Um eine so lange und komplexe Wertschöpfungskette effektiv zu verwalten, ist eine exzellente Absatzplanung erforderlich. Konsumgüterhersteller können es sich nicht erlauben, auf die Verbrauchernachfrage lediglich zu reagieren – sie müssen sie antizipieren. Denn eine unzulängliche Absatzprognostizierung birgt zwei erhebliche Risiken:
• eine schlechte Produktverfügbarkeit, die zu entgangenen Umsätzen und Kundenabwanderung führt
• eine schwindende Kosteneffizienz durch veraltete Bestände oder ineffiziente Produktion
Wie also können Konsumgüter-Unternehmen ihre Absatzprognosen verfeinern?
Daten aus dem Einzelhandel sind unverzichtbar für die Absatzplanung
Konsumgüterhersteller gestalten die Nachfrage nach ihren Produkten aktiv durch Preisentscheidungen, Markenkampagnen, Aktualisierungen der Produktpalette und die Einführung von Produktinnovationen. Da sie diese nachfragebeeinflussenden Faktoren selbst in der Hand haben, werden sie für gewöhnlich in den Absatzprognosen erfasst.
Einige wichtige Faktoren, die die Nachfrage bestimmen, liegen jedoch außerhalb ihrer Kontrolle – etwa die Geschäftsentscheidungen der Einzelhändler. Diese können Hersteller häufig nicht in ihren Prognosen berücksichtigen. Trotz Direktvertriebskanälen stammt der Großteil der Konsumgüter-Verkäufe immer noch aus den Bestellungen der Einzelhändler. Prognosen, die keine Informationen aus dem Handel abbilden können, bieten daher keine Grundlage für eine effektive Absatzplanung.
Geschäftsentscheidungen von Einzelhändlern in Bezug auf Filialsortimente, Produkt-Displays, Promotions und Filial-Events wirken sich auf die Nachfrage im Handel aus – das wiederum hat Auswirkungen auf Ihre Nachfrage als Hersteller von Konsumgütern, der versucht, die Einkaufsbestellungen der Händler zu erfüllen. Auch die Supply-Chain-Strategien der Einzelhändler wirken sich direkt auf die von Ihnen zu erfüllenden Bestellungen aus. So entscheiden Einzelhändler unter anderem, wie früh sie sich vor einer Produkteinführung, dem Start einer Promotion oder einem wichtigen Feiertag mit den nötigen Beständen eindecken.
Letztendlich müssen Hersteller von Konsumgütern und Markenartikeln in der Lage sein, Einzelhandelsdaten für ihre eigene Absatzplanung zu nutzen und effektiv mit Einzelhändlern zusammenzuarbeiten: Nur so erreichen sie eine hohe Prognosegenauigkeit und decken die Nachfrage.
Das Gute daran ist: Bereits jetzt stellen viele Einzelhändler den produzierenden Unternehmen Point-of-Sale-Daten (POS) zur Verfügung und geben zunehmend auch Bestandsdaten und Bestellprognosen an sie weiter. Weniger gut: Diese Daten werden bisher kaum und selten effektiv von den Herstellern genutzt. Doch warum?
Unserer Erfahrung nach sind die größten Hemmschwellen die folgenden:
1. Viele Hersteller verlassen sich auf aggregierte Absatzprognosen mehrerer Vertriebslinien pro Verteilzentrum oder Region: Das macht es schwierig, die Auswirkungen von Entscheidungen einer einzelnen Vertriebslinie auf die Gesamtnachfrage nachzuvollziehen
2. Absatzplanungssysteme, die nicht darauf ausgelegt sind, die in vielen verschiedenen Formen eingehenden externen Daten aufzunehmen, sie zu bereinigen und zu nutzen: Dadurch werden automatische Prognoseberechnungen, die auf den neuesten Einzelhandelsdaten basieren, erschwert
Die besten Softwaresysteme für die Absatzplanung sind jedoch genau dafür konzipiert, externe Daten einzubeziehen und so granulare Prognosen auf Ebene der Vertriebslinien zu liefern.
Machine-Learning und Einzelhandelsdaten erhöhen die Prognosegenauigkeit für Hersteller
Machine-Learning bietet zwei wesentliche Vorteile für Konsumgüterhersteller: Prognosen, die erstens detaillierter sind und zweitens weniger Aufwand erfordern. Viele Hersteller arbeiten nur deshalb mit aggregierten Prognosen, weil sich ihre manuellen Prognoseprozesse nicht ausreichend skalieren lassen, um Prognosen auf Vertriebslinien- oder Filialebene zu erstellen. Machine-Learning-basierte Prognoselösungen hingegen bieten einen hohen Automatisierungsgrad, der weitaus genauere Prognosen ohne zusätzlichen Planungsaufwand ermöglicht. Tatsächlich lassen sich so jeden Tag Stunden manueller Durchsicht einsparen, indem automatische Benachrichtigungen vor Ausnahmen warnen.
Eine Software, die maschinelles Lernen beherrscht, berücksichtigt automatisch gigantische Mengen von Einzelhandelsdaten – mehr, als ein menschliches Team von Absatzplanern je verarbeiten könnte. Diese Daten wirken sich letztlich auf Ihre Bedarfsberechnungen aus. Je mehr Daten auf Vertriebslinienebene Sie als Konsumgüterhersteller in Ihr Absatzplanungssystem miteinbeziehen können (zum Beispiel die Anzahl der Filialen, die das Produkt jetzt verkaufen und nach der nächsten Sortimentsüberprüfung verkaufen werden), desto schneller macht sich Machine-Learning bezahlt. Da die Algorithmen kontinuierlich selbstständig dazulernen, erhalten Sie im Laufe der Zeit immer bessere Prognosen, je mehr Daten das System aufnimmt. Das Ergebnis: eine genauere, detailliertere Prognose.
Besonders in komplexen Situationen wie rund um Kampagnen oder nicht wochentaggebundene Feiertage wie Weihnachten schneiden Machine-Learning-basierte Prognosen durchweg besser ab als solche, die auf Zeitreihen basieren. Zudem hat sich gezeigt, dass Konsumgüterhersteller, die diese Machine-Learning-Prognosen mit zusätzlichen Einzelhandelsdaten anreichern (etwa der Anzahl der Vertriebslinien oder Filialen, die ein bestimmtes Produkt führen), automatisch auf Sortimentsänderungen der Einzelhändler reagieren können.
Unserer Erfahrung nach erhöht die Verwendung von Einzelhändlerdaten die Gesamt-Prognosegenauigkeit über die komplette Produktpalette hinweg um mehrere Prozentpunkte. Die Prognosegenauigkeit für Produkte, die von Sortimentsänderungen oder Promotions der Einzelhändler betroffen sind, profitiert dabei noch deutlich stärker.
Einzelhandelsdaten liefern sofortige Ergebnisse und langfristige Vorteile
Werden Daten aus dem Einzelhandel auf Ebene der Vertriebslinie genutzt, profitiert die Prognosegenauigkeit enorm. Mit diesen präzisen Prognosen kann Ihr CPG-Unternehmen dann eine Reihe von Leistungsverbesserungen in der gesamten Supply-Chain für Konsumgüter erzielen, so zum Beispiel:
• ein höheres Service-Niveau
• die Fähigkeit, pünktliche, vollständige Lieferungen an Ihre Einzelhandelskunden auszuführen
• geringere Lagerhaltungsbedarfe und -kosten
• weniger Verderb
Schnelle Ergebnisse sind jedoch nur der Anfang. Erkennen Hersteller und Einzelhändler erst einmal, dass eine engere Zusammenarbeit ihnen viele greifbare Vorteile bietet, rücken weitere Möglichkeiten in den Blick: Der Vergleich von Prognosen und die gemeinsame Behebung von Differenzen kommen der Genauigkeit der Absatzplanung, der betrieblichen Effizienz und dem Serviceniveau aller Parteien zugute. Ist erst eine grundlegende Basis für die granulare, auf Machine-Learning basierende Absatzprognostizierung geschaffen, sind Konsumgüterhersteller bereit für den nächsten Schritt: eine echte, beidseitige Zusammenarbeit mit ihren Einzelhandelspartnern.
