist lediglich darauf ausgelegt, diese strategischen Einsichten – wie sie sich durch die ökonomischen Treiber widerspiegeln – in jede einzelne Entscheidung des Unternehmens in großem Maßstab einzubringen.
Der zweite Zweck dieser Treiber ist der Whiteboxing-Prozess. Ziel des Whiteboxing-Prozesses ist es, Ihren Teams ein hohes Maß an Transparenz für jede einzelne von Lokad generierte Entscheidung zu bieten. Ihr Team muss verstehen, warum Lokad diese Entscheidung vorschlägt. Um dies zu erreichen, wird jeder von Lokad generierten Entscheidung ein eigener Satz von Kennzahlen beigefügt – gemessen in Euro oder Dollar –, der den geschäftlichen Hintergrund der Entscheidung erklärt. Diese Kennzahlen sind die unterschiedlichen Erscheinungsformen der ökonomischen Treiber. Unsere Erfahrungen zeigen, dass dieser Ansatz dem Versuch überlegen ist, das algorithmische Kleingedruckte der Berechnung zu erläutern, was nicht nur unglaublich mühsam, sondern auch weitgehend unsinnig ist – es sei denn, man ist Experte für maschinelles Lernen oder numerische Optimierung.
Aus Managementsicht sind ökonomische Treiber ein leistungsstarkes Instrument, um das Unternehmen in die richtige Richtung zu lenken. Diese Treiber werden nicht als „unveränderlich“ angesehen, sondern sind tatsächlich ständig veränderbar, um die Entwicklung des Marktes zu widerspiegeln. Die Technologie von Lokad ist darauf ausgelegt, ein hohes Maß an Agilität zu bieten: Mit begrenztem Aufwand ist es möglich, komplexe What-if-Szenarien zu entwickeln, die verschiedene alternative Strategien darstellen.