Immer die richtigen Brötchen backen: Kosten senken durch maschinelles Lernen in der Bäckerei
Jedes Jahr werden in Deutschland 600.000 Tonnen Brot und Backwaren weggeworfen. Diese Verschwendung wäre nicht nur im Hinblick auf Nachhaltigkeit verantwortungslos, sondern kostet die Bäckereien viel Geld. ConMoto hat auf Grundlage einer Studie der Naturschutzorganisation WWF berechnet, dass ein kleiner handwerklicher Bäckereibetrieb Backwaren im Verkaufswert von 35.000 Euro im Jahr wegwirft, während es bei einer industriellen Großbäckerei bis zu 77.000 Euro im Jahr sind – pro Filiale! Der Grund: Es werden zu viel Brötchen, Kuchen oder Brote gebacken, beziehungsweise nicht das richtige Sortiment in der richtigen Menge zur richtigen Zeit.
Weil das Bauchgefühl des Bäckers oft trügerisch ist, hat ConMoto ein datenbasiertes Vorhersagemodell entwickelt, das Verkaufsdaten und Techniken des Maschinenlernen nutzt: Ein lernfähiger Algorithmus berücksichtigt Echtzeitdaten wie Uhrzeit, Wetter oder besondere Ereignisse und gibt so klare Empfehlungen, welche Mengen welcher Warenart zu einem bestimmten Zeitpunkt angeboten werden sollen. Diese Vorhersage wird individuell für jede Bäckereifiliale erstellt.
Fünf Vorteile eines lernenden Vorhersagemodells
- Tagesgenaue Forecast-Qualität und damit verbesserte Simulations- und Planungsmöglichkeiten für Einkauf, Produktion und Absatz
- Kostenreduzierung durch Vermeidung von Überproduktion
- Steigender Verkauf in jedem Shop, weil vom Kunden nachgefragte Ware in der richtigen Menge verfügbar ist
- Höhere Kundenzufriedenheit, weil die Kundenwünsche befriedigt werden können und die Ware frischer ist
- Größere Nachhaltigkeit und Umweltfreundlichkeit durch geringere Abschriften
Wie das Vorhersagemodell funktioniert
Das Vorhersagemodell basiert auf verschiedenen datengetriebenen Algorithmen und verwendet interne Daten aus den Filialen – zum Beispiel Absatzzahlen der Backprodukte, Verkaufszeitpunkte, Preise, Warenbestand, Abschriften auf Artikelebene – und verknüpft sie mit externen Informationen wie Wetterprognosen, Veranstaltungen im Umfeld eines Backshops (wie Fußballspiele oder Zugankünfte) und der Tageszeit. Die mathematischen Funktionen des Algorithmus berücksichtigen Werte aus der Vergangenheit und gewichten sie. So lernt der Algorithmus aus den ständig aktualisierten Daten und passt die Gewichtungen entsprechend an. Die mathematischen Funktionen bilden ein neuronales Netz, das Muster und Strukturen in großen Datenmengen erkennt. Es sind genau diese Regelmäßigkeiten, die individuelle, detaillierte Vorhersagen über das Kundenverhalten möglich machen.
Ein typisches ConMoto-Projekt im Bereich Maschinelles Lernen/ Forecasting besteht aus vier Phasen:
- Daten: Datensammlung, Data Mining und Datenanalyse
- Modellentwicklung: Konzept-Erstellung des Modells, Modelldesign, Programmierung, Debugging, Schnittstellen
- Pilotierung: Entwicklung eines Prototyps, Test und Analyse der Testergebnisse, Modelloptimierung und Training
- Roll-out und Implementierung auf alle Filialen
Diese datenbasierte Vorgehensweise und die mathematische Modellierung verbessern erheblich die Verlässlichkeit der Vorhersagen bezüglich der benötigten Warenmengen im Tages- und Wochenverlauf, was unter anderem zu einer signifikanten Senkung der Abschriften führt.
