OTTO ist die Toyota Motor Corporation unter den Handelsunternehmen, zumindest hierzulande. Wie der japanische Autohersteller die Produktion durch den Lean-Gedanken revolutioniert hat, wendet der Multi-Channel-Retailer Big Data Analytics auf den gesamten Produktlebenszyklus an – und kommt dabei zu erstaunlichen Ergebnissen. Was können mittelständische Unternehmen vom Beispiel OTTO lernen?
Allein in seinem Onlineshop setzt OTTO rund 20 Millionen Artikel jeden Tag um. Menschenunmöglich vorherzusagen, welche Artikel wann, wie in welcher Größe, Farbe und so weiter nachgefragt werden. Daher hat sich der Konzern frühzeitig mit Predictive Analytics, der vorausschauenden Analyse riesiger Datenmengen, beschäftigt. Heute wertet die Software täglich Millionen von Datensätzen aus und verbessert die Absatzplanung nachhaltig. Das Wetter, neue Trends, Feiertage und Ferienzeiten: Alles wirkt sich auf den Umsatz mit Bademode, T-Shirts, Stiefel, Kinderbekleidung und vielen anderen Artikeln aus.
Mit Predictive Applications können sowohl sämtliche interne Daten als auch externe Faktoren in die Prognosen einbezogen werden. So können Artikelabsätze präzise vorhergesagt und Bestellungen auf dieser Grundlage automatisiert werden. Gründe für Retouren lassen sich eindeutig bestimmen. Preise werden in Echtzeit optimiert und Trends frühzeitig erkannt. Letztlich entsteht aus vielen verschiedenen Datenanalysen und Prognosen eine ganzheitliche Betrachtung, die für mehr Transparenz, aber vor allem auch für mehr Umsatz sorgt.
Schritt für Schritt und out-of-the-box
[selectivetweet]#Predictive #Analytics können immer mehr Faktoren in Prognosen einbeziehen. #Logistik #BigData[/selectivetweet]Die „OTTO-Story“ und die anderen Cases, die Unternehmen wie wir, Blue Yonder, zu erzählen haben, stoßen bei Managern von mittelständischen Unternehmen zwar auf offene Ohren, aber sie haben Bedenken. „Wir haben weder die Zeit noch das Geld, um unser Unternehmen mit Big Data ‚smart‘ zu machen“, heißt es dann etwa. Dabei ist es heute mit verhältnismäßig geringem Aufwand möglich, ein Big-Data-Projekt aufzusetzen, das sich in wenigen Monaten rechnet. Der deutsche Sushi-Hersteller Natsu etwa macht das vor. Das Mindesthaltbarkeitsdatum der Convenience-Produkte liegt bei lediglich drei bis fünf Tagen. Mit Absatzprognosen von Blue Yonder ließ sich der Verlust durch abgelaufene Ware deutlich reduzieren. Unabhängig von der Unternehmensgröße sind Entscheider gefordert, sich realistische Ziele zu setzen und planvoll vorzugehen. Dazu haben wir ein dreistufiges Vorgehensmodell entwickelt:
- In einem Kick-off-Workshop mit Fachexperten und Entscheidungsträgern wird besprochen, welche Fragen mit Predictive Analytics geklärt werden sollen und definiert, welche Daten dazu benötig werden
- Wir prüfen das vorhandene Datenmaterial und beurteilen die zu erwartende Prognosequalität auf dieser Grundlage
- Gemeinsam mit dem Kunden werden die einzelnen Umsetzungsschritte geplant, um eine werthaltige Lösung produktiv zu betreiben
Wer heute in das Thema Big Data einsteigt, profitiert von der Pionierarbeit, die andere, meist große Unternehmen, in den letzten Jahren geleistet haben. Mittlerweile gibt es vorkonfigurierte Prognoseanwendungen für mittelständische Unternehmen. Als SaaS-Lösung lassen sich die Anwendungen mit wenig Aufwand in die bestehende IT-Systemlandschaft integrieren und erfordern keine Investitionen in Hardware. SaaS steht für Software as a Service, also für Mechanismen, die in der Cloud, vom externen Dienstleister betrieben, für den Kunden arbeiten. Blue Yonder beispielsweise bietet Absatzprognoselösungen, die sehr unternehmens- und branchenspezifische Faktoren integrieren. Automobilzulieferer schätzen so ihren Teilebedarf realistisch ein, wenn sie neben historischen Verkaufszahlen auch Wetter-, Lieferanten- und Marktforschungsdaten einbeziehen.