
KI & Daten: Intelligente Bedarfsprognose
Eine Handelskette trifft Einkaufsentscheidungen auf Datenbasis.
Die Herausforderung
U.M verlor auf zwei Wegen Geld: durch überschüssigen Lagerbestand an Kleidung außerhalb der Saison (Verluste durch Preisnachlässe) und durch entgangene Verkäufe bei gefragten Artikeln (Fehlbestände). Eingekauft wurde mit Excel-Tabellen nach der simplen Logik „Vorjahr plus 10 %“, die Mikrotrends, Wetter und die Stimmung in sozialen Medien nicht abbildete.
Die Lösung
GTEMAS stellte 3 ML Engineers, unabhängige Spezialisten im Rahmen eines Dienstleistungsvertrags mit GTEMAS, die gemeinsam mit dem internen IT-Team von U.M arbeiteten. Der eigene Data Lead von U.M legte die Ziele fest und definierte, was der „Einkaufsempfehlungsbericht“ für die Category Manager zeigen musste. Unsere Ingenieure setzten das Zeitreihen-Prognosemodell mit LSTM-Netzen (Long Short-Term Memory) entsprechend dieser Vorgabe um. Intelligentes Reporting: Das Modell verarbeitet Daten aus 5 Quellen, darunter Google Trends und lokale Wettervorhersagen, und erzeugt täglich einen Bericht, der genau zeigt, welche SKUs nachzubestellen und welche sofort zu reduzieren sind.
Architekturansatz
Datenpipeline, orchestriert mit Apache Airflow auf AWS. Modelle auf SageMaker trainiert und über eine interne API für das ERP-System bereitgestellt.
Ergebnisse und Wirkung
Das KI-System veränderte die Einkaufskultur von Bauchentscheidungen hin zu belegbaren Fakten. Die Category Manager vertrauen heute den Daten, und das Ergebnis ist eine schlankere, profitablere Lieferkette.
Weniger Restbestand
Dank besserer Warenverfügbarkeit
Prognosegenauigkeit (zuvor 60 %)
Bereit für Ihre eigene Erfolgsgeschichte?
Mit Global Tech Masters bauen Sie skalierbare, leistungsstarke digitale Produkte.