Prädiktive Optimierung für die Modebranche
Die Modebranche wird von Neuheit angetrieben. Eine Modemarke muss das richtige Produkt zur richtigen Zeit, zum richtigen Preis und mit der Lagermenge entwerfen und auf den Markt bringen, die gerade ausreicht, um den Markt zu bedienen. Dann werden Promotionen zunächst genutzt, um die Nachfrage zu verstärken, und zweitens, um alle verbleibenden Bestände zu liquidieren. Lokad bietet eine statistische Softwarelösung, die prädiktive Optimierung bei jedem Schritt des Produktlebenszyklus, von der Entstehung bis zur Liquidation, liefert. Unsere Technologie umfasst genau das, was die Mode so unglaublich herausfordernd macht: allgegenwärtige Kannibalisierungen und Substitutionen, unregelmäßige Trends und Saisonalitäten, niemals endende Ströme neuer Produkte, hochdynamische Preise usw.
Ed. Der folgende Inhalt gilt nicht für harte Luxusgüter, die einem sehr unterschiedlichen Satz von Regeln und Einschränkungen folgen. Weitere Informationen finden Sie unter Prädiktive Optimierung für harte Luxusgüter.
Vizions by Zalando: Europas erste Plattformkonferenz 20. April 2017 Berlin
Fangen wir mit einer harmlosen Frage an. Warum gibt es Verkäufe? Heutzutage sind Winterverkäufe, Sommerverkäufe und eine Reihe kleinerer Veranstaltungen dazwischen eine Institution, insbesondere in der Modebranche. (...) Aber warum gibt es sie überhaupt? Sie existieren, um Einzelhändlern zu ermöglichen, Überbestände loszuwerden. Verkäufe sind in erster Linie eine Manifestation einer falschen Vorhersage. Es kann argumentiert werden, dass sie heute viel mehr sind als das. Richtig, aber das ursprüngliche Ziel bleibt 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 von neuen 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, immer mehr den neuesten Trends zu folgen, ihre Anzahl an Kollektionen pro Jahr zu erhöhen und ihre Vorlaufzeiten zu reduzieren.
Lokads prädiktive Optimierungstechnologie löst jede einzelne Entscheidung im gesamten Lebenszyklus für jedes Produkt der Marke. Unsere Technologie ist eine Mischung aus maschinellem Lernen - das zur Extraktion von Mustern oder Vorhersagen aus den Daten verwendet wird - und numerischer Optimierung - das zur Generierung optimierter Entscheidungen verwendet wird.
Die Vorbereitung der neuen Kollektion beginnt mit der Lieferung einer Sortimentsoptimierung - auch als Sortimentsplan bezeichnet. Die Lokad-Technologie ermöglicht es Ihnen, die richtige Auswahl an Größen, Farben und Formen auf der Grundlage der ursprünglichen Designs zusammenzustellen. Dieser Sortimentsplan soll so eng wie möglich an den Wünschen und Erwartungen Ihrer Kundenbasis ausgerichtet sein. Lokad kann Ihnen helfen, den Geschäftsfall zu generieren, der den Sortimentsplan unterstützt, und bietet den Planern die Möglichkeit, den Plan mit ihren hochrangigen Erkenntnissen zu verfeinern - im Gegensatz zum Mikromanagement jeder einzelnen Produktvariante.
Sobald der Sortimentsplan abgeschlossen ist, liefern wir eine Einkaufsoptimierung, die genau vorschlägt, wie viele Einheiten für jede einzelne Produktvariante produziert oder gekauft werden sollten - und wann bestellt werden sollte. Natürlich wurden die meisten Produkte noch nie verkauft. Diese Aufgabe wird in der Regel durch mehrere MOQ (Minimal Order Quantities) -Beschränkungen, Preisunterbrechungen sowie unterschiedliche Vorlaufzeiten (z. B. das chinesische Neujahr, das die Produktion in Asien verlangsamt) kompliziert. Lokad kann auch die Transportmischung (z. B. Seefracht gegen Luftfracht) und die Quellenmischung (z. B. Überseelieferanten gegen lokale Lieferanten) optimieren.
Als Beispiel kann unser MOQ-Löser mehrere überlappende MOQ-Beschränkungen bewältigen: Es kann ein MOQ auf Produktniveau geben (z. B. ein Mindestbestellwert von 100 Einheiten pro Produkt für jede Bestellung), ein weiteres MOQ auf Stoffebene (z. B. ein Mindestbestellwert von 3000 Metern Stoff pro Farbe) und ein letztes MOQ auf Lieferantenebene (z. B. ein Mindestbestellwert von 50.000 USD Warenwert pro Bestellung). Die Berücksichtigung all dieser MOQs bei gleichzeitiger Kontrolle der Lagerbestände ist ein großes Problem, wenn MOQs manuell verarbeitet werden. Lokad optimiert den Prozess vollständig durch numerische Solver, die es ermöglichen, den profitabelsten Kaufauftrag “Umschlag” zu identifizieren, der alle gegebenen Einschränkungen erfüllt.
Phase 2 - nach der Kollektionsveröffentlichung
Wenn die Veröffentlichung der Kollektion bevorsteht, liefern wir eine Bestandsallokationsoptimierung, die genau entscheidet, wie viele Einheiten jedem Vertriebszentrum und/oder jedem Geschäft zugeordnet werden sollen. Im Geschäft hat der Bestand zwei Zwecke: nicht nur die Bedienung der Nachfrage, sondern auch die Anziehung der Kundschaft im Geschäft. Die Allokationsoptimierung berücksichtigt diesen Merchandising-Winkel angemessen und macht das Beste aus jedem Geschäft. Die Optimierung berücksichtigt Lagerkapazitätsgrenzen (z. B. Regalfläche) sowie die begrenzte Kapazität der Bodenteams, um mit großen eingehenden Produktchargen umzugehen. Bündel und Lose - die praktisch sind, um die Manutention-Kosten zu senken - werden ebenfalls berücksichtigt.
Um den neuesten Trends zu folgen, identifizieren wir Bestseller und Langsamverkäufer. Die Identifizierung der Bestseller, die dazu dienen soll, frühe Auffüllungen auszulösen, kann mit begrenzten Lagerbeständen erfolgen, indem der Markt in einer begrenzten Anzahl von Geschäften sondiert wird - möglicherweise nur durch Sondierung des Marktes über die E-Commerce-Plattform. Umgekehrt ist die frühzeitige Identifizierung von Langsamverkäufern auch wichtig, um diese Produkte so schnell wie möglich von den Regalen zu entfernen, die sie zu Lasten besserer Produkte besetzen.
Für die meisten Fast-Fashion-Marken gehören Rabatte und andere Werbemechanismen zum Markenkern. Lokad bietet Preisoptimierung-Fähigkeiten, die vorschlagen, wann der Preis gesenkt werden sollte, um sicherzustellen, dass am Ende der Kollektion keine Restbestände übrig bleiben, während der Gesamtbruttomarge maximiert wird.
Wir berücksichtigen auch Rabatte, die aus Treueprogrammen stammen und gleichmäßig auf viele Produkte angewendet werden und Rabatte auf Produktniveau ersetzen und manchmal ergänzen können.
Sortimentsoptimierung, Einkaufsoptimierung, Lagerzuweisungsoptimierung, Identifizierung von Bestsellern und Langsamverkäufern, Preisoptimierung: Lokad kann all diese Entscheidungen - und mehr - mit einer konsistenten End-to-End-Perspektive auf den gesamten Produktlebenszyklus optimieren. Es ist jedoch auch möglich, klein anzufangen und einen engeren Fokus zu wählen. Bei Fragen senden Sie uns bitte eine E-Mail an contact@lokad.com
Mode erfordert nicht-klassische Nachfrageprognosen
Die Optimierung von Entscheidungen, die Lagerbestände und Preise betreffen, erfordert genaue Einblicke in die Zukunft. Die klassische Nachfrageprognoseperspektive ist jedoch im Hinblick auf Mode größtenteils dysfunktional. Lokad hat daher einzigartige Prognosefähigkeiten entwickelt, die von Grund auf auf die Herausforderungen zugeschnitten sind, mit denen Modeunternehmen konfrontiert sind.
Wir arbeiten mit wahrscheinlichkeitsbasierten Prognosen: Wir betrachten alle möglichen Zukunftsszenarien und berechnen ihre jeweiligen Wahrscheinlichkeiten. Tatsächlich ist die Nachfrageunsicherheit in der Mode irreduzibel. Es besteht keine Hoffnung, eine “perfekte” Prognose zu erstellen. Traditionelle Methoden erwarten, dass Entscheidungen gegen die “eine” Prognose getroffen werden, was diese Entscheidungen gegen Prognosefehler fragil macht.
Anstatt Unsicherheit abzulehnen, umarmen wir sie. Durch wahrscheinlichkeitsbasierte Prognosen balancieren wir Risiken und Chancen aus.
Die Prognosen arbeiten auf der Sortimentsebene, um die Kannibalisierungs- und Substitutionseffekte zu berücksichtigen. Die Prognose der Nachfrage nach einem Produkt in Isolation ist sinnlos, da die Nachfrage nach diesem Produkt stark von der Anwesenheit - oder Abwesenheit - ähnlicher Produkte beeinflusst wird, die alle um dieselben Kunden konkurrieren. Traditionelle Methoden, die sich auf Zeitreihenprognosen konzentrieren, verfehlen diesen Punkt vollständig, und die Situation wird in der Regel noch schlimmer, wenn auch Sicherheitsbestände oder Servicelevel verwendet werden.
Die Nachfrage wird durch die Preisgestaltung bedingt, die ein integraler Bestandteil unserer Prognose ist. Nicht nur die zukünftige Nachfrage ist eine Frage der Wahrscheinlichkeiten, sondern diese Wahrscheinlichkeiten werden auch vom Preis des Produkts beeinflusst - ein handlungsfähiger Hebel, der dem Unternehmen zur Verfügung steht.
Nochmals, das Sortiment ist wichtig, und der Anstieg der Nachfrage hängt von der Gesamtförderintensität ab. Es ist unklug, denselben Anstieg zu erwarten, 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 mit der Nachfrage; auch Rücksendungen und Vorlaufzeiten müssen prognostiziert werden.
Jede Unsicherheitsquelle erfordert angemessene statistische Prognosen, und während die zukünftige Nachfrage zentral ist, gibt es Bedürfnisse jenseits der Nachfrageprognose, und wir haben unsere Technologie entsprechend entwickelt. Diese Prognosen sind in der Regel auch probabilistisch und neigen dazu, mit den Nachfrageprognosen selbst kombiniert zu werden - z.B. die Nachfrage über die Vorlaufzeit prognostizieren. Die neueste Generation unserer Prognosetechnologie basiert auf differenzierbarem Programmieren. Dieser Nachkomme des Deep Learning ist besonders geeignet, um mit spärlicher und intermittierender Nachfrage umzugehen, wie sie in der Modeindustrie häufig beobachtet wird.
Und was ist mit Wetter und Social Media?
Unsere Erfahrung zeigt, dass die meisten Unternehmen ihre eigenen "grundlegenden" historischen Daten dramatisch unterbewerten. Die meisten Nachfrageprognosen nutzen nicht einmal die Kundentreue-Daten, und die meisten Bestellungen werden ohne formale Vorlaufzeitprognose getätigt. Daher glauben wir fest daran, dass Unternehmen damit beginnen sollten, das Beste aus den Daten zu machen, die sie bereits haben, obwohl wir nicht davon absehen, Hinweise aus externen Datenquellen wie Social Media oder Wetterdaten zu ziehen.
Skalierung der Herausforderung
Mode im großen Stil umfasst Hunderte von Geschäften und Zehntausende von Varianten. Daher muss der Prognosemotor in der Lage sein, sich auf Millionen von SKU-Positionen zu skalieren. Unser Prognosemotor wurde von Anfang an für Cloud Computing konzipiert. Anders als bei traditionellen Lösungen ist die Cloud kein Nachgedanke für Lokad: Lokad kann täglich Terabytes an Daten verarbeiten.
Zusätzlich, im Gegensatz zu traditionellen Ansätzen, hängt unsere Prognosefähigkeit nicht davon ab, 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 sollte.
Stattdessen stützt sich unser Prognosemotor ausschließlich auf fortschrittliche Machine-Learning-Algorithmen, um automatisch die Ähnlichkeiten zu erkennen, die zwischen Produkten bestehen können, und um selbst zu identifizieren, welche spezifischen Produkte relevant sind, um ein neues Produkt in der Kollektion zu prognostizieren.
Diese automatische Erkennung von Ähnlichkeiten stützt sich auf die zahlreichen Produktattribute, die typischerweise in der Mode vorhanden sind: Produkttyp, Produktfamilie, Größe, Farbe, Stoff, Stil, Preisniveau, Marke usw. Während man sich über die erforderliche Datenmenge Sorgen machen könnte, zeigt unsere Erfahrung bei Lokad, dass Katalogdaten, wie sie beispielsweise für den Betrieb der Facetten einer E-Commerce-Front-End existieren, in der Regel ausreichen, um gute Ergebnisse zu erzielen.
Traditionelle Prognoselösungen, die auf der manuellen Paarung zwischen Produkten basieren, sind zu zeitaufwendig, um effektiv zu sein - es gibt zu viele Paare zu berücksichtigen - da es genau die Paarung ist, die der Hauptbestandteil der Prognosen ist.
Aufgrund der Unwirksamkeit dieser Methode neigen Unternehmen dazu, zu ihren Tabellenkalkulationen zurückzukehren, da die manuelle Paarungsprognoselösung nicht den notwendigen Wert liefert. Lokad geht die Herausforderung direkt an und konzentriert sich auf die Kernschwierigkeit der Herausforderung, anstatt die Last auf die Benutzer abzuwälzen.
Bei Lokad gehen wir jedoch davon aus, dass es keine 1-zu-1-Zuordnung zwischen Produkten aus einer alten und einer neuen Kollektion gibt, obwohl wir diesen Prognoseprozess als Produktzuordnung bezeichnen. Zum Beispiel kann ein Produkt in mehrere Varianten aufgeteilt werden, die Kannibalisierungen erzeugen können. Dann könnte ein anderes Produkt wirklich “neu” sein, ohne dass es vergleichbare frühere Produkte gibt. In diesem Fall stützt sich der Prognosemotor auf breitere Überlegungen wie die Produktkategorie, Familie, Marke oder das Preisniveau.
Wirtschaftliche Treiber und Whiteboxing
Entscheidungen müssen gegen ihre erwarteten Renditen in Dollar oder Euro optimiert werden, nicht gegen Prozentsätze.
Alle Faktoren, die die Kosten und Belohnungen einer Entscheidung formen, werden kollektiv als wirtschaftliche Treiber bezeichnet: Sie umfassen die Bruttomarge, die Lagerhaltungskosten, die Transportkosten, die Regalplatz-Opportunitätskosten, die Kunden-Goodwill usw. Lokad modelliert explizit all diese wirtschaftlichen Treiber und berücksichtigt dabei die Besonderheiten des Mode-Marktes.
Wenn beispielsweise ein Produkt mit einem Rabatt verkauft wird, schafft es eine Erwartung beim Kunden, in Zukunft von einem ähnlichen Rabatt zu profitieren.
Der erste Zweck dieser wirtschaftlichen Treiber besteht darin, den numerischen Optimierungsprozess zu unterstützen, der die Entscheidungen generiert (z. B. Bestellmengen oder Produktrabatte). Es gibt keine Optimierung ohne Messung: Die wirtschaftlichen Treiber sind buchstäblich das, was den Optimierungsprozess zum Laufen bringt.
Lokad ist kein Ersatz für tiefe strategische Einblicke (diese stammen aus der Expertise Ihres Teams), unsere Technologie ist lediglich darauf ausgelegt, es möglich zu machen, diese strategischen Einblicke - wie sie sich in den wirtschaftlichen Treibern widerspiegeln - in jeder einzelnen Entscheidung des Unternehmens im großen Maßstab umzusetzen.
Der zweite Zweck dieser Treiber ist der “Whiteboxing”-Prozess. Der Zweck des Whiteboxing-Prozesses besteht darin, Ihren Teams für jede von Lokad generierte Entscheidung ein hohes Maß an Transparenz 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 Geschäftsabsicht der Entscheidung erklären. Diese Metriken sind die verschiedenen Reflexionen der wirtschaftlichen Treiber. Unsere Erfahrung zeigt, dass dieser Ansatz überlegen ist, um Licht auf den algorithmischen Feinabdruck der Berechnung zu werfen, der nicht nur unglaublich mühsam ist, sondern auch weitgehend unsinnig, außer für Machine-Learning-Experten oder numerische Optimierungsexperten.
Aus Managementperspektive sind wirtschaftliche Treiber ein leistungsstarkes Instrument, um das Unternehmen in die richtige Richtung zu lenken. Diese Treiber werden nicht als “unveränderlich” angesehen, sondern sind im Gegenteil immer veränderbar, um die Entwicklung des Marktes widerzuspiegeln. Lokads Technologie ist darauf ausgelegt, eine hohe Agilität zu bieten: Mit begrenztem Aufwand ist es möglich, komplexe Was-wäre-wenn-Szenarien zu erarbeiten, die verschiedene alternative Strategien darstellen.