KAISER Fashion
Die teuerste Ware ist die, die niemand braucht.
Wie KAISER mit KI den Bedarf besser plant, die Nachlieferung am nächsten Tag sichert und weniger Kapital in Beständen bindet.
- Branche
- Mode, Textil und Handel
- Leistung
- KI-EntwicklungAI Hub
Ausgangslage
KAISER aus Kleinheubach ist Spezialist für Herrenanzüge und Herrenoberbekleidung und beliefert Handelsunternehmen in Europa, den USA, Kanada und weiteren Märkten. Mehr als eine Million hängend gelagerte Teile im Zentrallager bilden die logistische Grundlage.
Im Modegeschäft entscheidet sich der Erfolg Monate, bevor ein Anzug im Laden hängt. Bei KAISER liegen zwischen Produktionsplanung, Fertigung, Transport und Einlagerung oft mehr als sechs Monate.
Gleichzeitig hat KAISER seinen Handelspartnern zugesagt, abverkaufte Ware schon am nächsten Tag aus dem Zentrallager nachzuliefern, und zwar genau in der Farbe und Größe, die verkauft wurde. Zu viel Ware bindet Kapital, zu wenig gefährdet die Lieferfähigkeit.
Die Schere
Sechs Monate Vorlauf, ein Tag Zusage.
Zwischen Planung und Einlagerung liegen bei KAISER oft mehr als sechs Monate. Gleichzeitig gilt die Zusage, abverkaufte Ware am nächsten Tag nachzuliefern. Dafür braucht es eine vorausschauende Bestandsplanung und verlässliche Abläufe.
Von der Planung bis ins Lager
> 6 Monate
- Produktionsplanung
- Fertigung
- Transport
- Einlagerung
Vom Abverkauf bis zur Nachlieferung
1 Tag
Warum das schwer ist
Ein Anzug, viele Varianten.
Nachgeliefert wird genau die Kombination, die verkauft wurde. Stell selbst ein, wie viele Varianten schon ein einziges Modell hat.
240Varianten eines einzigen Modells
4 Farben × 20 Größen × 3 Passformen
Für jede Kombination muss der Bedarf eingeschätzt werden. Zu hohe Bestände binden Kapital, zu niedrige gefährden die Nachlieferung. Über das Sortiment steigt die Zahl der Varianten.
Beispielwerte zur Veranschaulichung, keine Daten von KAISER.
Vorgehen
Ein zentrales Data Warehouse bündelt die Unternehmensdaten. Der AI Hub macht verbundene Informationen für KI-Anwendungen nutzbar.
Für die Never-out-of-Stock-Planung (NOS) analysieren mehr als 30 KI-Modelle Absatz- und Bestandsdaten. Sie schätzen den Bedarf je Artikel, Farbe und Größe.
Zunächst haben wir mit KAISER die Daten bereinigt. Danach wurden die Modelle anhand tatsächlicher Prognosefehler und Rückmeldungen aus der Disposition schrittweise verbessert.
So läuft die Prognose
Von den Rohdaten bis zur Disposition.
Fünf Stationen, ein Ablauf. Wähl eine Station, um zu sehen, was dort passiert.
Station 1 von 5
Absatz- und Bestandsdaten
Für die NOS-Prognose werden die relevanten Daten aus den angebundenen Systemen zusammengeführt und geprüft.
- Absatz
- Bestände
- Datenprüfung
Station 2 von 5
Data Warehouse
Ein zentrales Data Warehouse bündelt die Daten, der AI Hub macht sie für die Modelle nutzbar. Bevor ein Modell rechnet, werden die Daten bereinigt.
- AI Hub
- Datenbereinigung
Station 3 von 5
30+ KI-Modelle
Mehr als 30 Modelle analysieren Absatz- und Bestandsdaten, erkennen Veränderungen in der Nachfrage und schätzen den Bedarf je Artikel, Farbe und Größe.
- Artikel
- Farbe
- Größe
Station 4 von 5
Disposition
Die Prognose zeigt, welche Mengen gebraucht werden, wo Lieferlücken drohen und welche Bestände über den Bedarf hinausgehen. Damit arbeitet die Disposition jeden Tag.
- Lieferlücken
- Überbestände
- Nachlieferung am nächsten Tag
Station 5 von 5
Verfeinern
Die Modelle werden schrittweise verbessert: anhand tatsächlicher Prognosefehler, veränderter Sortimente und Rückmeldungen aus der Disposition.
- Prognosefehler
- Sortimentswechsel
- Rückmeldungen
Station 1 von 5
Absatz- und Bestandsdaten
Für die NOS-Prognose werden die relevanten Daten aus den angebundenen Systemen zusammengeführt und geprüft.
- Absatz
- Bestände
- Datenprüfung
Ergebnis
Nach Angaben von KAISER stieg die Prognosegenauigkeit bei den Top-Sellern von rund 60 auf 98 Prozent. Gleichzeitig sank das in Beständen gebundene Kapital um rund drei Millionen Euro. Die vereinbarten Anforderungen an die Lieferfähigkeit wurden weiterhin erfüllt.
Planungsentscheidungen sind seitdem schneller und besser nachvollziehbar.
- Prognosegenauigkeit bei den Top-Sellern
- 60→98 %
- weniger Kapital in Warenbeständen
- ≈ 3 Mio €
- KI-Modelle in der Prognose
- 30+
- Nachlieferzusage an den Handel
- 1 Tag
Mit Blue Tomato Technologies haben wir aus unserer jahrzehntelangen Erfahrung und echten Daten eine Lösung gebaut, die im Alltag trägt: Bei unseren Top-Sellern haben wir die Prognosegenauigkeit von rund 60 auf 98 Prozent gesteigert und gleichzeitig rund drei Millionen Euro weniger Kapital im Lager gebunden – bei weiterhin hoher Lieferfähigkeit für unsere Handelspartner.
Der Unterschied
Von 60 auf 98 Prozent.
Bei den Top-Sellern stieg die Prognosegenauigkeit nach Angaben von KAISER von rund 60 auf 98 Prozent. Die Werte beziehen sich auf den im Projekt betrachteten Zeitraum. Schalte um und sieh den Unterschied.
98 %Mit KI
Jeder Punkt steht für einen Prozentpunkt Prognosegenauigkeit bei den Top-Sellern. Werte nach Angaben von KAISER.
Weitere Anwendungen
Vom Entwurf bis ins Lager.
Die NOS-Prognose ist ein Beispiel aus der Zusammenarbeit mit KAISER. Weitere Anwendungen betreffen die Produktentwicklung und die Logistik.
Digitale Produktentwicklung
Stoffe und Materialien werden digitalisiert, neue Modelle entstehen als virtuelle Kleidungsstücke auf realitätsnahen Avataren, noch bevor es Muster gibt. Handelspartner sehen Kollektionen so schon früh im Verkaufsgespräch.
Lager und Personal
Die Belegung des Hängesorters passt sich KI-gestützt an kommende Sortieraufträge an. Prognosen der Arbeitsmengen helfen, Personal in Lager und Logistik vorausschauend einzuplanen.
Finance Data Model
In Entwicklung: eine zentrale Datenbasis aus ERP, DATEV, DocuWare sowie Bank- und Währungsdaten. KI-Agenten sollen Abweichungen einordnen und Szenarien für Controlling und Management vorbereiten.
Stimme aus dem Projekt
Viele KI-Projekte scheitern nicht in der Pilotphase, sondern am Montag danach.
„Deshalb bauen wir keine Piloten, sondern Lösungen. Die NOS-Prognose war von Anfang an für die tägliche Disposition gedacht, nicht als Testlauf.“
Ähnliche Ausgangslage bei euch?
Lass uns darüber sprechen, was bei euch der erste machbare Schritt ist.
