Bei einer Bäckereikette mit mehreren Dutzend Verkaufsstellen führte die Zusammenarbeit mit MAWEB zu einer Reduzierung der Retouren um 58 % (zu Buchpreisen) bei gleichzeitig 10 % höherem Umsatz. Diese Kombination ist entscheidend, denn in dieser Branche ist der einfachste Weg, Retouren zu senken, weniger zu produzieren und zu liefern — was in der Regel in leeren Regalen und sinkenden Verkäufen endet. Hier hielt sich der Umsatz nicht nur, er wuchs. Das zeigt, dass das Modell die tatsächliche Nachfrage getroffen und nicht bloß die Liefermengen beschnitten hat.

Über die Reduzierung der Retouren hinaus nennt der Kunde einen zweiten Nutzen der Zusammenarbeit: Seine Verkaufsdaten wurden geordnet. Zahlen einzelner Verkaufsstellen, zuvor verstreut und uneinheitlich, wurden vereinheitlicht und zur Grundlage für die Steuerung der gesamten Kette — nicht nur für die Prognose.

Der Kunde

Eine Bäckereikette mit mehreren Dutzend Verkaufsstellen. Vor der Einführung stützte sich die Planung von Produktion und Lieferungen auf die Erfahrung der Mitarbeitenden in der jeweiligen Filiale, was in dieser Größenordnung zu Unterschieden zwischen den Standorten führte und eine zentrale Bestandssteuerung erschwerte.

Leistungspaket

Nachfrageprognose — ein KI-Modell, das den Absatz für einzelne Filialen und Artikel prognostiziert und Entscheidungen über Produktions- und Liefermengen unterstützt.

Ziele

• Retouren und die durch Überproduktion entstehenden Verluste senken, ohne die Warenverfügbarkeit in den Filialen zu verringern.
• Den Umsatz halten oder steigern — die Reduzierung der Retouren durfte nicht zulasten des Verkaufs gehen.
• Verkaufsdaten aus allen Filialen vereinheitlichen und ordnen, als Grundlage für eine bessere Steuerung der Kette.

Messmethode: ein Vergleich der Retouren zu Buchpreisen und des Umsatzes vor und nach dem Livegang des Prognosemodells.

Umsetzung

MAWEB erhob und ordnete die historischen Verkaufsdaten des Kunden aus jeder Verkaufsstelle — Verkäufe, Lieferungen, Retouren und die äußeren Faktoren, die die Nachfrage bewegen (darunter Kalender, Wochentage und Feiertage). Auf dieser Grundlage bauten wir ein prädiktives Modell, das den Absatz getrennt für jede Filiale und jeden Artikel prognostiziert und täglich Empfehlungen für Produktions- und Liefermengen erzeugt.

Ein zentrales Element des Modells waren die Sicherungen, die das Risiko begrenzen, dass die Optimierung der Retouren die Warenverfügbarkeit und den Umsatz verringert — das Modell kürzt Lieferungen nicht mechanisch, sondern passt sie an die am jeweiligen Standort erwartete Nachfrage an.

Begleitend zur Einführung wurden die Daten der einzelnen Filialen — die zuvor je nach Standort unterschiedlich geführt wurden — in ein gemeinsames Format überführt. Unabhängig von den Prognosen selbst erhielt der Kunde damit ein stimmiges Bild der Verkäufe über die gesamte Kette, das er auch für die tägliche Steuerung nutzt.

Ergebnisse

• Retouren um 58 % gesenkt (zu Buchpreisen, gegenüber dem Zeitraum vor der Einführung).
• Umsatz um 10 % gestiegen im selben Zeitraum — die Reduzierung der Retouren ging nicht zulasten des Verkaufs.
• Verkaufsdaten der Kette geordnet — vom Kunden als zusätzlicher Nutzen der Zusammenarbeit genannt, der über die Prognose hinausgeht und eine bessere Steuerung des Geschäfts unterstützt.