MIT OPTIMIERTER WARENALLOKATION ZU MEHR ABSATZ.
UNSER PROJEKT FÜR TCHIBO
ÜBER TCHIBO
Das 1949 gegründete Unternehmen gehört heute mit 3,25 Mrd. Euro Umsatz (2022) und weltweit über 11.000 Mitarbeitern zu den größten Einzelhändlern Deutschlands. Bekannt wurde Tchibo zunächst als Händler für Kaffee, ab Mitte der 1990er-Jahre dann auch als Anbieter von wechselnden Non-Food-Artikeln, die unter dem bekannten Claim „Jede Woche eine neue Welt“ verkauft wurden. Heute ist Tchibo ein internationaler Konzern, der sein Sortiment beständig erweitert hat und mittlerweile auch Mobilfunkverträge oder Versicherungen anbietet.
Anforderungen des Kunden
-
Optimierung
der Warenallokation für 7.000 Point of Sales in Deutschland
-
Vermeidung
von Leerständen zur Sicherstellung hoher Kundenzufriedenheit
-
Berücksichtigung
der komplexen Vertriebsstruktur mit Online-Shops, stationärem Handel und über 24.300 Depots
-
Evaluierung
von Machine Learning vs. klassischen Ansätzen zur Effizienzsteigerung
Ziele des Projekts
-
Signifikante Absatzsteigerung
durch verbesserte Warenverfügbarkeit
-
Effizienzvorteile
in der Logistik- und Allokationsplanung schaffen
-
Entwicklung
eines skalierbaren Algorithmus zur optimalen Belieferung aller POS
-
Schnelle Berechnungen
vollständige Allokation für 7.000 Standorte in nur 12 Minuten
DAS PROJEKT
Neues Unternehmensberichtswesen. Mit einem statischen Algorithmus zum Erfolg
Im Projektverlauf wurden zunächst die genauen Anforderungen gemeinsam im Workshopformat herausgearbeitet. Mit Hilfe des beratungscontor-Vorgehensmodells konnten dann alle folgenden Projektschritte zu Beginn klar dargestellt werden, um die Projektbeteiligten eng in eine iterative Herangehensweise einzubinden.
Im Rahmen dessen wurde zunächst der Machine-Learning Ansatz geprüft. Dieser lieferte in den vorhandenen Rahmenbedingungen aber nicht die gewünschte Performance – der Absatz legte zwar deutlich zu, jedoch nur im Mittel. Manche Point of Sales verloren bei diesem Ansatz, andere gewannen hinzu. Gefunden werden sollte aber eine Lösung, bei der sich der Abverkauf an allen Point of Sales verbessert. Nach weiteren Tests und Modellrechnungen erwies sich der klassische Ansatz am erfolgversprechendsten: Das beratungscontor entwickelte schließlich einen statistischen Algorithmus, der in SAP BW/4HANA implementiert wurde und die Warenallokation für 7.000 Point of Sales in Deutschland signifikant verbesserte.
KUNDENSTIMME ZUM PROJEKT
„Die partnerschaftliche Zusammenarbeit und die Klarheit eines definierten Vorgehensmodells für dieses für uns neue Themenfeld waren wesentliche Erfolgsfaktoren für das Projekt.“
Mehr über machine learning mit sap erfahren?
Erleben Sie, wie die nahtlose Verbindung von SAP und Databricks Ihre Datenanalyse revolutioniert. In einer spannenden Live-Demo zeigen wir, wie Sie mit SAP-Daten innovative AI-Workflows aufbauen, Ihre Business-Daten anreichern und neue Wettbewerbsvorteile erschließen. Verpassen Sie nicht die Gelegenheit, Ihr Unternehmen mit smarter Datenanalyse und KI auf die Überholspur zu bringen!
KONTAKT
Sie haben Fragen zu der Referenz oder möchten sich über das Thema SAP BW/4HANA informieren? Kontaktieren Sie mich gerne!