Vom Dashboard zur Entscheidung: Vertriebsteams benötigen keinen weiteren Bericht

Als ich bei einem multinationalen Konsumgüterunternehmen an einem Projekt zur gemeinsamen Bestandsverwaltung mitarbeitete, hatte das Kundenservice-Team keinen Einblick in die Bestände seiner Wiederverkäufer. Das bestehende Dashboard zeigte lediglich an, wo es in der Vergangenheit zu Lieferengpässen gekommen war. Lieferengpässe und Überbestände wurden erst dann sichtbar, wenn eine Bestellung bereits verspätet war oder sich das Produkt bereits in großen Mengen angesammelt hatte – zu spät, um noch reagieren zu können.

Meine These: Ein Dashboard beschreibt die Vergangenheit, während der wirtschaftliche Nutzen aus Modellen resultiert, die das Problem vorhersagen und rechtzeitig Maßnahmen empfehlen, damit diese umgesetzt werden können.

Das Problem ging über einen Mangel an Sichtbarkeit hinaus. Das Vertriebsteam musste für jeden Wiederverkäufer und jede SKU zwei Fragen beantworten: Wird dieser Wiederverkäufer mehr Ware benötigen? Falls ja, wie viel kann ich ihm liefern? Für die erste Frage muss man wissen, wie viel Lagerbestand der Wiederverkäufer noch hat und wie viel er verkaufen wird. Die zweite Frage hängt von internen Einschränkungen ab: Kontingente, Lagerbestände in den einzelnen Versandwerken, Palettierung und der Produktionsplan. All diese Angaben täglich für jeden Wiederverkäufer und jede Artikelnummer manuell abzugleichen, ist nicht machbar.

Was wir geschaffen haben. Wir haben Sell-in-, Sell-out- und Wiederverkäufer-Bestandsdaten data integriert und ein Modell für maschinelles Lernen trainiert, das die Umsätze für die nächsten 30 Tage prognostiziert. Anhand dieser Prognose haben wir das voraussichtliche Datum des Lagerbestandsmangels für jede SKU berechnet. Anschließend haben wir dieses Datum mit den folgenden Einschränkungen abgeglichen: verfügbare Kontingente und Lagerbestände, Palettierung, Transportvorlaufzeit sowie bereits im Transit befindliche Bestellungen, damit die Warnmeldungen nicht veraltet sind. Das Ergebnis ist eine Bestellempfehlung für jeden Wiederverkäufer und jede SKU, die im Rahmen der realisierbaren Liefermöglichkeiten liegt, zusammen mit der Frist für die rechtzeitige Auftragserteilung. Wenn eine Bestellung nicht realisierbar ist, zeigt das Tool an, welche Einschränkung dies verhindert, sodass das Vertriebsteam bereits mit Kenntnis des Problems in das Gespräch einsteigt.

Power BI ist nach wie vor vorhanden, spielt jedoch eine andere Rolle. Es ist nicht mehr das Analysewerkzeug. Es dient als Schnittstelle zu den dahinterstehenden Analysen und zeigt Prognosen, Risikowarnungen sowie Empfehlungen für frühzeitige Maßnahmen an.

Das Ergebnis. Wir haben den Gewinn anhand der zusätzlichen Bruttoeinnahmen aus vermiedenen Lagerengpässen gemessen: Wenn ein prognostizierter Lagerengpass dem Wiederverkäufer mitgeteilt und die Bestellung rechtzeitig aufgegeben wird, schätzen wir das Volumen, das sonst verloren gegangen wäre, sowie dessen Umsatzwert. Im Jahr nach der Einführung beliefen sich die geschätzten zusätzlichen Einnahmen auf 5,09 Millionen brasilianische Real.

Was war am schwierigsten? Eine der größten Herausforderungen war nicht das Modell, sondern die data. Die Bestands- und Absatzdaten data hängen von den Wiederverkäufern ab und mussten in der erforderlichen Häufigkeit und im vorgeschriebenen Format vorliegen. Die Häufigkeit ist vertraglich festgelegt, doch die Einhaltung erforderte Nachverfolgung: Gemeinsam mit dem Geschäftsteam richteten wir einen Prozess ein, um diese Eingaben einzufordern. Außerdem haben wir gelernt, dass sich Kontingente und Lagerbestände im Laufe des Tages ändern, sodass die Auftragsanalyse am besten gleich morgens durchgeführt wird. Nach drei Monaten der Prozessoptimierung haben wir uns mit jedem Wiederverkäufer auf eine wöchentliche Routine geeinigt, wobei das Tool als Leitfaden diente.

Wo die allgemeine KI ergänzende Funktionen übernimmt. Die derzeitige Lösung funktioniert gut und stützt sich nicht auf Gen-KI, sondern ausschließlich auf traditionelle KI-Modelle wie maschinelles Lernen und Optimierer. Doch bereits heute könnten wir die Interpretations- und Interaktionsebene stärken: Erkenntnisse zu aufgetretenen Problemen aufzeigen, die Prioritäten des Tages in natürlicher Sprache zusammenfassen, Empfehlungen auf die Kanäle ausweiten, die Vertriebsteams am häufigsten nutzen, erläutern, welche Einschränkung eine Bestellung blockiert, und die Nachricht an den Wiederverkäufer entwerfen. Dies stellt eine Verbesserung der Benutzerfreundlichkeit sowie der Unterstützung bei der Interpretation und Umsetzung von Erkenntnissen dar, die auf einer Lösung aufbaut, die bereits bewährte Ergebnisse liefert.

Kurz gesagt:

So setzen Sie dies in die Praxis um: Führen Sie die wichtigsten wiederkehrenden Entscheidungen in Ihrem Geschäftsbereich auf, die derzeit davon abhängen, dass jemand ein Dashboard überprüft (Nachschub, Kreditvergabe, Vermögensallokation, Werbeaktionen). Wählen Sie dabei jene Entscheidung aus, für die ein Verantwortlicher feststeht, für die regelmäßig data vorliegen und bei der sich ein Verlust in Geldbeträgen beziffern lässt. Da Sie nun über ein klar definiertes, lösbares Problem verfügen, können wir gemeinsam an einem Modell arbeiten, das diese Entscheidung vorwegnimmt oder optimiert, anstatt einfach nur ein weiteres Dashboard darauf aufzubauen.