Wie Handelsunternehmen gegen Lebensmittelverschwendung vorgehen und selbst profitieren
von Julia Pott (exklusiv für EuroShop.mag)
„Ich denke, die Probleme sind bei vielen Händlern die gleichen: zu hohe Abschriften, eine Verderbquote [bei Lebensmitteln] oder Aktionsware in den falschen Mengen an den falschen Orten.“ Frank Theobald von retailsolutions fasst in unserem retail salsa-Webtalk zu Predictive Analytics präzise zusammen, wo es im Handel zu unverkauften Überschüssen kommt, die oft entsorgt werden müssen. Doch technologische Lösungen können helfen, die Verschwendung von Gütern deutlich zu verringern.
Dieses Verschwendungsproblem kann in vielen Handelssektoren auftreten, besonders relevant ist es bei den Schnelldreherwarengruppen, beispielsweise im Lebensmitteleinzelhandel, in Drogerien, im Textilhandel oder in Warenhäusern.
Das Bewusstsein, dass massenhafte Abschriften und Lebensmittelabfälle die Umwelt belasten, wird immer größer und der Druck, dagegen vorzugehen, steigt. Und schließlich ist die Vermeidung von Überschüssen nicht nur ein Nachhaltigkeitsthema, bei dem Ressourcen geschont und Abfälle vermieden werden. Händlerinnen und Händler profitieren von möglichst passenden Beschaffungsmengen, so werden Lieferketten, Lagerkapazitäten und Mitarbeitende entlastet.
Predictive Analytics: Wissen, wann was wo gefragt ist
Der Wareneinkauf ist für Händlerinnen und Händler – nicht zuletzt mit zunehmender Größe und Warenvielfalt – eine hochkomplexe Angelegenheit. Je näher sie mit Bedarfsvorhersagen der tatsächlichen Nachfrage kommen, desto weniger Überschuss fällt an. So rät auch Martin Mendelin von Coop als Speaker des Predictive Analytics-Webtalks: „In einer sich so schnell verändernden Welt sollten wir aufhören nur auf unser Bauchgefühl und Fachwissen zu hören und zusätzlich Fakten und systemgetriebene Unterstützung nutzen.“
© SPAR-Johannes Brunnbauer
Die Analysefähigkeit von künstlicher Intelligenz hat große Fortschritte gemacht, sie erkennt Muster in den Daten, wo selbst erfahrene Mitarbeitende an ihre Grenzen stoßen. Hinzu kommt, dass sie externe Informationsquellen miteinbeziehen kann wie Wetterdaten oder lokale und zeitliche Gegebenheiten (beispielsweise eine Baustelle vor der Filiale). Außerdem wird mit zusätzlichen Verkaufskanälen wie Filialnetzen, Onlineshops, Marktplätzen, Social-Media-Plattformen und Services wie „Ship from Store“ die Datenlage immer komplexer. Wenn die Software aus all diesen Informationen intelligente Schlüsse auf den Bedarf der Zukunft zieht, können Bestellmengen entsprechend angepasst werden.
„Ich sehe viele Vorteile beim Einsatz von Predictive Analytics. Wichtige Punkte sind hier Kosteneinsparungen und auch Prozessoptimierung. Aus diesen ergibt sich eine Win-Win-Situation für Handelsunternehmen und Kundschaft“, so Theobald. Das Verbesserungspotenzial beim Einsatz der entsprechenden Tools sei sehr hoch, ebenso wie der Return on Invest, fügt er hinzu.
Um bestmögliche Ergebnisse zu erhalten, müssen allerdings Grundlagen geschaffen werden, räumt Mendelin ein: „Ich denke, es ist nötig, im Bereich der Datenqualität viel Arbeit zu investieren.“
Einsatz im Lebensmittelhandel, um Lebensmittelverschwendung zu minimieren
In einem Beitrag des Retail Technology Innovation Hubs wird der Mitbegründer von Freshflow Avik Mukhija zur Situation im Lebensmittelhandel so zitiert: „Für die meisten Lebensmittelhändler ist es eine unglaubliche Herausforderung, die richtige Entscheidung über die Bestellmengen für Frischwaren zu treffen, vor allem, wenn sie sich auf ihr Bauchgefühl, bisherige Erfahrungen und mühsame Methoden mit Stift und Papier verlassen.“ Das Berliner Start-up, 2021 gegründet, setzt auf Machine Learning, um die Nachbestellung frischer Lebensmittel zu optimieren.
Sobald Verbraucher erfahren, dass in den USA jedes Jahr 43 Milliarden Pfund Lebensmittelabfälle in Lebensmittelgeschäften anfallen, würden 72 Prozent von ihnen in einem Geschäft einkaufen, das sich für die Reduzierung von Lebensmittelabfällen einsetzt, laut Daten von Afresh. // © Afresh
Im August gab Afresh Technologies in einer Pressemitteilung bekannt, dass die amerikanische Supermarktkette Cub nach einem erfolgreichen Pilottest die Technologie von Afresh nutzen werde, um die Produktfrische zu maximieren und Verluste bei frischen Waren zu reduzieren. „Afresh hat uns geholfen, […] bessere und frischere Produkte an unsere Kunden zu liefern, und unterstützt uns gleichzeitig dabei, Abfall zu reduzieren und unseren ökologischen Fußabdruck zu verkleinern,“ erklärt der CEO von CUB, Mike Stigers. Der CIO Luke Anderson ergänzt, dass sich CUB von der Lösung auch Effizienz in der gesamten Lieferkette erhofft. Auch Afresh ist Anbieter einer Machine-Learning-Plattform, die hilft, verderbliche Bestände zu kontrollieren und Verluste zu minimieren.
Auch die Handelskette Spar setzt laut einer aktuellen Meldung zukünftig für ihre Spar-, Eurospar- und Interspar-Standorte auf KI- und Cloud-Lösungen, um Lebensmittelverderb zu bekämpfen. „Mittels künstlicher Intelligenz analysiert eine neue IT-Lösung von SPAR ICS Daten über Verkaufsmengen, Wetterbedingungen, Sonderangebote, Marketingaktionen, Saisonalität und andere Faktoren und erstellt somit eine präzise Vorhersage der optimalen Menge pro Filiale,“ heißt es in einer Pressemitteilung. Dabei liefere die Technologie eine Genauigkeit der Vorhersage von über 90 Prozent. Markus Kaser, SPAR-Vorstand für IT, Einkauf, Marketing und CSR, freut sich, dass dabei die Bedürfnisse der Kundinnen und Kunden erfüllt würden, während Spar gleichzeitig Ressourcen sparen könne. Dabei ersetze die KI keine Mitarbeitenden, sondern unterstütze sie bei ihrer herausfordernden täglichen Arbeit.
Wenn Analyse- und Prognosetools also klug und erfolgreich eingesetzt und mit wertvollen Daten gefüttert werden, scheinen sie ein Gewinn für viele sein zu können: für die Handelsunternehmen, die Mitarbeitenden und die Kundinnen und Kunden – und nicht zuletzt unsere Erde.
