Das Problem: Manuelle Lagerverwaltung
Ein mittelgroßer Einzelhandelsunternehmen hatte Schwierigkeiten mit ihrem alten ERP-System. Die manuelle Lagerverwaltung führte zu häufigen Ausverkäufen und Überbeständen, was ihnen Millionen an verlorenem Umsatz und verschwendetem Lagerraum kostete.
Unsere Lösung auf Basis von KI
1. Vorhersage der Nachfrage mit LSTM
Mithilfe von LSTM-Neuronen, die auf 3 Jahren Verkaufsdaten trainiert wurden, bauten wir ein Vorhersagemodell mit einer Genauigkeit von 94%. Das Modell berücksichtigt Saisonalschwankungen, Werbeaktionen, Wetterbedingungen und lokale Ereignisse.
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, Dropout
def build_demand_model(sequence_length, n_features):
model = Sequential([
LSTM(128, return_sequences=True, input_shape=(sequence_length, n_features)),
Dropout(0.2),
LSTM(64, return_sequences=False),
Dense(32, activation='relu'),
Dense(1)
])
model.compile(optimizer='adam', loss='mse', metrics=['mae'])
return model2. Automatisierte Bestellabwicklung
Das System generiert automatisch Bestellungen, die die Lieferzeiten, Saisonalschwankungen und die Zuverlässigkeit der Lieferanten berücksichtigen. Dies eliminierte den manuellen Bestellprozess vollständig.
3. Dynamisches Preisengines
ML-Algorithmen analysieren die Preise von Konkurrenten, Nachfrageschwankungen und Lagerbestände für optimale Preise. Die Engine läuft alle 15 Minuten und passt die Preise in Echtzeit an.
Ergebnisse, die zählen
- Der Umsatz stieg um 300% innerhalb von 18 Monaten
- Der Lagerverbrauch verringerte sich um 40%
- Die Anzahl der Ausverkäufe sank um 85%
- Die Lagerauslastung verbesserte sich um 35%
Hauptergebnisse
Der Erfolg war nicht nur das Ergebnis der ML-Modelle – es war auch die Integration der Vorhersagen von KI direkt in die bestehenden ERP-Workflows, sodass die Benutzer nicht ihre Verhaltensweisen ändern mussten.
