Skip to content
Suchen Sie nach Produkten und Lösungen von InterSystems, Karrieremöglichkeiten und mehr.

Wissen, was morgen gekauft wird: Wie InterSystems IRIS dem Einzelhandel zuverlässige Prognosen ermöglicht

ML im Einzelhandel
ML im Einzelhandel: Wissen, was morgen gekauft wird: Wie InterSystems IRIS dem Einzelhandel zuverlässige Prognosen ermöglicht

Interoperable Datenplattform InterSystems IRIS® unterstützt effiziente Machine Learning-Prozesse

Lohnt sich ein Aktionsangebot für eine bestimmte Filiale? Was kaufen Kunden kommendes Wochenende? Und ab welcher Shopgröße muss auch das Sortiment wachsen? Wenn Einzelhändler diese Fragen zuverlässig beantworten können, sparen sie Zeit und Kosten. Sie können Lagerkapazitäten bedarfsgerecht organisieren, teure Ladenhüter vermeiden und auch das Personal so einplanen, wie sie es in der Praxis benötigen werden. Im Einzelhandel bedeuten Verkaufsaktionen mit großen Stückzahlen, die nicht die erhofften Verkäufe erzielen, ebenso Verluste wie zu knapp kalkulierte Vorräte eines beliebten Produkts. Die Datenplattform InterSystems IRIS liefert die Grundlage, um die Verkaufsdaten mithilfe von Machine Learning auswerten. Mithilfe der automatisierten Datenanalyse treffen Händler Vorhersagen über erwartbare Umsätze und lernen aus etwaigen Abweichungen, um so effiziente Prozesse einzurichten.

Die Praxis zeigt: Datenanalyse hebt Umsatzchancen

Um seinen Warenabsatz bestmöglich vorhersagen zu können, analysiert das Handelsunternehmen SPAR Österreich die Verkaufsdaten seiner Märkte in Mittel- und Osteuropa mithilfe der Lösung InterSystems IRIS und hat entsprechende Machine Learning-Prozesse implementiert. Das Unternehmen erkannte, dass sich in ungarischen Filialen ein vergleichsweise teurer Wein durch eine Promotion fünfmal häufiger verkaufte, während sich die Nachfrage nach einem Energydrink trotz Aktion kaum veränderte. Außerdem ergab die Analyse, dass der Wein donnerstags den höchsten Absatz fand. „Bei der Verwendung der Machine Learning-Algorithmen wird auch auf historisches Datenmaterial zurückgegriffen, um die Ergebnisse via Datenabgleich schrittweise aussagekräftiger zu machen und zu verbessern“, erklärt Gerd Karnitschnig, Leiter Software Solutions International bei der ASPIAG (Austria SPAR International AG). Dank dieser Erkenntnisse kann SPAR Verkaufsaktionen regional effizienter planen – von Einkauf und Logistik bis hin zur Lagerung vor Ort in der Filiale. Mit der neuen Forecast-Methode untersucht der Konzern seine Aktionsaktivitäten und vergleicht sie automatisiert mit ähnlichen Artikeln – ein Vorgang, der ohne datengestützte Prozesse extrem aufwendig wäre.

How to: Wie Machine Learning den Erfolg bringt

Um Machine Learning einzusetzen, wurden die Filialen entlang festgelegter Kriterien guppiert, beispielsweise in Abhängigkeit von Shopgröße und geografischer Lage. Die Verkäufe der einzelnen Artikel lassen sich innerhalb der Gruppe (auch als Cluster bezeichnet) genauestens analysieren und vergleichen: in der Performance des jeweiligen Standorts und seines Vergleichsfelds. Es lässt sich identifizieren, inwiefern sich ein bestimmter Artikel in einer Region oder an bestimmten Tagen verkauft – oder eben auch nicht verkauft. Schwachstellen und Lücken im Sortiment sowie Nachfragespitzen werden mithilfe der interoperablen Datenplattform InterSystems IRIS schnell sichtbar. Und auch in Spezialfällen wie saisonalen Verkaufsschwerpunkten vor Feiertagen unterstützt die datenbasierte Analyse den Handel dabei, dem tatsächlich Bedarf entsprechend zu planen und Waren automatisiert nachzubestellen.

Vergleichbar machen, bewerten und lernen

Für die komplexe Datenanalyse brauchen Unternehmen die passende Plattform, mit der sich die vielen unterschiedlichen Informationen sinnvoll organisieren lassen. SPAR setzt für sein Forecast-System auf InterSystems IRIS. Hier werden die Datenströme aus verschiedenen Quellen gebündelt, vergleichbar gemacht und analysiert. Dank der ausgeprägten Interoperabilität der Lösung kann der Kunde die Datenplattform in die bestehende Infrastruktur wie sein Warenwirtschaftssystem integrieren und Informationen unterschiedlicher Herkunft und Qualität zur Analyse zusammenführen. Je mehr Daten im System sind, desto schneller erkennt es Muster wieder und identifiziert Anomalien. Es gleicht die Ergebnisse mit den späteren realen Zahlen ab, „lernt“ und kann mit jeder neuen Information präzisere Vorhersagen treffen. So hilft Machine Learning im Funktionsumfang von InterSystems IRIS den Händlern nicht nur dabei, alle Ressourcen optimal zu organisieren, sondern auch den richtigen Zeitpunkt für eine erfolgreiche Verkaufsaktion zu finden. „Die ersten Schritte in diese neue Richtung sind erfolgreich verlaufen – und wir haben große Erwartungen an die Implementation der neuen Version von InterSystems IRIS in unsere bestehenden Prozesse und Strukturen, um perspektivisch Datenauswertungen für weitere Anwendungsfälle komfortabel on the fly durchführen zu können“, resümiert Karnitschnig.

RELATED TOPICS

Andere Beiträge, die Ihnen gefallen könnten.