Die Herausforderung der Warenauffüllung in Retail-Stores meistern

In diesem Longread beschreiben wir zunächst kurz bestehende Methoden zur Auffüllung fehlender Artikel und zur Reduzierung von NOSBOS. Anschließend betrachten wir drei anspruchsvollere Methoden, mit denen sich sicherstellen lässt, dass Bestand nicht im Back of House liegen bleibt, sondern tatsächlich auf der Verkaufsfläche verfügbar ist.

Traditionelle Auffüllmethoden

Manuelle oder visuelle Kontrollen

Bei der ersten Methode geht ein Store-Mitarbeiter mit Papier und Stift durch den Store, notiert, welche Produktgrößen auf der Verkaufsfläche fehlen, und holt diese anschließend aus dem Lagerraum.

POS-Transaktionen

Die zweite Methode basiert auf Verkaufstransaktionen. In regelmäßigen Abständen wird eine Liste aller POS-Transaktionen ausgedruckt, und die verkauften Artikel können aus dem Lagerraum nachgefüllt werden. Beide Methoden sind jedoch sehr zeitaufwendig und fehleranfällig. Die erste Methode verlangt vom Store-Team hohe Genauigkeit beim Erkennen, welche Größen nicht oder nicht mehr auf der Verkaufsfläche liegen. Das ist selbst für erfahrene und disziplinierte Teams eine anspruchsvolle Aufgabe. Außerdem gibt es nach Abschluss der Liste keine Garantie, dass die fehlende Größe tatsächlich im Lagerraum verfügbar ist. Der Artikel kann ausverkauft sein, wodurch der gesamte Auffüllprozess ineffizient und für das Store-Team wenig zufriedenstellend wird.

Die zweite Methode auf Basis von POS-Transaktionen berücksichtigt keine Auffüllungen, die im Laufe des Tages bereits stattgefunden haben, etwa wenn ein Artikel manuell aus dem Lagerraum nachgelegt wurde. Außerdem werden Artikel, die den Store auf anderem Weg als über den POS verlassen, zum Beispiel durch Diebstahl, nie nachgefüllt. Wie bei der ersten Methode werden auch Artikel, die im Lagerraum ausverkauft sind, nicht berücksichtigt. Das führt zu Ineffizienzen, wenn Store-Mitarbeiter nach fehlenden Artikeln suchen. Aufgrund dieser Schwächen und neuer technologischer Entwicklungen werden traditionelle Methoden zunehmend durch anspruchsvollere Auffüllmethoden ersetzt. Doch was sind die Vor- und Nachteile dieser neuen Methoden?

Neue Auffüllmethoden

Vollständige Differenzliste: Verkaufsfläche vs. Lagerraum

Mit RFID ist es möglich, zwischen Bestand auf der Verkaufsfläche und Bestand im Lagerraum zu unterscheiden. Auf Basis der RFID-Zählung je Teilbereich können Retailer einfach eine vollständige Liste erstellen und mit dem Auffüllen beginnen. Leider ist die Realität deutlich komplexer. Warum? Grundsätzlich kann es viele Gründe geben, warum ein Artikel nicht auf der Verkaufsfläche liegt oder dort nicht präsentiert werden sollte, zum Beispiel:

• Exklusivität: Nur ausgewählte Größen werden präsentiert.
• Platz: Aufgrund begrenzter Fläche werden nur wenige Artikel gezeigt.
• Unvollständiger Größenlauf: Die Größenreihe ist nicht mehr vollständig.
• Neue Kollektion: Das Produkt befindet sich bereits im Lagerraum, soll aber noch nicht präsentiert werden.
• Alte Kollektion: Das Produkt liegt noch im Lagerraum und wartet auf den Versand ins Zentrallager oder Outlet.

Dieser naive Ansatz, bei dem jedes Produkt, das laut RFID-Zählung im Lagerraum vorhanden ist und auf der Verkaufsfläche fehlt, automatisch nachgefüllt werden soll, ist daher ebenfalls problematisch. Nach jeder RFID-Zählung entsteht eine lange Liste irrelevanter Ergebnisse, Woche für Woche. Dadurch wird die Methode sehr ineffizient, weil Store-Mitarbeiter viel Zeit darauf verwenden müssen, relevante von irrelevanten Ergebnissen zu unterscheiden.

Ein Planogramm erstellen

Um das oben beschriebene Problem zu umgehen, können Retailer ein Planogramm nutzen, das jedem Artikel eine vordefinierte Position auf einem bestimmten Regal zuweist. Store-Mitarbeiter müssten dann nur noch das Planogramm nehmen und die fehlenden Plätze auffüllen. Was zunächst logisch klingt, ist in der Praxis eine große Herausforderung.

Die größte Herausforderung besteht darin, dass ein Planogramm per Definition von Store zu Store unterschiedlich ist. Größere Stores führen mehr Varianten als kleinere Stores, und selbst innerhalb dieser Kategorien kann es Unterschiede geben. Verschiedene Länder führen unterschiedliche Produkte und präsentieren unterschiedliche Größen, um regionale Unterschiede bei Kundengrößen abzudecken.

Hinzu kommt, dass sich dies im Laufe der Zeit ändert: von Woche zu Woche oder sogar von Tag zu Tag, abhängig vom Wetter. Selbst wenn es gelänge, für jeden Store ein Planogramm festzulegen, würde es mit der Zeit veralten, weil Fashion stark vom richtigen Zeitpunkt abhängt.

Kurz gesagt: Ein so flexibles Planogramm aktuell zu halten, ist extrem schwierig. Der Aufwand, ein brauchbares Planogramm für unterschiedliche Store-Formate zu pflegen, übersteigt die Vorteile, die es für die Auffüllung bieten kann.

Algorithmen und Machine Learning einsetzen

Algorithmen und Machine Learning haben in den letzten Jahren stark an Bedeutung gewonnen. Der Hauptgrund ist, dass Machine Learning sehr leistungsfähig darin ist, Vorhersagen zu treffen oder Vorschläge aus großen Datenmengen abzuleiten. Bekannte Beispiele sind Netflix-Algorithmen, die Filme auf Basis bisheriger Inhalte empfehlen, oder Amazon-Algorithmen, die Bücher auf Basis früherer Käufe vorschlagen.

Doch wie lässt sich Machine Learning nutzen, um eine Auffülllösung für Retail-Stores zu entwickeln? Auf Basis aktueller und historischer Bestandsniveaus können Algorithmen lernen, welche Produkt- und Größenkombinationen auf der Verkaufsfläche besonders wichtig sind und welche dort nicht liegen sollten. Mit diesen Erkenntnissen lässt sich für jeden Store eine Prioritätenliste erstellen, die mit RFID-Daten aus Lagerraum und Verkaufsfläche abgeglichen werden kann. Die Ergebnisse werden anschließend als priorisierte Liste von Auffüllvorschlägen angezeigt.

Mit Algorithmen und Machine Learning wird Auffüllung damit zu einem deutlich schnelleren und wirksameren Prozess. Das Store-Team kann darauf vertrauen, dass die Artikel auf der Vorschlagsliste a) im Lagerraum verfügbar sind und b) wahrscheinlich auf die Verkaufsfläche gehören. Obwohl diese Methode Effizienz und Wirkung verbessern kann, bleibt eine menschliche Prüfung wichtig, da Maschinen niemals alle Ausnahmen berücksichtigen können.

Ansatz und Ergebnisse

Auf Basis dieses Konzepts zur Anwendung von Machine Learning haben wir eine Auffüllfunktion entwickelt, die vollständig in die iD Cloud App integriert ist. Diese App wird auch für alle anderen RFID-Aufgaben im Store genutzt, etwa für Zählungen und das Programmieren neuer Tags.

Direkt nach der RFID-Zählung je Teilbereich zeigt iD Cloud eine Liste mit Auffüllvorschlägen, die das Store-Team für seine Entscheidungen nutzen kann. Mitarbeiter haben damit eine zentrale Ansicht, die den aktuellen Status von Verkaufsfläche und Lagerraum zeigt. Um den Prozess noch klarer zu machen, werden auch Produktbilder angezeigt, sodass selbst neue Mitarbeiter Auffüllungen effektiv durchführen können.

Diese Methode wurde mit mehreren Apparel-Retailern in einer signifikanten Anzahl von Stores getestet. Auf Basis dieser Studie wurden folgende Ergebnisse erzielt:

1. Die On-Shelf Availability für drei zentrale Größen verbesserte sich im Durchschnitt innerhalb weniger Wochen von 88 % auf über 98 %.
2. Mitarbeiter verbrachten 55 % weniger Zeit mit Auffüllung, weil sie genau wissen, was nachgefüllt werden kann, und weil die Artikel auf der Liste garantiert im Bestand verfügbar sind.

Diese Ergebnisse zeigen, dass die Liste mit Auffüllvorschlägen ein äußerst wertvolles Tool ist, mit dem Store-Teams die Produktverfügbarkeit auf der Verkaufsfläche für ihre Kunden sicherstellen können. Daraus ergeben sich qualitative und quantitative Vorteile wie:

1. Es ist nachgewiesen, dass eine höhere On-Shelf Availability den Umsatz steigert.
2. Durch das Entfernen mühsamer manueller Arbeit ist das Store-Team zufriedener und hat mehr Zeit für Kunden.

Fazit

Perfekt gefüllte Regale gehören zu den größten Herausforderungen in Retail-Stores, weil es schwierig sein kann, die richtigen Artikel nachzufüllen. In diesem Whitepaper haben wir verschiedene Methoden betrachtet und festgestellt, dass Auffüllung auf Basis visueller Kontrollen, POS-Transaktionen und Planogrammen zu Ineffizienzen und suboptimalen Ergebnissen führt.

Von RFID-basierter Auffüllung würde man deutlich bessere Ergebnisse erwarten, doch eine vollständige Liste aller Unterschiede zwischen Verkaufsfläche und Lagerraum sieht nur auf den ersten Blick ideal aus. In der Praxis führt auch diese naive Methode zu einem ineffizienten Auffüllprozess, weil sehr lange Listen mit vielen irrelevanten Ergebnissen entstehen.

RFID-Zählungen in Kombination mit Algorithmen und Machine Learning liefern hier deutlich aussagekräftigere Ergebnisse. Natürlich bleibt immer ein menschlicher Faktor. Am Ende müssen Store-Mitarbeiter die Auffüllung tatsächlich durchführen. Erste Ergebnisse zeigen jedoch, dass die Arbeit mit einer priorisierten Liste von Auffüllvorschlägen vielversprechend ist: Der Prozess ist schneller, die On-Shelf Availability verbessert sich, und durch die bessere Verfügbarkeit kann sogar zusätzlicher Umsatz entstehen.