Vorhersagende Optimierung für die Modebranche
Mode wird von Neuheit angetrieben. Eine Modemarke muss das richtige Produkt zur richtigen Zeit, zum richtigen Preis und mit der richtigen Lagermenge entwerfen und auf den Markt bringen. Dann werden Promotionen zunächst verwendet, um die Nachfrage zu verstärken und anschließend, um eventuelle überschüssige Bestände zu liquidieren. Lokad bietet eine statistische Softwarelösung, die vorhersagende Optimierung in jedem Schritt des Produktlebenszyklus, von der Konzeption bis zur Liquidation, liefert. Unsere Technologie umfasst genau das, was Mode so unglaublich herausfordernd macht: allgegenwärtige Kannibalisierungen und Substitutionen, unvorhersehbare Trends und Saisonalitäten, endlose Ströme neuer Produkte, hochdynamische Preise usw.
Anm. Der folgende Inhalt gilt nicht für Luxusgüter, die einer völlig anderen Reihe von Regeln und Einschränkungen folgen. Weitere Informationen finden Sie unter Vorhersagende Optimierung für langlebige Luxusgüter.
Vizions by Zalando: Europas erste Plattformkonferenz, 20. April 2017, Berlin
Fangen wir mit einer harmlosen Frage an. Warum gibt es deiner Meinung nach Sales? Heutzutage sind Winter Sales, Summer Sales und eine Reihe kleinerer Veranstaltungen dazwischen eine Institution, insbesondere in der Modebranche. (...) Aber warum gibt es sie überhaupt? Sie existieren, um Einzelhändlern zu ermöglichen, überschüssige Bestände loszuwerden. Sales sind in erster Linie eine Manifestation einer fehlerhaften Prognose. Man kann argumentieren, dass sie heute viel mehr sind als das. Das mag stimmen, aber das ursprüngliche Ziel bleibt bestehen.
Joannes Vermorel, Gründer von Lokad
LOKAD TV
Schauen Sie sich unsere Interviews auf Lokad TV an und erfahren Sie mehr über Supply Chain und Mode.
End-to-end-Optimierung über den gesamten Produktlebenszyklus
Phase 1 - Vor-Kollektion
Viele Modemarken bringen pro Kollektion Tausende von neuen Referenzen auf den Markt - unter Berücksichtigung von Größen, Farben, Verkaufsstellen usw.
In den letzten zehn Jahren haben die erfolgreichsten Marken gezeigt, dass sie immer mehr den neuesten Trends folgen können, indem sie die Anzahl ihrer Kollektionen pro Jahr erhöhen und ihre Vorlaufzeiten verkürzen.
Lokads prädiktive Optimierungstechnologie behandelt jede einzelne Entscheidung über den gesamten Lebenszyklus für jedes Produkt der Marke. Unsere Technologie ist eine Kombination aus maschinellem Lernen - das zur Extraktion von Mustern oder Vorhersagen aus den Daten verwendet wird - und numerischer Optimierung - das zur Generierung optimierter Entscheidungen verwendet wird.
Die Vorbereitung der neuen Kollektion beginnt mit der Lieferung einer Sortimentsoptimierung - auch als Range-Plan bezeichnet. Die Lokad-Technologie ermöglicht es Ihnen, die richtige Auswahl an Größen, Farben und Formen auf der Grundlage der ursprünglichen Designs zusammenzustellen. Dieser Range-Plan soll so eng wie möglich den Wünschen und Erwartungen Ihrer Kundenbasis entsprechen. Lokad kann Ihnen helfen, den Geschäftsfall zu generieren, der den Range-Plan unterstützt, und bietet den Planern die Möglichkeit, den Plan mit ihren hochrangigen Erkenntnissen zu verfeinern - im Gegensatz zur Mikroverwaltung jeder einzelnen Produktvariante.
Sobald der Range-Plan abgeschlossen ist, liefern wir eine Einkaufsoptimierung, die genau angibt, wie viele Einheiten für jede einzelne Produktvariante produziert oder gekauft werden sollten - und wann bestellt werden soll. Natürlich wurden die meisten Produkte noch nie verkauft. Diese Aufgabe wird in der Regel durch mehrere MOQ (Minimal Order Quantities)-Beschränkungen, Preisnachlässe sowie unterschiedliche Vorlaufzeiten (z.B. das chinesische Neujahr, das die Produktion in Asien verlangsamt) erschwert. Lokad kann auch die Transportmischung (z.B. Seefracht vs. Luftfracht) und die Quellenmischung (z.B. Überseelieferanten vs. lokale Lieferanten) optimieren.
Als Beispiel kann unser MOQ-Löser mehrere überlappende MOQ-Beschränkungen bewältigen: Es kann ein MOQ auf Produktniveau geben (z.B. ein Mindestbestellwert von 100 Einheiten pro Produkt für jede Bestellung), ein weiteres MOQ auf Stoffebene (z.B. ein Mindestbestellwert von 3000 Metern Stoff pro Farbe) und ein letztes MOQ auf Lieferantenebene (z.B. ein Mindestbestellwert von 50.000 $ an Waren pro Bestellung). Die Berücksichtigung all dieser MOQs bei gleichzeitiger Kontrolle der Lagerbestände ist eine große Herausforderung, wenn MOQs manuell verarbeitet werden. Lokad vereinfacht den Prozess vollständig durch numerische Solver, die es ermöglichen, den profitabelsten Bestellumfang zu identifizieren, der alle gegebenen Einschränkungen erfüllt.
Phase 2 - nach dem Start der Kollektion
Wenn der Start der Kollektion bevorsteht, liefern wir eine Bestandsallokationsoptimierung, die genau festlegt, wie viele Einheiten jedem Vertriebszentrum und/oder jedem Geschäft zugeordnet werden sollen. Im Geschäft hat der Bestand zwei Zwecke: nicht nur die Bedienung der Nachfrage, sondern auch die Anziehung der Kundschaft im Geschäft. Die Allokationsoptimierung berücksichtigt diesen Merchandising-Aspekt angemessen und nutzt jedes Geschäft optimal aus. Die Optimierung berücksichtigt die Begrenzungen der Lagerkapazität (z.B. Regalplatz) sowie die begrenzte Kapazität der Bodenteams, um mit großen Eingangsbatches von Produkten umzugehen. Bundles und Lots - die sich zur Senkung der Handhabungskosten eignen - werden ebenfalls berücksichtigt.
Um den neuesten Trends gerecht zu werden, identifizieren wir Bestseller und Langsamverkäufer. Die Identifizierung der Bestseller, die dazu dienen soll, frühzeitige Auffüllungen auszulösen, kann mit begrenzten Lagerbeständen erfolgen, indem der Markt nur in einer begrenzten Anzahl von Geschäften sondiert wird - möglicherweise nur über die E-Commerce-Plattform. Umgekehrt ist die frühzeitige Identifizierung von Langsamverkäufern ebenfalls wichtig, um diese Produkte so schnell wie möglich aus den Regalen zu entfernen, die sie zu Lasten besserer Produkte einnehmen.
Für die meisten Fast-Fashion-Marken gehören Rabatte und andere Werbemechanismen zum Markenkern. Lokad bietet Möglichkeiten zur Preisoptimierung, indem es vorschlägt, wann der Preis gesenkt werden sollte, um sicherzustellen, dass am Ende der Kollektion keine Restbestände übrig bleiben, während der Gesamtbruttogewinn maximiert wird.
Wir berücksichtigen auch Rabatte, die aus Treueprogrammen stammen und auf viele Produkte einheitlich angewendet werden können und manchmal Rabatte auf Produktniveau ersetzen oder ergänzen können.
Sortimentsoptimierung, Einkaufsoptimierung, Bestandsallokationsoptimierung, Identifizierung von Bestsellern und Langsamverkäufern, Preisoptimierung: Mit Lokad können all diese Entscheidungen - und mehr - mit einer konsistenten End-to-End-Perspektive auf den gesamten Produktlebenszyklus optimiert werden. Es ist jedoch auch möglich, mit einem engeren Fokus klein anzufangen. Bei Fragen senden Sie uns bitte eine E-Mail an contact@lokad.com
Mode erfordert nicht-klassische Nachfrageprognosen
Die Optimierung von Entscheidungen in Bezug auf Bestände und Preise erfordert genaue Einblicke in die Zukunft. Die klassische Perspektive der Nachfrageprognose ist jedoch im Modebereich weitgehend dysfunktional. Lokad hat daher einzigartige Prognosefähigkeiten entwickelt, die von Grund auf auf die Herausforderungen von Modeunternehmen ausgerichtet sind.
Wir arbeiten mit probabilistischen Prognosen: Wir betrachten alle möglichen Zukunftsszenarien und berechnen ihre jeweiligen Wahrscheinlichkeiten. Tatsächlich ist die Unsicherheit der Nachfrage im Modebereich nicht reduzierbar. Es besteht keine Hoffnung, eine “perfekte” Prognose zu erstellen. Traditionelle Methoden erwarten, dass Entscheidungen auf der Grundlage einer einzigen Prognose getroffen werden, was diese Entscheidungen anfällig für Prognosefehler macht.
Anstatt Unsicherheit abzulehnen, akzeptieren wir sie. Durch probabilistische Prognosen balancieren wir Risiken und Chancen aus.
Die Prognosen erfolgen auf Sortimentsebene, um die Kannibalisierungs- und Substitutionseffekte zu berücksichtigen. Die Prognose der Nachfrage nach einem Produkt isoliert betrachtet ist sinnlos, da die Nachfrage nach diesem Produkt stark von der Anwesenheit - oder Abwesenheit - ähnlicher Produkte beeinflusst wird, die alle um die gleichen Kunden konkurrieren. Traditionelle Methoden, die sich auf Zeitreihenprognosen konzentrieren, übersehen diesen Punkt vollständig, und die Situation verschlechtert sich in der Regel noch, wenn auch Sicherheitsbestände oder Servicelevel verwendet werden.
Die Nachfrage wird durch die Preisgestaltung bedingt, die ein integraler Bestandteil unserer Prognose ist. Die zukünftige Nachfrage ist nicht nur eine Frage von Wahrscheinlichkeiten, sondern diese Wahrscheinlichkeiten werden auch vom Preis des Produkts beeinflusst - ein handlungsfähiger Hebel, den das Unternehmen zur Verfügung hat.
Auch hier spielt das Sortiment eine Rolle, und der Anstieg der Nachfrage hängt von der Gesamtwerbeintensität ab. Es ist unklug, denselben Anstieg zu erwarten, wenn das Produkt das einzige ist, das im Geschäft beworben wird, im Vergleich zu einer Werbeaktion, die auf das gesamte Geschäft angewendet wird. Prognosen enden nicht nur bei der Nachfrage; auch Rücksendungen und Lieferzeiten müssen prognostiziert werden.
Jede Unsicherheitsquelle erfordert eine ordnungsgemäße statistische Prognose, und obwohl die zukünftige Nachfrage im Mittelpunkt steht, gibt es Bedürfnisse jenseits der Nachfrageprognose, und wir haben unsere Technologie entsprechend entwickelt. Diese Prognosen sind in der Regel auch probabilistisch und neigen dazu, mit den Nachfrageprognosen selbst kombiniert zu werden - z.B. die Prognose der Nachfrage über die Lieferzeit. Die neueste Generation unserer Prognosetechnologie basiert auf differenzierbarem Programmieren. Dieser Nachkomme des Deep Learning ist besonders geeignet, um mit spärlicher und intermittierender Nachfrage umzugehen, wie sie in der Modeindustrie häufig beobachtet wird.
Was ist mit dem Wetter und den sozialen Medien?
Unsere Erfahrung zeigt, dass die meisten Unternehmen ihre eigenen "grundlegenden" historischen Daten dramatisch unterbewerten. Die meisten Nachfrageprognosen nutzen nicht einmal die Kundentreue-Daten, und die meisten Bestellungen werden ohne formale Lieferzeitprognose getätigt. Daher sind wir der festen Überzeugung, dass Unternehmen damit beginnen sollten, das Beste aus den Daten zu machen, die sie bereits haben, auch wenn wir nicht davon absehen, Hinweise aus externen Datenquellen wie sozialen Medien oder Wetterdaten zu nutzen.
Skalierung der Herausforderung
Mode im großen Maßstab umfasst Hunderte von Geschäften und Zehntausende von Varianten. Daher muss der Prognosemotor in der Lage sein, sich auf Millionen von SKU-Positionen zu skalieren. Unser Prognosemotor wurde von Anfang an für Cloud Computing konzipiert. Im Gegensatz zu traditionellen Lösungen ist die Cloud für Lokad kein nachträglicher Gedanke: Lokad kann täglich Terabytes an Daten verarbeiten.
Zusätzlich zu den traditionellen Ansätzen stützt sich unsere Prognosefähigkeit nicht darauf, ältere und neuere Produkte manuell zu verknüpfen, indem dem System mitgeteilt wird, welches ältere Produkt als das relevanteste für die Prognose des neuen Produkts angesehen werden sollte.
Stattdessen stützt sich unser Prognosemotor ausschließlich auf fortschrittliche maschinelle Lernalgorithmen, um automatisch die Ähnlichkeiten zu erkennen, die zwischen Produkten bestehen können, und selbstständig zu identifizieren, welche spezifischen Produkte für die Prognose eines neuen Produkts in der Kollektion relevant sind.
Diese automatische Erkennung von Ähnlichkeiten basiert auf den zahlreichen Produktattributen, die typischerweise in der Mode vorhanden sind: Produkttyp, Produktfamilie, Größe, Farbe, Stoff, Stil, Preisniveau, Marke usw. Obwohl man sich vielleicht Sorgen über die erforderliche Datenmenge macht, zeigt unsere Erfahrung bei Lokad, dass Katalogdaten, wie sie beispielsweise für den Betrieb der Facetten einer E-Commerce-Front-End existieren, in der Regel ausreichen, um gute Ergebnisse zu erzielen.
Traditionelle Prognoselösungen, die auf manuellen Paarungen zwischen Produkten basieren, sind zu zeitaufwändig, um effektiv zu sein - es gibt zu viele Paare zu berücksichtigen -, da gerade die Paarung das Hauptelement der Prognosen ist.
Aufgrund der Unwirksamkeit dieser Methode neigen Unternehmen dazu, zu ihren Tabellenkalkulationen zurückzukehren, da die manuelle Paarungsprognoselösung nicht den erforderlichen Wert liefert. Lokad geht die Herausforderung direkt an und konzentriert sich auf die Kernschwierigkeit der Herausforderung, anstatt die Last auf die Benutzer abzuwälzen.
Bei Lokad bezeichnen wir diesen Prognoseprozess zwar als Produktzuordnung, gehen jedoch nicht davon aus, dass es eine 1-zu-1-Zuordnung zwischen Produkten aus einer alten und einer neuen Kollektion gibt. Zum Beispiel kann ein Produkt in mehrere Varianten aufgeteilt werden, was zu Kannibalisierungen führen kann. Dann könnte ein anderes Produkt wirklich “neu” sein, ohne ähnliche vergangene Produkte. In einem solchen Fall stützt sich der Prognosemotor auf weiterreichende Überlegungen wie die Produktkategorie, Familie, Marke oder Preisniveau.
Wirtschaftliche Treiber und Whiteboxing
Entscheidungen müssen gegen ihre erwarteten Renditen in Dollar oder Euro optimiert werden, nicht in Prozent.
Alle Faktoren, die die Kosten und den Nutzen einer Entscheidung beeinflussen, werden gemeinsam als wirtschaftliche Treiber bezeichnet: Sie umfassen die Bruttomarge, die Lagerhaltungskosten, die Transportkosten, die Kosten für die Regalfläche, das Kundenwohlwollen usw. Lokad modelliert explizit all diese wirtschaftlichen Treiber und berücksichtigt dabei die Besonderheiten des Mode-Marktes.
Wenn zum Beispiel ein Produkt mit einem Rabatt verkauft wird, entsteht eine Erwartung des Kunden, in Zukunft von einem ähnlichen Rabatt zu profitieren.
Der erste Zweck dieser wirtschaftlichen Treiber besteht darin, den numerischen Optimierungsprozess zu unterstützen, der die Entscheidungen generiert (z. B. Bestellmengen oder Produktrabatte). Ohne Messung gibt es keine Optimierung: Die wirtschaftlichen Treiber sind buchstäblich das, was den Optimierungsprozess zum Laufen bringt.
Lokad ist kein Ersatz für tiefgreifende strategische Erkenntnisse (diese stammen aus der Expertise Ihres Teams), unsere Technologie ist lediglich darauf ausgelegt, es möglich zu machen, diese strategischen Erkenntnisse - wie sie sich in den wirtschaftlichen Treibern widerspiegeln - in jeder einzelnen Entscheidung des Unternehmens umzusetzen.
Der zweite Zweck dieser Treiber ist der “Whiteboxing”-Prozess. Der Zweck des Whiteboxing-Prozesses besteht darin, Ihrem Team für jede von Lokad generierte Entscheidung ein hohes Maß an Transparenz zu bieten. Ihr Team muss verstehen, warum Lokad diese Entscheidung vorschlägt. Um dies zu erreichen, wird jeder von Lokad generierten Entscheidung ein Satz von Metriken - gemessen in Euro oder Dollar - beigefügt, die die Geschäftsabsicht der Entscheidung erklären. Diese Metriken sind die verschiedenen Reflexionen der wirtschaftlichen Treiber. Unsere Erfahrung zeigt, dass dieser Ansatz überlegen ist, um das algorithmische Kleingedruckte der Berechnung zu beleuchten, was nicht nur unglaublich mühsam ist, sondern auch für Maschinenlernexperten oder Experten für numerische Optimierung weitgehend sinnlos ist.
Aus Managementperspektive sind wirtschaftliche Treiber ein leistungsstarker Mechanismus, um das Unternehmen in die richtige Richtung zu lenken. Diese Treiber werden nicht als “unveränderlich” angesehen, sondern sind im Gegenteil immer veränderbar, um die Entwicklung des Marktes widerzuspiegeln. Die Technologie von Lokad ist darauf ausgelegt, ein hohes Maß an Agilität zu bieten: Mit geringem Aufwand ist es möglich, komplexe Was-wäre-wenn-Szenarien zu entwickeln, die verschiedene alternative Strategien darstellen.