Frische Fahrt voraus Data-driven. Sushi

Transkript

1 Frische Fahrt voraus Data-driven Sushi

2 Willkommen in der Natsu Welt

3 Wir liefern frische Convenience-Produkte

4 Das Unternehmen Natsu Foods Frühjahr 2013 Sandwiches und Wraps unter der Marke Natsu 2012 Start des Vertriebs von You Cook Koch Kit s 2011 Umfirmierung in 2004 Firmengründung als Herbst 2013 Suppen und Salate unter der Marke Natsu 2013 Integration Shisu 2011 Start des Vertriebs von Starmeal Salaten 2009 Produktion nach IFS- Standards

5 Das Unternehmen Natsu Foods 450 Mitarbeiter (mit Shisu) Eigene Logistik mit 80 Kühlfahrzeugen Produktionsstandorte: Neuss & Leipzig 36,5 Mio Umsatz in 2013 Produktion von ca Sushi-Tray pro Tag 65 Mio erwarteter Umsatz in 2014

6 Unsere Kunden Belieferung von Supermärkten mit Natsu Produkten in Deutschland Rewe Group, Metro Group, Edeka, Kaisers Tengelmann, etc. Belieferung von Discountern mit frischem und TK Sushi Aldi (DE, A, CH), Lidl, Netto Süd, Norma, Biedronka etc. Weitere wichtige Kunden: Dansk Supermarkt, Superunie, Auchan, Carrefour, LeClerc, Intermarché

7 Unsere Produkte Wir verwenden möglichst frische Zutaten möglich wenig Zusatzstoffe. Ist dies doch mal nötig verwenden wir ausschließlich solche, die als unbedenklich für den Menschen gelten. Rohwaren möglichst aus der Region niemals genetisch veränderte Produkte Diesen Anspruch stellen wir nicht nur an uns selbst, sondern erwarten dies auch von unseren Lieferanten.

8 Unsere Produkte Unsere Produkte ausgenommen unsere Soßen - sind frisch hergestellt und maximal 5 Tage haltbar. Die Produkte schnell und in der richtigen Menge in die Supermärkte und somit zu unseren Kunden zu bekommen ist eine große Herausforderung.

9 Der Weg unserer Produkte Produktionsstandorte: Neuss Frisches Sushi Leipzig Frisches Sushi TK Sushi Logistikstandorte: 15 Hubs bei Logistikpartnern an denen die Touren mit eigenen Fahrzeugen starten. Export: Vertrieb von frischem Sushi nach NL, BE, FR, A, DK, CH, PL & SLO (meist über Logistikpartner) Produktionsstandort Logistik-Hub

10 Unsere Bestell- und Logistikprozesse Disposition der Produkte durch unseren Vertriebsinnen- dienst Planung der Produktion bzw. Bestellung der Produkte bei unseren Lieferanten

11 Das Ziel: Optimale Warenverfügbarkeit Zu hohe Warenverfügbarkeit Zu niedrige Warenverfügbarkeit Geringeres Out-of-Stock Risiko Umsatzpotential ausnutzen Hohes Risiko für Abschriften / Restbestände Vermeidet Abschriften Riskiert Umsatzpotential Erhöhtes Out-of-Stock Risiko

12 Die Grundlage: Präzise Bedarfsprognosen

13 Die Herausforderung Out-of-Stock Wie hoch war der tatsächliche Bedarf wenn das Produkt nicht mehr verfügbar war? Abhängig vom Produkt, Filiale, Preis, Wochentag, Werbung, Platzierung,

14 Was wir gerne sehen würden Den wahren Bedarf, in Abhängigkeit von allen Einflussfaktoren Bedarf in Stück Unser Beispiel: Bedarf in Stück abhängig von der normierten Filialfläche 0 kleinste Filialfläche 1 größte Filialfläche Filialfläche

15 Was uns die Daten sehen lassen Absatz in Abhängigkeit von Einflussfaktoren Absatz in Stück Nach oben abgeschnitten durch Outof-Stock Situationen Absatz Bedarf Filialfläche

16 Das Problem Ignorieren Datenpunkte mit Out-of-Stock Situationen werden beim maschinellen Lernen berücksichtigt Absatz in Stück Filialfläche

17 Das Problem Ausblenden Datenpunkte mit Out-of-Stock Situationen werden vor dem maschinellen Lernen ausgeblendet Absatz in Stück Filialfläche

18 Das Problem Ausblenden Datenpunkte mit Out-of-Stock Situationen werden vor dem maschinellen Lernen ausgeblendet Absatz in Stück Filialfläche

19 Was uns die Daten verraten Wir können auf Basis des Abverkaufs den Bedarf simulieren! Bedarf in Stück (simuliert auf Basis der Absätze) Filialfläche

20 Was uns die Daten verraten Der simulierte Bedarf bildet die Basis für das maschinelle Lernen. Bedarf in Stück (simuliert auf Basis der Absätze) Filialfläche

21 Was uns die Daten verraten Und gegen den Mittelwert der simulierten Verteilung vergleichen Bedarf in Stück (simuliert auf Basis der Absätze) Filialfläche

22 Die Lösung: Data-Driven Sushi Simulieter, statisitschs korrekter Bedarf, auf Basis historischer Daten Bedarf in Stück (simuliert auf Basis der Absätze) Maschinelles Lernen mit dem simulierten Bedarf um die Verteilung des wahren Bedarf zu treffen. Filialfläche

23 Vorfahrt für Data-Driven Sushi Start der Disposition in der nächsten Woche Schon heute für Sie zum Probieren