Bestandsprognose für die Modebranche

Bestandsprognose für die Modebranche


Startseite » Kundenreferenzen » Hier

Die Bedarfsprognose in der Modebranche ist besonders komplex, so sind viele Fachkräfte der Ansicht, keine Software funktioniere zur Zufriedenheit in diesem Zweig. Wir sind mit ihnen „fast“ einverstanden, da Lokad die Ausnahme sein könnte, die die Regel bestätigt. Bei Lokad haben wir einen Prognose-Engine entwickelt, der nativ für die Kollektionen der Modebranche geschaffen ist. Wir stellen Prognosen für Produkte dar, die nie zuvor verkauft wurden und unsere Technik hängt nicht von manuellen Produktkopplung ab. Außerdem werden auch verschiedene Schwierigkeiten bezüglich Lieferketten, wie lange Durchlaufzeiten und MOQs (Mindestbestellmengen) nativ unterstützt.

Kollektionen und Produktkopplung

Lokads Prognosetechnik ist einzigartig auf die in der Modebranche beobachteten Bedarfsmuster abgestimmt. In dieser Branche erhalten Kollektionen, die in erster Linie kurzlebige Produkte beinhalten, eine besondere Aufmerksamkeit, was die Prognose betrifft. Lokads Prognose-Engine ist in der Lage, den Bedarf eines neuen Produkts zu prognostizieren, oder in anderen Worten, eines Produkts, das noch nie zuvor verkauft wurde, rein auf Grundlage von historischen Absatzdaten vergangener Kollektionen.

Im Gegensatz zu den herkömmlichen Ansätzen, ist es hierfür nicht nötig, ältere und neure Produkte manuell zuzuordnen, indem man dem System erklärt, welche Produkte für die Prognose der neuen Produkte am relevantesten sind. Stattdessen verlässt sich unser Prognose-Engine exklusiv auf erweiterte Algorithmen maschinellen Lernens, um automatisch mögliche Ähnlichkeiten zwischen verschiedenen Produkten zu erkennen und von selbst festzustellen, welche bestimmte Produkte für die Prognose eines neuen Produkts in der Kollektion relevant sind.

Diese automatische Erkennung von Ähnlichkeiten stützt sich auf die zahlreichen Produktattribute, die gewöhnlich in der Modeindustrie vorhanden sind: Produkttyp, Produktfamilie, Größe, Farbe, Material, Eckpreise, Marke, usw. Was die Menge der erforderlichen Daten betrifft, reichen unserer Erfahrung nach die Katalogdaten aus, die zur Bedienung eines E-Commerce Front-Ends vorhanden sind, um gute Ergebnisse zu erzielen.

Herkömmliche Prognoselösungen, die auf die manuelle Zuordnung von Produkten zurückgreifen, sind zu zeitaufwändig, um effektiv zu sein, denn es gibt zu viele Paare, die berücksichtigt werden müssen. Genau diese Zuordnung ist die Hauptaufgabe der Prognose. Doch aufgrund der geringen Effektivität dieser Methoden, tendieren Unternehmen dazu, bei Ihren Tabellen zu bleiben, weil die manuelle Zuordnung nicht die nötigen Werte liefert. Bei Lokad nähern wir uns der Herausforderung direkt an, indem wir auf die Hauptschwierigkeiten konzentrieren, statt sie den Benutzern aufzubürden.

Obwohl wir uns bei Lokad auf diesen Prognoseprozess als Produktkopplung beziehen können, gehen wir nicht davon aus, dass eine eins zu eins Zuordnung zwischen den Produkten der alten und der neuen Kollektion besteht. So kann beispielsweise ein Produkt in mehrere Variante unterteilt werden, die zu Kannibalisierungen führen können. Dann kann ein weiteres Produkt wirklich „neu“ sein, ohne ähnliche vergangene Produkte, die ihm zugeordnet werden können. In solchen Fällen, greift der Prognose-Engine auf breitere Zusammenhänge, wie Produktkategorie, -Familie, Marke oder Eckpreise.

Erweiterte Prognosemodelle, die Zusammenhänge zwischen Artikeln nutzen, sind ein Muss für Unternehmen der Modebranche, da sie bereits über viele korrelierende Daten verfügen.

Lange Durchlaufzeiten und Bedingungen der Lieferkette

Einzelhändler der Modebranche agieren global: das Land, in dem die Artikel hergestellt werden, stimmt gewöhnlich nicht mit dem überein, in dem sie verkauft werden. Durchlaufzeiten sind oft lang und schwankend und genau Lokads Prognose-Engine unterstützt nativ die Prognose von Durchlaufzeiten. So werden diese Prognosen, sowie auch die Prognose der Kollektionen bei Lokad vorrangig behandelt und verfügen über bestimmte Muster. Man weiß, dass das Chinesische Neue Jahr jährlich oft zusätzliche 2 bis 4 Wochen Produktionsverzögerung für China bringt. Und solche Muster, sowie viele andere auch, werden von Lokads Prognose-Engine gehandhabt.

Zusätzlich treten in Lieferketten in der Moderbranche viele weitere numerische Bedingungen auf: MOQs (Mindestbestellmengen) und Containerchargen sind wahrscheinlich die häufigsten davon. Prognosen, die keine Bedingungen berücksichtigen, sind dabei unzulänglich, denn im Falle dass die von der Prognose vorgeschlagenen Mengen nicht mit den Bedingungen übereinstimmen, kann keine Bestellung abgegeben werden, zumindest keine sinnvolle. Lokad bietet dabei native Unterstützung für eine unglaubliche Vielfalt an Kaufbedingungen, die in der Modebranche vorkommen. Außerdem haben wir genau für diese Bedingungen eine Reihe numerischer Löser entwickelt.

So kann unser MOQ-Löser verschiedene sich überlappende MOQ-Bedingungen berücksichtigen: Es könnte sein, dass eine MOQ auf Produktebene herrscht (wie etwa mindestens 100 Einheiten pro Produkt bei jeder Bestellung), und eine weitere MOQ auf Stoffebene (etwa mindestens 3000 Meter Stoff pro Farbe), und zuletzt noch eine MOQ auf Lieferantenebene (wie Ware mit einem Mindestwert von 50.000 € pro Bestellung). Die Berücksichtigung dieser MOQs bei der Kontrolle des Bestands ist besonders aufwändig, wenn sie manuell erfolgen soll. Lokad vereinfacht diesen Prozess über numerische Löser, durch die Sie die rentabelste Zusammenstellung einer Bestellung erkennen, die alle Bedingungen einhält.

Lokads Plattform bietet Programmierkapazitäten, die eine Integration der Unternehmenstreiber in die Lösung ermöglichen, während auch die Bedingungen bezüglich der Lieferkette berücksichtigt werden. Die Unternehmenstreiber stellen alle Wirtschaftsvariablen dar, die Ihr Unternehmen positiv oder negativ beeinflussen können: Bruttogewinnspanne, Lagerhaltungskosten, durch Fehlbestände verursachte Kosten, usw. Während das Wort „Programmierung“ auf den ersten Blick etwas technisch und unheimlich erscheinen mag, muss man bedenke, dass die Modebranche sehr subtil ist: so macht es manchmal wenig Sinn einen Artikel zu verkaufen, wenn kein entsprechendes Zubehör vorhanden ist. Folglich ist für die Sammlung von Erkenntnissen eine Plattform notwendig, die mit praktisch jeder Art von Einblicken in das Unternehmen funktionieren kann. Dabei scheitern Buttons und Aufklappmenüs systematisch in Modeunternehmen, wenn es um die voraussagende Optimierung von Lieferketten geht. Lokad hingegen packt das Problem über eine spezifische Programmiersprache an.

Wenn Ihre Prognoselösung über keine Programmierkapazitäten verfügt, kann Ihre Lösung weniger als Excel.
Kann sich Ihr Unternehmen weniger als Excel leisten?

Skalierung auf hunderte Geschäfte

Mode im großen Maßstab bezieht sich auf hunderte Geschäfte und tausende Varianten. Der Prognose-Engine muss daher nicht nur in der Lage sein, bis zu Millionen von SKUs zu berücksichtigen, sondern auch schnell genug sein, sodass Berechnungen auch zehnmal täglich, falls nötig, ausgeführt werden können, während die Annahmen für die neue Kollektion angepasst, überprüft und korrigiert werden. Und gerade weil Modeunternehmen nur einen Versuch pro Kollektion haben - da die anfängliche Bestellung auch nur einmal angepasst werden kann - ist eine besondere Geschwindigkeit für den Prognose-Engine erforderlich.

Unser Prognose-Engine wurde nativ für Cloud Computing entwickelt. Im Gegensatz zu herkömmlichen Lösungen, ist die Cloud kein nachträglicher Einfall bei Lokad: Wenn uns Daten zugesandt werden, ordnet unser System automatisch Computing-Ressourcen auf der Cloud zu und gibt die Ergebnisse so schnell wie möglich zurück, wenn die Berechnungen durchgeführt wurden. Für ein Modeunternehmen erheblicher Größe kann dies bedeuten, dass hunderte Server innerhalb von Minuten bereitgestellt werden. Die automatische Skalierung, oder in anderen Worten, die dynamische Bereitstellung von Computing-Ressourcen ist somit ein ausschlaggebender Bestandteil des Prognose-Engines. Und genau auf diese Art, kann Lokad Terabytes von Daten in unter einer Stunde verarbeiten.

Vor einigen Jahren wurde Lokad zum ersten Unternehmen, das bei Microsoft für die Nutzung der Computing-Ressourcen auf Azure pro Minute abrechnet. Denn auch wenn die Leistung für die Verarbeitung von hunderten Geschäften wünschenswert ist, könnendie Kosten für Cloud Computing erstaunlich sein. Lokad hält die eigenen Kosten für Cloud Computing durch eine strenge Deallokation der Computing-Ressourcen, sobald Berechnungen durchgeführt wurden, im Griff. Für Modeunternehmen bedeutet diese Besonderheit von Lokads Technik, eine erhebliche Senkung der Betriebskosten, besonders weil die Prognosen in der Modebranche, im Einklang mit den Kollektionen, gewöhnlich saisonabhängig sind.