Quantitative Supply Chain
Prognosen sind schwierig. Die Zukunft der Mode vorherzusagen ist wahnsinnig schwierig. Daher verlässt sich die Modeindustrie größtenteils immer noch auf primitive Methoden wie Open-To-Buy, die nichts weiter als glorifizierte Top-Down gleitende Durchschnitte sind. Dennoch würden die meisten Supply-Chain-Experten argumentieren, dass solange es nichts gibt, das Open-To-Buy in der realen Welt tatsächlich schlagen kann, Open-To-Buy nicht veraltet ist, egal wie primitiv die Methode auch sein mag. Tatsächlich waren unsere eigenen Beobachtungen bis vor kurzem im Einklang mit dem, was uns Modeunternehmen erzählt haben: Für die Mode funktioniert nichts wirklich, und Raten bleibt die beste Option unter allen anderen, noch weniger zufriedenstellenden Alternativen.
Unsere probabilistische Prognose, die im letzten Jahr veröffentlicht wurde, hat die Modebranche revolutioniert. Nach jahrelangen Schwierigkeiten mit den Nachfrage-Mustern der Mode haben wir endlich eine Prognose-Engine, die speziell auf die Herausforderungen des Modebereichs zugeschnitten ist. In den letzten Monaten haben wir die Lieferketten mehrerer Modeunternehmen gesteuert und es funktioniert tatsächlich! Angesichts der Erfolgsbilanz von Prognoseanbietern in der Modeindustrie standen die Chancen nicht wirklich zu unseren Gunsten.
Die Nachfrage in der Mode wird in der Regel durch Neuheiten bestimmt, und neue Produkte entstehen durch Kollektionen. Kollektionen sind aus modischer Sicht unerlässlich, stellen jedoch gleichzeitig eine massive Herausforderung für die Prognose dar.
Die Nachfrage muss für Produkte prognostiziert werden, die noch nicht verkauft wurden.
Mode geht nicht um Produkte, die lange nicht verkauft wurden, Mode geht um Produkte, die überhaupt nicht verkauft wurden. Diese Perspektive passt nicht zur Zeitreihen-Prognosemethode, die das Fundament nahezu aller Prognosesysteme darstellt - außer bei Lokad. Tatsächlich haben Zeitreihen aus modischer Sicht keine historische Tiefe, daher gibt es nichts, auf das man sich für die Prognose stützen kann.
Lokads probabilistische Prognose-Engine nimmt eine völlig andere Position ein: Sie nutzt aktiv die verschiedenen Produktattribute wie Marke, Stil, Farbe, Stoff, Größe, Preisniveau, Kategorie usw., um eine Nachfrageprognose auf der Grundlage der Leistung ähnlicher Produkte in den vorherigen Kollektionen zu erstellen.
Eine der Dinge, die Lokads Prognose-Engine nicht tut, ist die manuelle Zuordnung von Produkten zwischen Kollektionen zu verlangen. Erstens ist die Festlegung dieser Paare sehr kompliziert und extrem zeitaufwendig. Supply-Chain-Experten sollen nicht die Sklaven ihrer eigenen Systeme sein; wenn die Systeme verlangen, dass Tausende von Produkten manuell zugeordnet werden, ist die Wahrscheinlichkeit hoch, dass diese Zeit besser in eine manuelle Prognose investiert wird, die direkt von menschlichen Erkenntnissen profitiert. Zweitens macht eine 1-zu-1-Zuordnung zwischen den alten und den neuen Kollektionen in der Mode oft keinen Sinn. Neue Kollektionen definieren die Codes in subtilen, aber wichtigen Weisen neu: Ein Produkt kann zu vielen werden und umgekehrt. Eine Methodik, die ausschließlich auf 1-zu-1-Zuordnungen beruht, liefert eher naive Ergebnisse über die zukünftigen Kollektionen.
Lokads Prognose-Engine berechnet all diese Ähnlichkeiten vollautomatisch mithilfe von Machine-Learning-Algorithmen. Künstliche Intelligenz ist derzeit in den Medien sehr beliebt, aber im Kern handelt es sich um Machine-Learning-Algorithmen, die in den letzten 3 Jahrzehnten stetige und dennoch allmähliche Fortschritte gemacht haben. Lokad nutzt mehrere Klassen von Machine-Learning-Algorithmen, die speziell für Supply-Chain-Zwecke entwickelt wurden.
Darüber hinaus liefert Lokad probabilistische Prognosen. Anstatt eine Nachfrageprognose - den Median oder den Durchschnitt - zu liefern, die (fast) garantiert falsch ist, liefert Lokad die Wahrscheinlichkeiten für (fast) alle Nachfrageszenarien. Dieser Aspekt ist für die Modeindustrie von entscheidender Bedeutung, da Unsicherheit nicht reduzierbar ist und eine gute Bestellmenge häufig auf einer Risikoanalyse basiert.
In der Mode gibt es zwei Hauptrisiken: verpasste Chancen, wenn nicht genügend Lagerbestand vorhanden ist, und Wertminderungen, wenn die Waren während des Ausverkaufszeitraums mit einem sehr aggressiven Rabatt verkauft werden müssen, um die verbleibenden Bestände einer Kollektion zu liquidieren. Lokad verfügt über natürliche Fähigkeiten, um diese spezifische Risikoanalyse, die in der Mode so wichtig ist, zu bewältigen.
Intrigiert von Lokads Fähigkeiten für die Modebranche? Zögern Sie nicht, einen Demo-Anruf mit uns zu vereinbaren.