Prädiktive Optimierung für Mode
Mode wird von Neuheiten getrieben. Eine Modemarke muss das richtige Produkt zur richtigen Zeit, zum richtigen Preis und mit genau der Lagerbestandsmenge entworfen und angeboten werden, die gerade ausreicht, um den Markt zu bedienen. Anschließend werden Promotionen zunächst eingesetzt, um die Nachfrage zu verstärken, und zweitens, um eventuelle überschüssige Bestände zu liquidieren. Lokad bietet eine statistische Softwarelösung, die prädiktive Optimierung in jedem Schritt des Produktlebenszyklus – von der Konzeption bis zur Liquidation – ermöglicht. Unsere Technologie umfasst genau das, was Mode so unglaublich herausfordernd macht: allgegenwärtige Kannibalisierungen und Substitutionen, unregelmäßige Trends und Saisonalitäten, unaufhörliche Fluten neuer Produkte, hochdynamische Preise usw.
Herausgeber: Der folgende Inhalt gilt nicht für Hard Luxury, das einer ganz anderen Regelung und anderen Einschränkungen folgt. Für weitere Informationen, siehe Predictive Optimization for Hard Luxury.
Vizions by Zalando: Europas erste Plattformkonferenz, 20. April 2017, Berlin
Fangen wir mit einer harmlosen Frage an. Warum, denken Sie, gibt es Schlussverkäufe? Heutzutage sind Winter Sales, Summer Sales und zahlreiche kleinere Aktionen dazwischen vor allem in der Mode eine Institution. (...) Aber warum gibt es sie überhaupt? Sie existieren, damit Einzelhändler sich von Überbeständen befreien können. Ursprünglich sind Sales der Ausdruck einer fehlgeschlagenen Prognose. Man könnte argumentieren, dass sie heute weit mehr sind als nur das. Richtig, aber das ursprüngliche Ziel bleibt dennoch bestehen.
Joannes Vermorel, Gründer von Lokad
LOKAD TV
Schauen Sie sich unsere Interviews auf Lokad TV an 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 neuer Referenzen auf den Markt – unter Berücksichtigung von Größen, Farben, Verkaufsstellen usw.
In den letzten zehn Jahren haben die erfolgreichsten Marken ihre Fähigkeit unter Beweis gestellt, sich immer stärker an den neuesten Trends zu orientieren, ihre Anzahl von Kollektionen pro Jahr zu erhöhen und ihre Vorlaufzeiten zu verkürzen.
Lokads prädiktive Optimierungstechnologie bewältigt jede einzelne Entscheidung über den gesamten Lebenszyklus jedes Produkts der Marke. Unsere Technologie ist eine Mischung aus maschinellem Lernen – das genutzt wird, um Muster oder Vorhersagen aus den Daten zu extrahieren – und der numerischen Optimierung – die eingesetzt wird, um optimierte Entscheidungen zu generieren.
Die Vorbereitung der neuen Kollektion beginnt mit der Bereitstellung einer Sortimentsoptimierung – auch als Sortimentsplan bezeichnet. Die Lokad-Technologie ermöglicht es Ihnen, das richtige Sortiment an Größen, Farben und Formen auf Basis der ursprünglichen Entwürfe zusammenzustellen. Dieser Sortimentsplan soll so eng wie möglich den Wünschen und Erwartungen Ihrer Kundschaft entsprechen. Lokad kann Ihnen dabei 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 Einkaufsoptimierung, die genau vorschlägt, wie viele Einheiten für jede einzelne Produktvariante produziert oder eingekauft werden sollten – und wann die Bestellung erfolgen sollte. Natürlich wurden die meisten Produkte noch nie zuvor verkauft. Diese Aufgabe wird typischerweise durch mehrere MOQ-(Mindestbestellmengen)-Vorgaben, Mengenrabatte sowie unterschiedliche Lieferzeiten (z. B. verlangsamt das chinesische Neujahr die Produktion in Asien) erschwert. Lokad kann auch den Transportmix (z. B. Seefracht vs. Luftfracht) und den Bezugsquellenmix (z. B. ausländische Lieferanten vs. lokale Lieferanten) optimieren.
Als Beispiel kann unser MOQ-Löser mehrere sich überschneidende MOQ-Bedingungen bewältigen: Es könnte eine MOQ auf Produktebene geben (z. B. mindestens 100 Einheiten pro Produkt für jede Bestellung), eine weitere MOQ auf Stoffebene (z. B. mindestens 3000 Meter Stoff pro Farbe) und eine abschließende MOQ auf Lieferantsebene (z. B. ein Mindestbestellwert von 50.000 $ pro Bestellung). Alle diese MOQs zu berücksichtigen und gleichzeitig die Lagerbestände unter Kontrolle zu halten, ist ein großer Aufwand, wenn die MOQs manuell verarbeitet werden. Lokad rationalisiert den Prozess vollständig durch numerische Löser, die es ermöglichen, die profitabelste Bestell-“enveloppe” zu identifizieren, die alle vorgegebenen Einschränkungen erfüllt.
Phase 2 - Nach der Kollektionseinführung
Wenn der Start der Kollektion bevorsteht, liefern wir eine Lagerzuteilungsoptimierung, die genau entscheidet, wie viele Einheiten jedem Distributionszentrum und/oder jedem Geschäft zugewiesen werden sollen. Im Geschäft hat der Lagerbestand zwei Zwecke: Er dient nicht nur der Deckung der Nachfrage, sondern zieht auch die Kundschaft an. Die Zuteilungsoptimierung berücksichtigt diesen Merchandising-Aspekt angemessen und macht das Beste aus jedem Geschäft. Die Optimierung beachtet Lagerkapazitätsgrenzen (z. B. Regalfläche) sowie die begrenzte Kapazität der Mitarbeiter vor Ort, große Wareneingänge zu bewältigen. Bündel und Lose – die nützlich sind, um Handlingkosten zu senken – werden ebenfalls berücksichtigt.
Um den neuesten Trends gerecht zu werden, identifizieren wir Bestseller und Ladenhüter. Die Identifikation der Bestseller, die dazu gedacht ist, frühzeitige Nachbestellungen anzustoßen, kann mit begrenzten Lagerbeständen erfolgen, indem der Markt nur in einer begrenzten Anzahl von Geschäften – möglicherweise ausschließlich über die E-Commerce-Plattform – sondiert wird. Im Gegensatz dazu ist die frühzeitige Identifikation von Ladenhütern ebenfalls wichtig, um jene Produkte so schnell wie möglich aus den Regalen zu entfernen, die zu Lasten besserer Produkte Platz beanspruchen.
Bei den meisten Fast-Fashion-Marken gehören Rabatte und andere Werbemaßnahmen zur DNA der Marke. Lokad bietet Preisoptimierung-Fähigkeiten, die vorschlagen, wann der Preis gesenkt werden sollte, um sicherzustellen, dass am Ende der Kollektion keine überschüssigen Bestände übrig bleiben, während gleichzeitig die gesamte Bruttomarge maximiert wird
Wir berücksichtigen auch Rabatte, die aus Treueprogrammen stammen – die einheitlich auf viele Produkte angewendet werden – und die Rabatte auf Produktebene ersetzen oder ergänzen können.
Sortimentsoptimierung, Einkaufsoptimierung, Lagerzuteilungsoptimierung, Identifikation von Bestsellern und Ladenhütern, Preisoptimierung: Lokad kann eingesetzt werden, um all diese Entscheidungen – und mehr – mit einer konsistenten End-to-End-Perspektive auf den vollständigen Lebenszyklus der Produkte zu optimieren. Es ist jedoch auch möglich, zunächst mit einem enger gefassten Anwendungsbereich zu beginnen. Bei Fragen senden Sie uns eine E-Mail an contact@lokad.com
Fashion erfordert unkonventionelle Nachfrageprognosen
Die Optimierung von Entscheidungen, die Lagerbestände und Preise betreffen, erfordert präzise Einblicke in die Zukunft. Die herkömmliche Perspektive der Nachfrageprognose erweist sich jedoch im Bereich der Mode meist als unbrauchbar. Deshalb hat Lokad einzigartige Prognosefähigkeiten entwickelt, die von Grund auf auf die Herausforderungen von Modeunternehmen ausgerichtet sind.
Wir arbeiten mit wahrscheinlichkeitsbasierten Prognosen: Wir betrachten alle möglichen Zukünfte und berechnen deren jeweilige Wahrscheinlichkeiten. Tatsächlich ist die Unsicherheit der Nachfrage in der Mode unreduzierbar. Es gibt keine Hoffnung, eine „perfekte“ Prognose zu erstellen. Traditionelle Methoden erwarten, dass Entscheidungen auf Grundlage der „einen“ Prognose getroffen werden, was diese Entscheidungen anfällig für Prognosefehler macht.
Anstatt Unsicherheit abzutun, nehmen wir sie an. Durch wahrscheinlichkeitsbasierte Prognosen balancieren wir Risiken und Chancen aus.
Die Prognosen werden auf Sortimentsniveau durchgeführt, um die Kannibalisations- und Substitutionseffekte zu berücksichtigen. Die eigenständige Prognose der Nachfrage eines Produkts ist sinnlos, da die Nachfrage für dieses Produkt stark von der Präsenz – oder Abwesenheit – ähnlicher Produkte beeinflusst wird, die alle um dieselben Kunden konkurrieren. Traditionelle Methoden, die sich auf Zeitreihenprognosen konzentrieren, verpassen diesen Punkt völlig, und die Situation verschlechtert sich in der Regel, wenn zusätzlich Sicherheitsbestände oder Servicelevels verwendet werden.
Die Nachfrage ist preisabhängig, was einen integralen Bestandteil unserer Prognose darstellt. Nicht nur ist die zukünftige Nachfrage eine Frage der Wahrscheinlichkeiten, sondern diese Wahrscheinlichkeiten werden auch durch den Preis des Produkts beeinflusst – ein handlungsrelevanter Hebel, der dem Unternehmen zur Verfügung steht.
Nochmals: Das Sortiment spielt eine Rolle, und der Nachfrageanstieg hängt von der gesamten Promotionintensität ab. Es ist unklug, denselben Anstieg zu erwarten, wenn das Produkt das einzige ist, das im Geschäft beworben wird, im Vergleich zu einer Aktion, die auf das gesamte Geschäft angewendet wird. Prognosen enden nicht nur bei der Nachfrage; auch Retouren und Lieferzeiten müssen prognostiziert werden.
Jede Quelle von Unsicherheit erfordert präzise statistische Prognosen, und obwohl die zukünftige Nachfrage im Mittelpunkt steht, gibt es Bedürfnisse, die über die reine Nachfrageprognose hinausgehen, weshalb wir unsere Technologie entsprechend entwickelt haben. Diese Prognosen sind in der Regel ebenfalls probabilistisch und werden typischerweise mit den Nachfrageprognosen kombiniert – z. B. bei der Prognose der Nachfrage über die Lieferzeit. Die neueste Generation unserer Prognosetechnologie basiert auf differenzierbarem Programmieren. Dieser Ableger des Deep Learnings ist besonders geeignet, um mit spärlicher und intermittierender Nachfrage umzugehen, wie sie in der Modebranche häufig beobachtet wird.
Was ist mit Wetter und sozialen Medien?
Unsere Erfahrung zeigt, dass die meisten Unternehmen ihre eigenen „einfachen“ historischen Daten dramatisch unterausnutzen. Die meisten Nachfrageprognosen greifen nicht einmal auf die Kundentreuedaten zurück, und die meisten Bestellungen werden ohne eine formelle Lieferzeitprognose aufgegeben. Daher sind wir zwar offen dafür, Hinweise aus externen Datenquellen wie sozialen Medien oder Wetterdaten zu nutzen, sind jedoch fest davon überzeugt, dass Unternehmen damit beginnen sollten, das Beste aus den Daten herauszuholen, die sie bereits besitzen.
Skalierung, um der Herausforderung gerecht zu werden
Mode im großen Maßstab umfasst Hunderte von Geschäften und Zehntausende von Varianten. Daher muss die Prognose-Engine in der Lage sein, auf Millionen von SKU-Positionen zu skalieren. Unsere Prognose-Engine wurde von Anfang an für das Cloud Computing entwickelt. Im Gegensatz zu herkömmlichen Lösungen ist die Cloud für Lokad keine nachträgliche Überlegung: Lokad kann täglich Terabytes an Daten verarbeiten.
Zusätzlich verlässt sich unsere Prognosefähigkeit – anders als bei herkömmlichen 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 zwischen Produkten 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 beruht auf den zahlreichen Produkteigenschaften, die in der Mode typischerweise vorhanden sind: Produkttyp, Produktfamilie, Größe, Farbe, Stoff, Stil, Preisklasse, Marke usw. Auch wenn man sich über die erforderliche Datenmenge Sorgen machen könnte, zeigt unsere Erfahrung bei Lokad, dass Katalogdaten – wie sie beispielsweise im Betrieb der Facetten eines e-commerce front-ends existieren – in der Regel ausreichen, um gute Ergebnisse zu erzielen.
Traditionelle Prognoselösungen, die auf einer manuellen Paarung zwischen Produkten basieren, sind zu zeitaufwendig, um effektiv zu sein – es gibt zu viele Paare, die berücksichtigt werden müssen – da gerade die Paarung den Hauptbestandteil der Prognosen ausmacht.
Aufgrund der Ineffektivität dieser Methode greifen Unternehmen häufig wieder zu ihren Tabellenkalkulationen, da die manuelle Paarungsprognoselösung nicht den erforderlichen Mehrwert liefert. Lokad geht die Herausforderung direkt an, indem es sich auf die Kernschwierigkeit des Problems konzentriert, anstatt die Last auf die Nutzer abzuwälzen.
Bei Lokad können wir diesen Prognoseprozess zwar als Produktpaarung bezeichnen, gehen jedoch nicht davon aus, dass es eine Eins-zu-eins-Zuordnung zwischen Produkten einer alten und einer neuen Kollektion gibt. So kann beispielsweise ein Produkt in mehrere Varianten aufgeteilt werden, was zu Kannibalisierungen führen kann. Ein anderes Produkt könnte dann wirklich „neu“ sein, ohne in der Vergangenheit ein eng verwandtes Pendant. In einem solchen Fall greift die Prognose-Engine auf allgemeinere Überlegungen zurück, wie etwa die Produktkategorie, -familie, Marke oder Preisklasse.
Ökonomische Treiber und Whiteboxing
Entscheidungen müssen hinsichtlich ihrer erwarteten Erträge in Dollar oder Euro und nicht in Prozent optimiert werden.
Alle Faktoren, die die Kosten und den Nutzen einer Entscheidung bestimmen, werden zusammen als ökonomische Treiber bezeichnet: Sie umfassen die Bruttomarge, Lagerhaltungskosten, Transportkosten, Opportunitätskosten für Regalflächen, Kundenloyalität usw. Lokad modelliert explizit all diese ökonomischen Treiber unter Berücksichtigung der Besonderheiten des Modemarktes.
Beispielsweise führt jeder Verkauf eines Produkts mit Rabatt dazu, dass der Kunde erwartet, in Zukunft von einem ähnlichen Rabatt zu profitieren.
Der erste Zweck dieser ökonomischen Treiber besteht darin, den numerischen Optimierungsprozess zu unterstützen, der die Entscheidungen generiert (z. B. Bestellmengen oder Produkt-Rabatte). Ohne Messungen gibt es keine Optimierung: Die ökonomischen Treiber sind buchstäblich das, was den Optimierungsprozess zum Funktionieren bringt.
Lokad ist kein Ersatz für tiefgehende strategische Einsichten (diese stammen aus der Expertise Ihres Teams), unsere Technologie ist lediglich darauf ausgelegt, diese strategischen Einsichten – wie sie durch die ökonomischen Treiber zum Ausdruck kommen – in jeder einzelnen von der Firma getroffenen Entscheidung im großen Maßstab umsetzbar zu machen.
Der zweite Zweck dieser Treiber besteht im „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 jede von Lokad generierte Entscheidung mit einem eigenen Satz von Metriken geliefert – gemessen in Euro oder Dollar –, die die geschäftliche Intention der Entscheidung erklären. Diese Metriken sind die verschiedenen Ausdrucksformen der ökonomischen Treiber. Unsere Erfahrungen zeigen, dass dieser Ansatz dem Versuch, das algorithmische Kleingedruckte der Berechnung zu beleuchten, überlegen ist – was nicht nur unglaublich mühsam, sondern auch weitgehend unsinnig ist, außer für Experten im Bereich Machine Learning oder numerische Optimierung.
Aus Managementsicht sind ökonomische Treiber ein leistungsfähiger Mechanismus, um das Unternehmen in die richtige Richtung zu steuern. Diese Treiber werden nicht als „unveränderlich“ angesehen, sondern sind im Gegenteil jederzeit veränderbar, um die Entwicklung des Marktes widerzuspiegeln. 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.