Intelligente Warenwirtschaftssysteme Potenziale von Big Data zur Effizienzerhöhung in der Lebensmittelkette

Transkript

1 Intelligente Warenwirtschaftssysteme Potenziale von Big Data zur Effizienzerhöhung in der Lebensmittelkette Prof. Dr. Diane Ahrens T E C H N O L O G I E C A M P U S G R A F E N A U

2 Lieblingsbrot ausverkauft? Welche Auswahl erwarten Sie kurz vor Ladenschluss? www. 2

3 Würden Sie diese Bananen kaufen? Welche Auswahl und Qualität erwarten Sie? 3

4 Kundenanforderungen 2.0 implizieren volle Regale auch am Abend riesige Produktvielfalt Überdisposition Komplexe Bedarfsprognose 4

5 Zurück zur Bescheidenheit? Aldi erfindet sich neu: Einfach ist mehr. 5

6 Kundenreaktionen auf die Aldi-Werbung 6

7 Die Lebensmittelverschwendung als gesellschaftliches Problem steht zunehmend in der öffentlichen Diskussion 11 Mio. Tonnen Ø pro Kopf ca. 82 kg Ø pro Kopf ca. 65 kg Bayern zeigt hohes Engagement: z.b. KErn (Kompetenzzentrum für Ernährung), Forschungsprojekte und Bündnis gegen Lebensmittelverschwendung 7

8 Lebensmittelverluste vor allem bei Frischwaren Durchschnittliche Abschriften für Frischwaren (SB und Bedienung) in Super- und Verbrauchermärkten in % vom jeweiligen Warenbezug Obst und Gemüse Fleisch/ Wurst/ Fisch/ Geflügel Molkereiprodukte Brot und Backwaren SB ohne Brot und Backwaren SB mit Backstation/ Backshop/ Summe Frischwaren ohne Retouren Übrige Lebensmittel/ Durchschnittliche Abschriften in % Quelle: EHI-Studie

9 Frischeprodukte werden selbst im effizienten Handel meist noch manuell disponiert Bestellung Lieferung Vertragslieferant Niederlassung Bestellung Lieferung EH-Filiale Filialleitung (Disposition & Bestellung) In den Filialen wird oft nach Bauchgefühl disponiert. Erfahrene Mitarbeiter verfügen über recht gute Einschätzungen. Sind diese krank oder im Urlaub, versagt der Filialeinkauf häufig. Feiertage und Angebote sowie Neuprodukte überfordern auch erfahrene Mitarbeiter. Boni auf Basis der Umsätze erhöhen den Food Waste. 9

10 Ziele des Forschungsprojektes zur Reduzierung der Lebensmittelverluste im Einzelhandel Reduzierung von Lebensmittelverlusten und Stock-outs Optimierung der Filialbestellungen Entwicklung eines intelligenten Prognoseund Dispositionssystems Projektkoordinator Projektpartner Gefördert durch: Bayerisches Staatsministerium für Ernährung, Landwirtschaft und Forsten 10

11 Ausgewählte Artikelgruppen Obst Bananen Bio-Bananen Div. Trauben weiß/rot Feinkost Lachs Lachs-Variation Gemüse Kopf-, Eisbergsalat Endiviensalat Champignons Fertiggerichte Lasagne Molkerei Sahne Frischfleisch Hähnchenschenkel Käse Mozarella Bio-Mozarella Rotfleisch Schweine-Schinkenschnitzel Wurst Kochschinken Brot Buttertoast Vollkorntoast Sandwichtoast Die Artikel wurden nach Beliebtheit, Haltbarkeit, Konstanz des Verbrauchs (Zeitdauer: mind. über 3 Jahre im Sortiment) sowie potentiellen Substitutionseffekten ausgewählt. 11

12 T e c h n o l o g i e C a m p u s G r a f e n a u - Herausforderung: Schwankende Abverkäufe Bananen verkaufen sich recht stabil. Allerdings weisen bereits Bananen eine Schwankungsbreite zwischen 0 und über 150 Kg pro Tag in der betrachteten Filiale auf Abverkäufe Bananen

13 Ausgewählte Einflussfaktoren auf Prognose und Disposition Saisonalität Artikel- Deckungs beitrag Preis Lieferzeit Prognose Disposition Aktionen Risiko Prognose Wetter Service- Grad Optimaler Bestand Eine bessere Bedarfsprognose und Warendisposition führt zu einer signifikanten Reduzierung der Lebensmittelverluste 13

14 Realisierung intelligentes Prognose- und Dispositionssystem Erfassung des Status Quo Disposition und Bestellung im LEH Bestellverfahren Kundeneinkaufsverhalten Einflussfaktoren Abverkäufe Bestell- und Lieferzyklen Erfassung von Produktdaten Ermittlung von Verlusten und Stock-outs Klassifikation Artikel Konstruktion Nachfrage aus Abverkaufsdaten Bewertung aktuelle Bestellgüte Entwicklung Prognosemodell und produktspezifische Disposition Test unterschiedlicher Prognosemodelle & Entwicklung Prognoseverfahren Festlegung sinnvoller Servicegrad Entwicklung Dispositionsverfahren Testeinsatz eines Prototyps Entwicklung Dispo-App Tägliche Dispo in allen Filialen über mehrere Wochen Ergebnisanalyse 14

15 Anwendungsoberfläche der mobilen ipds-app Login des Filialmitarbeiters Anwendung in fünf Testfilialen in mehreren mehrwöchigen Versuchsphasen Dispovorschläge für die jeweilige Filiale 15

16 rel. Verluste in % Zusammenfassende Ergebnisse Lernendes System kommt auch mit Feiertagen und Sortimentsänderungen zurecht. Gleichzeitige Umsatzsteigerung (weniger Stock-Outs) und FoodWaste Reduzierung möglich. Potentielle Umsatzsteigerung um 2%, FoodWaste Reduktion um 5-10% bei Frischwaren je nach Ausgangslage und Sortiment. Vollautomatisierte Disposition nur bei vollständiger, möglichst real-time Datenverfügbarkeit möglich. Aber: Grenzen optimierter Dispo für kurzlebige Produkte mit sehr kleiner täglicher Abverkaufsmenge: Qualitätschwankungen, Gebindegrößen rel.verluste in Abhängigkeit von der Prognosegüte Prognosefehler MAPE 16

17 rel. Verluste in % Optimierung von Gebindegrößen Sortiment Gebin degröße Prognose Disposition Bestell/ Lieferzyklen rel. Verluste in Abhängigkeit. von der Gebindegröße 8 St. 4. St. 2 St. 1 St. Gebindegröße in Stück MHD % weniger Foodwaste durch optimierte Gebindegrößen 17

18 rel. Verluste in % Weniger FoodWaste durch High-tech- Verpackungen und Kühlung Sortiment 15 rel. Verluste in Abh. der MHD Gebin degröße Prognose Disposition Bestell/ Lieferzyklen MHD MHD Differenz in Tagen Verminderung der Lebensmittelabfälle 2.0 für Champignons von mehr als 60%, falls sich die Haltbarkeit um einen Tag verlängert 18

19 Ansätze zur Effizienzsteigerung im LEH Sortiment Dynam. Pricing App- Deals Gebin degröße Nudging Cross Selling Prognose Disposition Click & Collect Bestell/ Lieferzyklen MHD Maximale Effizienz durch intelligente Verknüpfung von Konsum und Angebot Regionale Lebensmittel Right Time Discount Next Best Offer 19

20 Bessere Synchronisation von Angebot und Nachfrage über digitale Preisschilder Digitalisierung richtig nutzen: Real-time Absatzinformation und dynamic Pricing erlauben bessere Abverkäufe. Damit die Ware nicht beim Kunden Preisschilder,preisschilder102.html im Müll landet, sollten Lager-, Verbrauchs- und Rezeptetipps per App zusätzlich angeboten werden. 20

21 Grafische Darstellung

22 Fragen? Gerne! Technologiecampus Grafenau Prof. Dr. Diane Ahrens Hauptstr Grafenau Telefon: diane.ahrens@th-deg.de Internet: 22