Predictive Analytics mit lernenden Systemen präzise Absatzprognosen erreichen 13. Europäische TDWI-Konferenz München, 18.06.2013 Otto (GmbH & Co KG) Mathias Stüben
Konzernfirmen Die 123 wesentlichen Konzerngesellschaften der Otto Group bilden ein großes Portfolio an Sortimenten und Vertriebskanälen für unterschiedliche Zielgruppen. 3 Segmente Multichannel Einzelhandel Finanzdienstleistungen Service Seite 1
Mit vielfältigen Marken zum Erfolg Multichannel-Einzelhandel Seite 2
Definition Predictive Analytics (Forrester) Jede Lösung, mit deren Hilfe sich aussagekräftige Muster und Abhängigkeiten in Datenbeständen identifizieren lassen und auf diese Weise mögliche zukünftige Ereignisse vorhersagen sowie potenzielle Handlungsmöglichkeiten bewerten lassen Seite 3
Große Datenmengen und eine Vielzahl von Einflussfaktoren prägen heutige Entscheidungssituationen Einflussfaktoren Entscheidungssituationen Produkt Anstoßkette Online M-Commerce Social Media Internationalisierung Immense Datenmengen Permanenter Entscheidungsbedarf Kunde Wettbewerb Hoher Zeitdruck Determinanten für Unternehmenserfolg Seite 4
Im Closed Loop-Ansatz werden verschiedene Fragestellungen entlang des Produktlebenszyklus ganzheitlich betrachtet Trenderkennung Frühzeitiges Erkennen Neue Informationsquellen Welches Produkt möchte der Kunde in Zukunft? 1 Abverkaufsoptimierung 4 Flexible Preissetzung Recommendation Engine Retourenmanagement Effiziente Bestandssteuerung CLOSED LOOP Planung Mengenschätzung Aufbau Sortimentsstruktur Kollektionsgedanke 2 Prognose 3 Absatz- / Retourenprognose Beschaffung Publikationsmanagement Seite 5
Stetiges Optimieren derzeitiger Verfahren reicht nicht aus; Quantensprung nur durch eine neue Methode zu erreichen Lösungsansatz Trendmethode und Dreisatz Methode basiert auf der Annahme gleicher Trendverläufe in verschiedenen Saisons früher Y Klassische Statistik z.b. nichtlineare Regression X Künstliche Neuronale Netze Information Prognose hidden layer (verdeckte Neuronenschicht) heute Künstliche Neuronale Netze eignen sich für: Systeme mit hoher Komplexität große Datenmengen Daten mit umfangreicher Historie (Trainingsdaten) Künstliche Neuronale Netze sind: robuster als andere Ansätze können auch bei teils fehlendem oder fehlerhaftem Input rechnen ( intelligente Lückenfüllertechnologie ) Künstliche Neuronale Netze sind aufgrund hervorragender statistischer Eigenschaften besonders für den Einsatz von Artikelprognosen geeignet Seite 6
Trenderkennung Kernfrage: Woher wissen wir, dass die Kundin demnächst exakt dieses Kleid möchte? Seite 7
1 Trenderkennung Verbesserte Trenderkennung erfordert höhere Transparenz unter Zuhilfenahme von Predictive Analytics Trenderkennung heute Trenderkennung morgen Store Checks Messebesuche Reisen in die Produktionsmärkte Nutzen bestehender Datenquellen (hauptsächlich historische Daten) Farbe Schnittmuster Design Betrachtung und Analyse zusätzlicher Informationsquellen unter Zuhilfenahme von Predictive Analytics, z.b. Google, Social Media, Customer Data Seite 8
Planung Kernfrage: Welche Sortimentsstruktur hat unsere neue Kollektion und welche Mengen müssen wir, z.b. von unserem Kleid, in der Produktion blocken? Seite 9
Für die Planung neuer Kollektionen werden Einschätzungen voraussichtlicher Abverkäufe und Ordermengen benötigt Kollektionsrahmenplanung im Überblick 2 Planung Die Kollektionsrahmenplanung gibt die zukünftigen Sortimentsstukturen vor. Eine erste automatisierte Mengenschätzung für einzelne Marken, Produktgruppen oder auch Preisklassen wird benötigt. Im weiteren Verlauf werden einzelne Produkte kreativ ausgestaltet. Neue Kollektion An dieser Stelle wird entschieden, dass unser Kleid ins Sortiment aufgenommen wird und wie viel Stück wir ordern müssen. Seite 10
Prognose Kernfrage: Wie häufig werden wir unser Kleid verkaufen und wie viele Retouren werden wir erhalten? Seite 11
3 Prognose Herkömmliche Verfahren werden den gestiegenen Anforderungen an die Artikelprognose nicht mehr gerecht Auswirkung Dispositionsentscheidungen zu viel gekauft Szenario 1: zu wenig gekauft Umsatzausfall Erhöhte Beschaffungskosten zu wenig gekauft Kundenverärgerung Erhöhte Kontaktkosten Callcenter Szenario 2: zu viel gekauft Erhöhte Lagerkosten Szenario 1 Ist-Bedarf Szenario 2 Kapitalbindung Verwertungsverluste Es besteht eine permanente Herausforderung, die richtigen Mengen zu identifizieren Seite 12
Was hat ein Algorithmus aus der Teilchenphysik mit Versandhandel zu tun? 3 Prognose Seite 13
3 Prognose Nach Evaluierung diverser Prognosetools international ausgerichteter Softwareanbieter hat sich die NeuroBayes Technologie von Blue Yonder durchgesetzt Künstliches neuronales Netz High-Tech-Algorithmus aus der experimentellen Elementarteilchenphysik Weltweit eines der mächtigsten Softwarepackages für Analytics Erkennen von komplexen Zusammenhängen aus historischen Daten Ständige Optimierung von NeuroBayes in den Spitzenforschungsinstituten Seite 14
absolute Häufigkeit 500 1000 3 Prognose Eine Gegenüberstellung der Prognoseverfahren zeigt die deutliche Verbesserung durch NeuroBayes Prognoseabweichung Entstehendes Absatzrisiko Entstehendes Überhangrisiko Klassische Verfahren 63% der Artikel Abweichung > +/- 20% NeuroBayes 11% der Artikel Abweichung > +/- 20% -100% -20% -0% 20% 100% 200% Klassische Verfahren Prognose mit NeuroBayes Ergebnis NeuroBayes : Deutlich positive Wirkung auf Lieferbereitschaft und Restevolumen Seite 15
Hochr.- Bruttoabsatz/Stück Die Artikelprognosen bilden die Basis für Kaufentscheidungen und Bestandsmanagement 3 Prognose 9000 6000 3000 Neuro Phi-t Bayes OTTO Klassische Verfahren Ist-Bedarf 0 Prognosedatum NeuroBayes : Deutliche bessere Prognosen für sämtliche Artikelpositionen, d.h. für Farbe, Größe und Angebotsträger Seite 16
3 Prognose Otto gewinnt den Retail Technology Award Europe in der Kategorie Best Enterprise Solutions Seite 17
Abverkaufsoptimierung Kernfrage: Welcher Preis ist der richtige für unser Kleid und wie können wir Lagerbestand und Retouren optimieren? Seite 18
4 Abverkaufsoptimierung Der ideale Preis für ein Produkt hängt von zahlreichen Einflussfaktoren ab, die täglich variieren können Kundenanforderungen Wettbewerbsumfeld Zu jedem Zeitpunkt im Produktlebenszyklus gibt es einen idealen Preis für ein Produkt - die Herausforderung ist diesen zeitbezogenen festzulegen. Seite 19
4 Abverkaufsoptimierung Mit Hilfe von Predictive Analytics wird tagesaktuell der ideale Preis für bis zu 300.000 Produkte ermittelt Inputgeber für die Pricing Strategie und Ermittlung der Zahlungsbereitschaften der Kunden Pricing Research Pricing Strategie Pricing bei Pricing Management- Tool Erstellung von Preis- Mengen-Schätzungen und Ermittlung der optimalen Basispreise unter Berücksichtigung definierter Zielgrößen Systematischer Aufbau von Preistest- und Markterkenntnissen sowie die Integration von Pricing- Konzepten zur Optimierung der Preisgestaltung Pricing Wissen Pricing Controlling Steuerung der festgelegten Basispreise und des Preisniveaus, sowie Überwachung der Pricing- Prozesse Das Finden des idealen Preises wird bei OTTO heute mit Unterstützung von Big Data erfolgreich umgesetzt. Seite 20
4 Abverkaufsoptimierung Die Recommendation Engine ermöglicht eine zusätzliche Empfehlung passender oder alternativer Artikel Empfehlungen? Dem Kunden werden zum ausgewählten Artikel passende Ergänzungen, wie z.b. Accessoires oder Schuhe, vorgeschlagen Zur Zeit nicht lieferbar? Im Falle der Nicht-Verfügbarkeit des Artikels, werden dem Kunden mögliche Alternativen vorgeschlagen Seite 21
4 Abverkaufsoptimierung Retouren und deren Management entwickeln sich zunehmend zum erfolgskritischen Faktor Nr. 1 im Distanzhandel Deutsche erliegen dem Rückschickwahn Wirtschaftswoche, 08.01.2013 Retouren sind ein wesentliches Element des Onlinehandels Die Welt, 20.01.2013 Neuer Rekord bei Rücksendungen erwartet Handelsblatt, 02.01.2012 Seite 22
Der Retourenprozess aus Kundensicht 4 Abverkaufsoptimierung Fotos detailgetreu? Seite 23
4 Abverkaufsoptimierung Unter Berücksichtigung der individuellen Fragestellung wurde für jede Hypothese eine geeignete Herangehensweise entwickelt Seite 24
4 Abverkaufsoptimierung Die Top 10 Hypothesen wurden durch Blue Yonder bestätigt bzw. widerlegt und das Verbesserungspotenzial abgeleitet Themengebiet Hypothese KUNDE LOGISTIK SORTIMENT Vollretouren Auswahlbestellungen Vertriebsaktionen Lieferzeit/-aussage Lieferbündelung Hermes-Depots Sternebewertung Werbliche Darstellung Sortimentsquellen Belieferung aus Retouren Die neue Gesetzeslage zur Rückerstattung von Versandkosten bei Vollretournierern führt zu einer erhöhten RQ. Eine kontinuierliche Zunahme von Auswahlbestellungen ("Schrei vor Glück oder schick's zurück"- Mentalität) führt zu steigenden Retouren. Im Vergleich zu Pull-Marketing führt Push-Marketing zu höheren Retouren (z.b. versandkostenfreie Lieferung (an Paketshops), 0%-Finanzierung, Zahlpause). - Je höher die absolute Lieferzeit, desto höher die RQ. - Je genauer die Vorab-Auskunft bezüglich der Lieferzeit (ELA Ehrliche Lieferauskunft), desto niedriger die RQ. Die gleichzeitige Auslieferung aller Artikel einer Bestellung führt im Vergleich zur einzelnen Lieferung zu niedrigeren Retouren. Die Quote der Annahmeverweigerung bei Hermes-1MH-Lieferungen unterscheidet sich je nach Depot. Eine systematische Optimierung der regionalen Schwachstellen führt zu sinkenden Retouren. Je schlechter ein Artikel auf otto.de bewertet wird, desto höher die RQ. Die Optimierung der werblichen Darstellung (auf otto.de) führt zu niedrigeren Retouren. Verschiedene Anbieter auf otto.de (Töchter, OSS, OTTO) haben unterschiedliche Standards (z.b. Qualität, Passform, Verpackung, Lieferzeiten). Es gibt keine Harmonisierung. Artikel, die bereits retourniert und aufgearbeitet wurden, haben eine höhere RQ als "frische Ware". Zudem ist die Qualitätsprüfung bei Wiedereinlagerung nicht ausreichend. Seite 25
4 Abverkaufsoptimierung Auf Basis der Projektergebnisse wurden umfangreiche Maßnahmen entwickelt, die nun sukzessive umgesetzt werden Seite 26
Mit Hilfe von Predictive Analytics und Big Data führt der Closed Loop-Ansatz zur optimalen Steuerung des Produktlebenszyklus Seite 27
Vielen Dank für Ihre Aufmerksamkeit! Mathias Stüben Bereichsleiter Category Prozesse, Otto (GmbH & Co KG) Email: mathias.stueben@otto.de Tel: (040) 6461-1958 Seite 28