Page 8 - LogReal.direkt_Ausgabe_3_2016
P. 8
: : E-Commerce
sind in der Lage, für jede mögliche Verkaufsmenge und Für die Produkte A und B gilt das nicht. Um den Kunden
-situation anzugeben, wie hoch das Risiko für beliebige einen hohen Servicelevel zu garantieren, würden für LogReal. Seminare
Sicherheitsbestände ist. diese Produkte daher normalerweise wesentlich höhere
Sicherheitsbestände benötigt als für Produkt C. Dabei ist
In unserem Beispiel (Abb. 1) ist der historische Absatz gleichzeitig absehbar, dass diese Sicherheitsbestände in
von drei verschiedenen Produkten zusammengefasst.
den meisten Verkaufsperioden überhaupt nicht ausge-
Alle drei Produkte wurden im Mittel zehn Mal verkauft. schöpft werden (hohes Dispositionsrisiko). FORUM
Dennoch unterscheiden sich die Abverkaufszahlen durch
unterschiedliche Schwankungsbreiten (Varianz): Der Ab- Einsatz von Algorithmen
satz des Produkts C bewegt sich relativ wenig um den Tag der Logistikimmobilie
Mittelwert herum, die Produkte A und B unterliegen da- reduziert Dispositionsrisiken
gegen größeren Schwankungen. Für Produkt C wird der
Abverkauf in der zu planenden Dispositionsperiode sehr Machine-Learning-Algorithmen berücksichtigen neben JETZT FRÜHZEITIG ANMELDEN UND 100 € TEILNAHMEGEBÜHR SPAREN
wahrscheinlich nur moderat von dem prognostizierten historischen Absatzzahlen auch zukünftige externe Ein-
Mittelwert abweichen. Die Lagerhaltung dieses Produkts flussfaktoren, um den zu erwartenden Bedarf zu berech-
birgt also ein nur geringes Dispositionsrisiko. nen. Ziel ist es, über maschinelle Lernverfahren aus den
statistischen Mustern historischer Ereignisse zukünftige 22.9.2016 DÜSSELDORF | 26.10.2016 FRANKFURT | 7.12.2016 MÜNCHEN
Absatzverteilungen mit möglichst niedriger Schwan-
kungsbreite zu prognostizieren. Unter der Vorausset-
zung einer guten Datenqualität und hinreichend langer
Datenhistorie kann es mit diesem Ansatz gelingen, auch
für Produkte mit starken Absatzschwankungen (Produk-
te A und B aus unserem Beispiel) Absatzverteilungen mit
niedriger Schwankungsbreite zu prognostizieren und mit
diesem Wissen den Lagerbestand produktspezifisch zu
optimieren.
Verschiedene Optimierungsprojekte für verschiedene
Lieferketten haben in den vergangenen Jahren gezeigt,
dass sich Methoden des maschinellen Lernens hervorra-
gend dazu eignen, produkt- und ortsspezifische Absätze
mit niedrigen Schwankungsbreiten vorherzusagen. Tat-
Abb. 1: Exemplarische Wahrscheinlichkeitsverteilungen sächlich sind Machine-Learning-Algorithmen der ent-
drei verschiedener Produkte mit identischem scheidende Hebel, um Supply-Chains so zu optimieren,
Erwartungswert aber unterschiedlicher Streuungsbreite dass sich der Servicelevel kostenneutral oder sogar güns-
(Varianz). tiger verbessern lässt.
Prof. Dr. Michael Feindt ist der Kopf hinter Blue Yonder. für den Handel entwickelt wurden. 2008 vom ehemali-
INFO
gen CERN-Forscher Prof. Dr. Michael Feindt in Karlsruhe
Während seiner langjährigen Forschungstätigkeit am
CERN entwickelte er den NeuroBayes-Algorithmus. Er ist gegründet, ist Blue Yonder heute in Europa und den USA
Professor am Karlsruher Institut für Technologie (KIT) und tätig, unterstützt von der Private-Equity-Gesellschaft
Dozent an der Data Science Academy Warburg Pincus und der Otto Group als Investoren. Blue Fachvorträge
Yonder wurde bereits vielfach ausgezeichnet, unter an-
Blue Yonder ist Anbieter von cloudbasierten Predictive derem mit dem Experton Big Data Leader Award 2016, Außen Design, innen Effizienz – die Logistikimmobilie Verantwortung Sprinkleranlage in Logistikzentren
Applications für den Handel. Das Unternehmen liefert dem Technology Innovator Award 2015, dem BT Retail Andreas Fleischer, Northern Europe SEGRO Dipl. Ing. Jörg Wilms-Vahrenhorst, Fachreferent des bvfa
Handelsunternehmen täglich die besten Entscheidun- Week Technology Award, dem Deutschen Innovations- Logistikmietverträge – Fallbeispiele aus der Praxis Fördermöglichkeiten für Logistikunternehmen
gen, um ihren Umsatz zu steigern, ihre Margen zu er- preis sowie dem FOCUS Digital Star Award. Prof. Dr.-Ing. Armin Bohnhoff, BoLog Immobilien Gerhild Jung, Institute for Supply Chain Security
höhen und schnell auf die Herausforderungen des dy- Kostenverteilung im Mietvertrag – Fallstricke der Praxis Logistikimmobilien im Ertragssteuerrecht
namischen Marktes reagieren zu können. Die Servcie Dr. Felix Schäfer + Dip.-Ing. Marcus Flatau BBA, VISUS Karl-Heinz Gimmler, Rechtsanwalt, Fachanwalt für Steuerrecht
Blue Yonder GmbH
asa Software-Lösungen zur Preisgestaltung, zur Waren- Fon +49 (0)721 383 117 36 IndustrialScore – Heatmap für Deutschland Anmeldung unter www.logrealseminare.de
disposition und zum Customer Targeting basieren auf Fax +49 (0)721 383 117 69 Peter Salostowitz, IndustrialPort Real Estate LogReal.World GmbH | Lübecker Str. 32 | 44135 Dortmund
innovativen Machine-Learning-Algorithmen, die speziell www.blue-yonder.com
8 LogReal.direkt INSTITUTE FOR
SUPPLY CHAIN SECURITY
LogReal_2016_03_innen4e_pro.indd 8 22.07.16 11:58
sind in der Lage, für jede mögliche Verkaufsmenge und Für die Produkte A und B gilt das nicht. Um den Kunden
-situation anzugeben, wie hoch das Risiko für beliebige einen hohen Servicelevel zu garantieren, würden für LogReal. Seminare
Sicherheitsbestände ist. diese Produkte daher normalerweise wesentlich höhere
Sicherheitsbestände benötigt als für Produkt C. Dabei ist
In unserem Beispiel (Abb. 1) ist der historische Absatz gleichzeitig absehbar, dass diese Sicherheitsbestände in
von drei verschiedenen Produkten zusammengefasst.
den meisten Verkaufsperioden überhaupt nicht ausge-
Alle drei Produkte wurden im Mittel zehn Mal verkauft. schöpft werden (hohes Dispositionsrisiko). FORUM
Dennoch unterscheiden sich die Abverkaufszahlen durch
unterschiedliche Schwankungsbreiten (Varianz): Der Ab- Einsatz von Algorithmen
satz des Produkts C bewegt sich relativ wenig um den Tag der Logistikimmobilie
Mittelwert herum, die Produkte A und B unterliegen da- reduziert Dispositionsrisiken
gegen größeren Schwankungen. Für Produkt C wird der
Abverkauf in der zu planenden Dispositionsperiode sehr Machine-Learning-Algorithmen berücksichtigen neben JETZT FRÜHZEITIG ANMELDEN UND 100 € TEILNAHMEGEBÜHR SPAREN
wahrscheinlich nur moderat von dem prognostizierten historischen Absatzzahlen auch zukünftige externe Ein-
Mittelwert abweichen. Die Lagerhaltung dieses Produkts flussfaktoren, um den zu erwartenden Bedarf zu berech-
birgt also ein nur geringes Dispositionsrisiko. nen. Ziel ist es, über maschinelle Lernverfahren aus den
statistischen Mustern historischer Ereignisse zukünftige 22.9.2016 DÜSSELDORF | 26.10.2016 FRANKFURT | 7.12.2016 MÜNCHEN
Absatzverteilungen mit möglichst niedriger Schwan-
kungsbreite zu prognostizieren. Unter der Vorausset-
zung einer guten Datenqualität und hinreichend langer
Datenhistorie kann es mit diesem Ansatz gelingen, auch
für Produkte mit starken Absatzschwankungen (Produk-
te A und B aus unserem Beispiel) Absatzverteilungen mit
niedriger Schwankungsbreite zu prognostizieren und mit
diesem Wissen den Lagerbestand produktspezifisch zu
optimieren.
Verschiedene Optimierungsprojekte für verschiedene
Lieferketten haben in den vergangenen Jahren gezeigt,
dass sich Methoden des maschinellen Lernens hervorra-
gend dazu eignen, produkt- und ortsspezifische Absätze
mit niedrigen Schwankungsbreiten vorherzusagen. Tat-
Abb. 1: Exemplarische Wahrscheinlichkeitsverteilungen sächlich sind Machine-Learning-Algorithmen der ent-
drei verschiedener Produkte mit identischem scheidende Hebel, um Supply-Chains so zu optimieren,
Erwartungswert aber unterschiedlicher Streuungsbreite dass sich der Servicelevel kostenneutral oder sogar güns-
(Varianz). tiger verbessern lässt.
Prof. Dr. Michael Feindt ist der Kopf hinter Blue Yonder. für den Handel entwickelt wurden. 2008 vom ehemali-
INFO
gen CERN-Forscher Prof. Dr. Michael Feindt in Karlsruhe
Während seiner langjährigen Forschungstätigkeit am
CERN entwickelte er den NeuroBayes-Algorithmus. Er ist gegründet, ist Blue Yonder heute in Europa und den USA
Professor am Karlsruher Institut für Technologie (KIT) und tätig, unterstützt von der Private-Equity-Gesellschaft
Dozent an der Data Science Academy Warburg Pincus und der Otto Group als Investoren. Blue Fachvorträge
Yonder wurde bereits vielfach ausgezeichnet, unter an-
Blue Yonder ist Anbieter von cloudbasierten Predictive derem mit dem Experton Big Data Leader Award 2016, Außen Design, innen Effizienz – die Logistikimmobilie Verantwortung Sprinkleranlage in Logistikzentren
Applications für den Handel. Das Unternehmen liefert dem Technology Innovator Award 2015, dem BT Retail Andreas Fleischer, Northern Europe SEGRO Dipl. Ing. Jörg Wilms-Vahrenhorst, Fachreferent des bvfa
Handelsunternehmen täglich die besten Entscheidun- Week Technology Award, dem Deutschen Innovations- Logistikmietverträge – Fallbeispiele aus der Praxis Fördermöglichkeiten für Logistikunternehmen
gen, um ihren Umsatz zu steigern, ihre Margen zu er- preis sowie dem FOCUS Digital Star Award. Prof. Dr.-Ing. Armin Bohnhoff, BoLog Immobilien Gerhild Jung, Institute for Supply Chain Security
höhen und schnell auf die Herausforderungen des dy- Kostenverteilung im Mietvertrag – Fallstricke der Praxis Logistikimmobilien im Ertragssteuerrecht
namischen Marktes reagieren zu können. Die Servcie Dr. Felix Schäfer + Dip.-Ing. Marcus Flatau BBA, VISUS Karl-Heinz Gimmler, Rechtsanwalt, Fachanwalt für Steuerrecht
Blue Yonder GmbH
asa Software-Lösungen zur Preisgestaltung, zur Waren- Fon +49 (0)721 383 117 36 IndustrialScore – Heatmap für Deutschland Anmeldung unter www.logrealseminare.de
disposition und zum Customer Targeting basieren auf Fax +49 (0)721 383 117 69 Peter Salostowitz, IndustrialPort Real Estate LogReal.World GmbH | Lübecker Str. 32 | 44135 Dortmund
innovativen Machine-Learning-Algorithmen, die speziell www.blue-yonder.com
8 LogReal.direkt INSTITUTE FOR
SUPPLY CHAIN SECURITY
LogReal_2016_03_innen4e_pro.indd 8 22.07.16 11:58
