Bedarfsplanung im Handel – this is what you really need.

Dieser DMS Talk zum Nachlesen

DMS Talk – Bedarfsplanung im Handel mit KI

Oliver Nitz (CMO, Digitale Mediensysteme):
Hallo und herzlich willkommen zum DMS Talk Nummer 7. Es ist tatsächlich schon der siebte – unglaublich, wie die Zeit vergeht.
Herzlich willkommen! Ich bin Oliver Nitz von der Digitale Mediensysteme GmbH. Wir sind seit 19 Jahren im Retail‑Bereich tätig und arbeiten eng mit Handelsunternehmen, Banken, Konzernen und Filialisten zusammen – und erweitern deren Flächen mit digitalen Technologien: allen voran Digital Signage, Instore Radio, Frequenzmessung und weitere Themen.
Wir machen Digitales mit Sinn.

Sie können heute im Chat mitdiskutieren: Bitte zuerst Ihren Namen eingeben, dann Ihre Frage.
Alle sind auf stumm geschaltet; mitreden also bitte per Chat. Wir gehen gerne auf Ihre Fragen ein.
Der Talk wird aufgezeichnet und im Nachgang online gestellt, damit ihn auch Personen ansehen können, die heute Abend keine Zeit haben. Den Link zur Aufzeichnung schicke ich anschließend per E‑Mail an alle – gerne weiterleiten.

Thema heute: Bedarfsplanung – und auch Bedarfsoptimierung.
Begrüßen Sie mit mir Erik Weisz, der gerade vor zwei Minuten hereingerauscht ist – CEO und Gründer der Circly GmbH. Er stellt sich und das Unternehmen gleich vor. Die Firma wurde mehrfach ausgezeichnet, u. a. von CASH, dem Handelsblatt und weiteren Rankings – die Liste ist lang. Also: Irgendetwas muss er richtig machen.
Wir lernen heute von ihm, wie Bedarfsplanung z. B. bei Nah&Frisch und anderen Marken funktioniert.

Oliver: Hallo, Erik!
Erik Weisz: Hallo, grüß dich.

Oliver: Erzähl mal – was macht ihr da?

Erik WeWeisziß (Circly GmbH):
Kurz gesagt: Wir nutzen Künstliche Intelligenz, um Bedarfsmengen zu prognostizieren – also wann ich welches Produkt in welcher Anzahl brauche, z. B. im Einzelhandel am Regal.
Bevor wir am Markt waren, war das in der Praxis oft komplex: Bedarfsplanungstools gibt es seit Jahren, viele arbeiteten aber noch mit Excel‑Tabellen, Mittelwerten oder Regressionsanalysen – also relativ einfachen Gleichungen, die Zusammenhänge nur begrenzt erklären. Akkurat war das selten.

Ich bin Serienunternehmer. Schon im ersten Unternehmen haben wir gelernt: Selbstständige Kaufleute und Gastronom:innen tun sich mit Planung schwer – und wenn, dann oft in Excel. Spätestens während der Pandemie hat man es gemerkt: Denken Sie an den Run auf Toilettenpapier. Man sah, wie irrational Nachfrage sein kann. Mit besserer Planung hätte man ab dem zweiten, spätestens dritten Lockdown sehr viel genauer steuern können – das haben wir getan.

Oliver: Womit – und wie genau?

Erik:
Man braucht 2–3 Jahre Absatzdaten und die Stammdaten dazu (Produktinfos), um die Historie referenzieren zu können. Zusätzlich annotieren wir die Daten – z. B. Lockdown‑Zeiträume –, sodass ein „Datensandwich“ entsteht:

• Interne Daten (Absatz, Artikelstamm)
• plus exogene Features wie Wetter, Zahltage, Inflation, Aktionen (eigene & fremde), ggf. spezielle Faktoren (bei einem Drogeriehändler z. B. Geburtenraten).

So konnten wir im dritten Lockdown Muster aus den beiden vorherigen erkennen und prognostizieren – und Händler frühzeitig warnen: „Hier passiert etwas – erhöhe die Bestände.“

Oliver: Wie viel genauer ist das?

Erik:
Über alle Kunden hinweg lagen wir zuletzt (Auswertung über neun Monate, alle Warengruppen) bei knapp unter 90 % Prognosegenauigkeit.
Zur Einordnung: Viele Kaufleute, die mit Mittelwerten arbeiten, erreichen ca. 60–65 %.
Natürlich gibt es Schnelldreher (sehr genau) und Langsamdreher (z. B. weiße Schuhcreme) mit wenig Datenpunkten – dort setzen wir andere Modelle ein.

Ein Beispiel: Wir arbeiten mit dem Großhändler KASTNER und 156 Nah&Frisch‑Standorten. Viele Kaufleute planten früher aus dem Bauch; die Top 15–20 % schauten auf Vorjahre und zogen Mittelwerte. Aber Ostern ist nicht jedes Jahr gleich. Wir binden unsere Modelle direkt in die IT‑Infrastruktur ein – die Kaufleute scannen den EAN‑Code am mobilen Gerät und sehen sofort Absatzempfehlungen.

Wichtig: Mehr Features sind nicht automatisch besser. Wir lassen bis zu 15 Faktoren rechnen, aber das System gewichtet und nutzt am Ende die wichtigsten ~5 – der Rest kommt raus. So vermeiden wir Fehlerfortpflanzung.

Oliver: Warum Circly – und nicht die „Großen“?

Erik:
Viele Standard‑„AutoML“-Angebote klingen gut, liefern aber am Ende oft gerade Linien (Mittelwerte) – zu grob für die Produktion/Disposition.
Die großen „Tier‑1“-Suiten sind sehr gut, aber teuer, projektlastig und ressourcenintensiv (Schulungen, eigenes Team).
Wir sind auf Produktion & Handel spezialisiert und haben zehn Basismodelle – je nach Horizont (kurzfristige Peaks bis langfristige Trends) und Datenlage (wenig vs. viel). Für Bananen passt ein anderes Netz als für weiße Schuhcreme.
Wir sind schnell angebunden (der schnellste Kunde in 8 Stunden, langsamste in 2,5 Tagen) und liegen preislich bei rund 30 % dessen, was große Wettbewerber aufrufen.

Oliver: Wie bist du dazu gekommen?

Erik:
Über einen Hackathon. Ich bin Wirtschaftsjurist, suchte eigentlich einen Entwickler – und diskutierte dort über gesellschaftsrelevante KI‑Anwendungen. Aus der Gastronomie kannte ich das Planungsproblem.
Dort lernte ich meinen heutigen Mitgründer kennen. Der erste Pilotkunde war die Österreichische Post (Personal‑/Paketplanung). Von zwei Modellen ausgehend sind es heute zehn – alles auf Open‑Source‑Forschung aufbauend, aber eigen entwickelt und auf Demand Forecasting spezialisiert.

Unsere Daten laufen – wenn möglich – in Österreich (Server‑Housing, grüne Energie), mit Failover nach Deutschland/Helsinki. Wir nutzen keine US‑Hyperscaler, außer ein Kunde verlangt es explizit. Datenschutz ist ein zentraler Punkt.

Oliver: Auf eurer Website lese ich −25 % Retouren, > 90 % Genauigkeit, −80 % Lagerbestand (gebundenes Kapital). Stimmt das?

Erik:
Ja, das sind reale Kundenresultate (branchen- und sortimentsabhängig). In einem Case haben wir hochgerechnet ~90 t CO₂ eingespart – durch weniger Abschriften, weniger Überproduktion und optimierte Bestände.

Oliver: Was passiert, wenn ich zwei Filialen habe und euch anrufe?

Erik:
Erst ein kurzer Check (Daten vorhanden? Einzel‑/Großhandel? Systeme?). Wenn es passt, Termin, Datenliste (Spalten), Erstdaten als CSV/Export oder via API.
Wir laden, trainieren und liefern erste Prognosen – Rückweg in dein System oder als Export. Nächtliche Läufe aktualisieren die Vorschläge. Die meisten sehen innerhalb einer Woche verwertbare Ergebnisse.

Oliver: Und Daten teilen zwischen Nah&Frisch‑Standorten?

Erik:
Nein – keine Datenweitergabe zwischen Kunden oder Filialen. Modelle können metalevel voneinander lernen (z. B. Modellgewichtung), aber Rohdaten bleiben strikt getrennt.

Oliver: Sensorik im Regal, Amazon Go etc. – ist das die Zukunft?

Erik:
Nicht kurzfristig. Die Rechenkosten sind hoch, Margen niedrig – viele Go‑Shops wurden wieder geschlossen. Sinnvoller ist derzeit ein „halbgeschlossenes“ Warenwirtschaftssystem: Großhandels‑ vs. Einzelhandelsabgänge, dynamischer Sicherheitsbestand (Wiederbeschaffungszeit), Cash‑Flow‑Optimierung statt Vollsensorik.
Spannend sind Preis‑Elastizitäten und dynamisches Pricing über Electronic Shelf Labels – mit Ziel Abschriften runter, Marge rauf, Waste runter.

Oliver: Klingt nach Digital Signage am PoS: zeit- und rabattgerecht anzeigen?

Erik:
Genau. Wenn wir sehen, dass Produkt X hinter Plan ist, lassen sich kampagnengetrieben am Eingang oder am Regal Hinweise ausspielen – verknüpft mit Forecasts. Das ist effizienter als pauschale 50 %-Sticker kurz vor Ladenschluss.

Oliver: Super. Ich schaue kurz in den Chat … keine neuen Fragen.
Dann: Danke für das kurzweilige Gespräch, Erik – und fürs „Hereinrauschen“ eine Minute vor Start.
Danke an alle fürs Zuschauen und Zuhören!