KI-Prognosen schätzen für jede Filiale und jeden Artikel, wie viel Ware voraussichtlich gebraucht wird. Sie berücksichtigen Verkaufsverlauf, Wetter, Feiertage und Aktionen und helfen, Regallücken wie Überbestände zu vermeiden.
Ihre Filialen bekommen für jeden Artikel einen Bestellvorschlag aus Verkaufsverlauf, Wetter und Kalender. Das senkt Verluste und Lücken zugleich.
Lebensmittelmärkte bestellen täglich tausende Artikel, die schnell verderben. Bestellt ein Markt zu wenig, bleiben Regale leer und Kunden gehen; bestellt er zu viel, landet Ware im Müll. Prognosemodelle lernen aus dem Verkaufsverlauf jeder Filiale und jedes Artikels und verbinden ihn mit Einflussgrößen wie Wetter, Feiertagen, Ferien und Aktionen. Aus der erwarteten Nachfrage entsteht ein Bestellvorschlag, den Marktleitung oder Disposition prüfen und anpassen. Die Modelle werden laufend mit den tatsächlichen Verkäufen abgeglichen und verbessert. Besonders bei Frischware und Aktionsartikeln liefern sie genauere Werte als pauschale Faustregeln.
Klassische Dispositionssoftware rechnet mit festen Faktoren und Mittelwerten. Lernende Modelle erkennen viele Einflüsse gleichzeitig, etwa Wetter, Kalender und Aktionen, und lernen für jede Filiale und jeden Artikel eigene Muster, die sich ändern.
Händler mit präziser Nachfrageplanung bieten frischere Regale bei geringeren Verlusten und können Preise stabiler halten.
Jede Abschrift und jede Regallücke kostet Marge. Bessere Prognosen verschieben beides in die richtige Richtung, ohne mehr Fläche oder Personal zu brauchen.
Die Bestellung wird von der täglichen Handarbeit zur Prüfung von Vorschlägen. Lieferungen und Personal lassen sich besser planen.
Disponenten und Marktleiter sehen zuerst einen Vorschlag und prüfen ihn gegen ihr Wissen über Lage und Ereignisse. Routinebestellung fällt weg, Ausnahmen bleiben.
Die Rolle verschiebt sich vom Bestellen zum Überwachen und Eingreifen bei Abweichungen.
Wichtig sind der Umgang mit Prognosewerten, Plausibilitätsprüfung und das Melden von Sonderereignissen an das System.
Kunden erleben seltener Regallücken und frischere Ware. Dass dahinter eine Prognose steht, merken sie nicht.
Weniger vernichtete Lebensmittel stärken die Akzeptanz des Handels.
Verbreitung: Dokumentiert bei 1 Organisation – 1 Pilot/Erprobung · Stand 08/2024
Praxisbeispiel für Unternehmen · EDEKA Trabold · Pilot (Stand 08/2024) · Beleglage mittel
In Kooperation mit dem Projekt KI-Regio erprobt EDEKA Trabold den Einsatz von KI für die Absatz- und Bedarfsplanung.
Die Prognosemodelle sollen präzisere Vorhersagen von Nachfrage und Absatz auf Filial- und Artikelebene ermöglichen. Dabei werden historische Verkaufsdaten, saisonale Muster sowie externe Faktoren wie Wetter und Feiertage berücksichtigt. Ziel des Projekts ist es, Bestände zu optimieren, Überhänge sowie Lebensmittelverluste zu reduzieren und die Warenverfügbarkeit zu verbessern.
Marktleitung und Disposition prüfen Bestellvorschläge statt alles selbst zu schätzen. Dokumentiert ist ein Pilot in einem Forschungsprojekt.
Gestützt auf einen dokumentierten Praxisfall.
Prognosen sollen Bestände optimieren, Überhänge reduzieren und die Warenverfügbarkeit verbessern; gemessene Zahlen liegen nicht vor.
„Dadurch lassen sich Bestände optimieren, Überhänge reduzieren und die Warenverfügbarkeit für Kundinnen und Kunden verbessern.“
Gestützt auf einen dokumentierten Praxisfall.
Kundinnen und Kunden finden häufiger, was sie suchen; eine Wirkung ist nicht dokumentiert.
Gestützt auf einen dokumentierten Praxisfall.
Weniger Überhänge bedeuten weniger entsorgte Frischware; gemessene Wirkungen liegen nicht vor. Übergreifend erwarten Energieanalysen, dass sich der Strombedarf von Rechenzentren bis 2030 mehr als verdoppelt.
„It projects that electricity demand from data centres worldwide is set to more than double by 2030 to around 945 terawatt-hours (TWh)“
Gestützt auf einen dokumentierten Praxisfall.
Zu niedrige Prognosen führen zu leeren Regalen; Sonderereignisse sind schwer vorherzusagen. Das System ist voraussichtlich kein Hochrisiko-System nach dem EU AI Act; Betreiber müssen voraussichtlich nach Artikel 4 für KI-Kompetenz sorgen.
„Die Anbieter und Betreiber von KI-Systemen ergreifen Maßnahmen, um nach besten Kräften sicherzustellen, dass ihr Personal und andere Personen“
Belegt: eine abgerufene Quelle oder ein freigegebener Praxisfall trägt die Aussage. Eingeordnet: redaktionelle Einschätzung. Offen: dazu ist nichts dokumentiert. Keine Rechtsberatung.
Die Lösung passt zur Tätigkeit in einem fachlichen Kontext, aber nicht automatisch zu jedem Beruf mit dieser Tätigkeit.
Die fachliche Passung wurde KI-gestützt anhand der Anwendung und der beruflichen Aufgaben geprüft. Daraus folgt keine gemessene KI-Wirkung auf den gesamten Beruf.