Automatisierte Warenbeschaffung. bei Heine, einem Multi Channel Retailer

Größe: px

Ab Seite anzeigen:

Download "Automatisierte Warenbeschaffung. bei Heine, einem Multi Channel Retailer"

Sofia Mann
vor 8 Jahren
Abrufe

1 Automatisierte Warenbeschaffung bei Heine, einem Multi Channel Retailer

2 Themen Perfekte Bestellvorschläge für das Warenwirtschaftssystem Exakte Berechnung der Retourenquote Optimierung der Logistikkosten durch präzise Vorhersagen 2

3 _UNTERNEHMENSPRÄSENTATION_2011.ppt S. 3 Heine Print 40 unterschiedliche Kataloge/Jahr in Deutschland, Schweiz, Österreich und den Niederlanden 2 Hauptkataloge 4 Saisonkataloge Variationen von Spezialkatalogen Aktions-Flyer

Deutschland, Schweiz, Österreich und den Niederlanden 2

4 _UNTERNEHMENSPRÄSENTATION_2011.ppt S. 4 Multichannel- Einkaufen rund um die Uhr auf Rund 2,5 Millionen Besucher/Monat Mehr als Artikel Mehr als Styles in verschiedenen Ansichten Mehr als 2,2 Millionen Newsletter-Empfänger

de Rund 2,5 Millionen Besucher/Monat Mehr als 22.

5 Übersicht: Dispositionsprozess Daten Prognosen Dispositionsalgorithmus Bestellvorschlag 5

6 Heine: Daten Kunde Multichannel: Katalog, Online Artikelstammdaten, Bewegungsdaten Katalog: komplexe Versandstruktur Online: komplexe Einflußfaktoren Prognosemodelle Lieferant, intern Lieferanten/Lager/Kosten Lieferzeiten bis zu 26Wochen Lieferantenbedingungen Transportwege, Lager offene Bestellungen von Endkunde Bei Lieferanten Disposition 6

Lieferant, intern Lieferanten/Lager/Kosten Lieferzeiten bis zu 26Wochen

7 Prognosemodelle: NeuroBayes NeuroBayes: robust (Projekte aus Wissenschaft und Wirtschaft) schnell (Realtime) präzise (Wettbewerbe, Tests) 7

8 Prognosemodelle: Zielgrößen Prognose: Kundennachfrage Prognose Retourenquote: Retouren/Absatz Kennzahlen die vom Endkunden beeinflusst werden. 8

9 Prognosemodelle - Ebenen Feinste Ebene: eine bestimmte Darstellung ABER Relevant für Bestellungen: über alle Darstellungen hinweg Blue Yonder Modelle auf verschiedenen Ebenen 9

10 Übersicht: Dispositionsprozess Stammdaten, Bewegungsdaten, Online Daten Lager, Lieferant, Bestellungen Prognosen Nachfrage Verlauf Retourenquoten Ebenen Neurobayes Dispositionsalgorithmus Bestellvorschlag 10

11 Kenngrößen der Disposition Einzelartikel, Sortiment, Gesamtheit Werte branchenabhängig 11

12 Konflikt der Kenngrößen: Beispiel Kostenwaage 2011: schwere Reste Vorgaben: nächstes Jahr weniger Reste 2011 Kosten 12

13 Beispiel Kostenwaage 2012: schwere SLB Vorgaben: nächstes Jahr bessere SLB 2012 Kosten 13

14 Beispiel Zyklisches Verhalten Kurzfristige Ziele: z.b. weniger Reste, werden erreicht, aber: Optimaler Arbeitspunkt? Ergebnisoptimiert? Langfristige Ziele? Unsicherheit beim Disponenten 2013 Kosten 14

15 15

16 Optimierung der Ziele über Kosten Fragen wie: Wie bewerte ich Reste im Vergleich zu einer Nachlieferungen? Wie viel kostet eine Nachlieferung überhaupt? diese Saison oder langfristig Teils berechenbar: Reste Nachlieferung Teils nicht berechenbar: Kundenunzufriedenheit Reste Ganzheitliche Optimierung: Reduktion der Gesamtkosten Lieferbarkeit BY: Gesamt 16

diese Saison oder langfristig Teils berechenbar: Reste Nachlieferung Teils nicht

17 Kostenzuweisung nötig für Optimierung? Teils liegen Kosten vor, teils müssen diese neu zueinander ins Verhältnis gesetzt werden. Diskussion vereinfacht, da Skala die jeder kennt Optimierung eines Algorithmus auf ein wohl definiertes Ziel möglich Kosten/Risiken bei Strategiewechsel abschätzbar Dispositionsalgorithmus kann wirtschaftliche Entscheidungen fällen 17

Diskussion vereinfacht, da Skala die jeder kennt Optimierung eines Algorithmus auf ein

18 Beispiel Kombination Kosten/NeuroBayes (1/2) NeuroBayes: robust (Projekte aus Wissenschaft und Wirtschaft) schnell (Realtime) präzise (Wettbewerbe, Tests) 18

19 Beispiel Kombination Kosten/NeuroBayes (2/2) B(X) Kundenverhalten -> Prognose Kosten sind Teil des Steuerungsmechanismus 19

20 Nebenbedingungen Mindestbestellmengen auf mehreren Ebenen Produktionszeiten Lieferzeiten Lieferantenurlaube Transportwegoptimierung Kosten wichtig für Entscheidungen 20

21 Übersicht: Dispositionsprozess Stammdaten, Bewegungsdaten, Online Daten Lager, Lieferant, Bestellungen Prognosen Nachfrage Verlauf Retourenquoten Ebenen Neurobayes Dispositionsalgorithmus Nebenbedingungen Kosten einstellbar Bestellvorschlag 21

22 Unterschiedliche Einsatzszenarien Teilsortimente werden direkt bestellt Vollautomatisierung Entscheidungshilfe 22

23 23

24 Simulationen als Unterstützung bei der Einführung/Justierung Datalympics 2012 Auswertung Diskussion mit Kunden Vergleich mit Wahrheit Simulationen Anpassung Disposition hist. Daten Prognosen hist. Daten Einführung 24

Vorgehensweise Anpassung Modul Disposition und Diskussion Kunde Real-Life-Test Entwicklung & Simulationen Einsatz/kontinuierlicher Betrieb Wöchentliche: Planung Daten, Datentransfers Implementierung

25 Vorgehensweise Anpassung Modul Disposition und Diskussion Kunde Real-Life-Test Entwicklung & Simulationen Einsatz/kontinuierlicher Betrieb Wöchentliche: Planung Daten, Datentransfers Implementierung Features Einsatz auf Teilbereichen Diskussion Fachbereich Diskussionen Simulationen mit zur Optimierung Wartung und Support Einrichten der Disponenten/Experten Module Historische Analyse mit Roll-out Simulationen Anpassungen Disponenten 25

26 Automatisierte Warenbeschaffung bei Heine, einem Multi Channel Retailer Perfekte Bestellvorschläge für das Warenwirtschaftssystem Exakte Berechnung der Retourenquote Optimierung der Logistikkosten durch präzise Vorhersagen Danke für Ihre Aufmerksamkeit 26

Ähnliche Dokumente

Bauchgefühl oder kühle Berechnung Wer wird Fußball-Weltmeister 2014?

Bauchgefühl oder kühle Berechnung Wer wird Fußball-Weltmeister 2014? Prof. Dr. Michael Feindt Karlsruher Institut für Technologie (KIT) Founder and Chief Scientific Advisor, Blue Yonder Wer wird Weltmeister?