Der Online-Supermarkt Picnic, der regelmäßig im unternehmenseigenen Blog Einblicke in interne Abläufe gibt, hat seine KI-gestützte Nachfrageprognose grundlegend überarbeitet. Mit einer modularen Modellarchitektur kann das Unternehmen neue Prognoseverfahren innerhalb weniger Stunden testen. Zuvor dauerten entsprechende Auswertungen mehrere Wochen. Gleichzeitig verbessert das neue System nach Unternehmensangaben die Vorhersagegenauigkeit und reduziert den Rechenaufwand.
Die Prognosen bilden eine zentrale Grundlage für Picnics Logistikplanung. Sie bestimmen unter anderem, wie viele Fahrer eingesetzt, welche Lagerkapazitäten benötigt und wie viele Beschäftigte in den Fulfillment-Centern eingeplant werden. Der Planungshorizont reicht bis zu 14 Tage in die Zukunft.
Neues Prognosemodell ersetzt komplexe Architektur
Bislang nutzte Picnic einen sogenannten Temporal Fusion Transformer (TFT), der historische Nachfragedaten mit Informationen zu Wochentagen, Feiertagen und Logistikstandorten kombiniert.
Ein wesentliches Problem waren bereits bestätigte Kundenbestellungen. Sobald verfügbare Lieferfenster wegen ausgelasteter Kapazitäten geschlossen wurden, gingen keine weiteren Aufträge ein. Das bisherige Modell interpretierte dies teilweise als sinkende Nachfrage.
Dadurch unterschätzte die Prognose das tatsächliche Kundeninteresse. Zudem erschwerte die komplexe Modellstruktur rückwirkende Tests. Neue Ansätze mussten deshalb über mehrere Wochen parallel zum Produktivsystem überprüft werden.
Gewinnen in der Plattform-Ökonomie
Nachfrage trotz geschlossener Lieferfenster berechnen
Picnic entwickelte eine Methode, die den zeitlichen Verlauf eingehender Bestellungen getrennt vom eigentlichen Prognosemodell betrachtet.
Anhand historischer Bestellmuster wird ermittelt, welcher Anteil der erwarteten Aufträge zu einem bestimmten Zeitpunkt normalerweise bereits vorliegt. Dabei berücksichtigt das System unter anderem den jeweiligen Standort, Wochentag und Lieferzeitraum.
Ein ergänzendes Modell verbindet diese Erwartungswerte mit den tatsächlich eingegangenen Bestellungen. So lassen sich Prognosen laufend aktualisieren, ohne die verbleibende Nachfrage ausschließlich aus bisherigen Aufträgen abzuleiten.
Algorithmus berücksichtigt entgangene Bestellungen
Zusätzlich entwickelte Picnic ein Verfahren zur Rekonstruktion nicht realisierter Nachfrage. Denn bei ausgebuchten Lieferfenstern können Kunden entweder nicht bestellen oder auf andere Zeiträume ausweichen.
Mithilfe mathematischer Optimierung schätzt das System sowohl die entgangene Nachfrage als auch die Verlagerung von Bestellungen zwischen benachbarten Lieferfenstern.
Diese bereinigten Daten dienen anschließend als Trainingsgrundlage für die Prognosemodelle. Ziel ist es, den tatsächlichen Bedarf unabhängig von betrieblichen Kapazitätsgrenzen möglichst genau abzubilden.
Einfacheres KI-Modell liefert bessere Ergebnisse
Bei umfangreichen Rücktests stellte Picnic fest, dass wiederholtes Training desselben Modells zu unterschiedlichen Ergebnissen führen konnte. Einzelne vermeintliche Verbesserungen lagen innerhalb dieser natürlichen Schwankungen.
Zudem erwies sich das weniger komplexe Modell Time-Series Dense Encoder (TiDE) als ähnlich leistungsfähig wie der bisherige Transformer.
Picnic setzt deshalb auf fünf parallel trainierte TiDE-Modelle, deren Vorhersagen zusammengeführt werden. Dieser Ensemble-Ansatz erhöht die Stabilität und verkürzt die Trainingszeiten.
In Kombination mit den bereinigten Nachfragedaten verbesserte sich laut Picnic insbesondere die Prognosegenauigkeit für Zeiträume von mehr als einer Woche. Auch systematische Über- und Unterschätzungen wurden reduziert.
Neue Prognosen lassen sich innerhalb von Stunden testen
Der wichtigste Fortschritt liegt nach Unternehmensangaben in der schnelleren Weiterentwicklung. Dank der modularen Architektur können historische Abläufe vollständig simuliert und neue Modellvarianten innerhalb weniger Stunden bewertet werden.
Dabei berücksichtigt das System ausschließlich Informationen, die zum jeweiligen historischen Zeitpunkt tatsächlich verfügbar waren. Umfangreiche Auswertungen ermöglichen den Vergleich unterschiedlicher Modelle und ihrer Fehlerquoten.
Für Picnic bedeutet dies eine flexiblere Personal-, Transport- und Lagerplanung. Gleichzeitig lassen sich neue Verfahren schneller erproben und ihre Auswirkungen auf die Prognosequalität nachvollziehen.
Konkrete finanzielle Einsparungen oder Produktivitätskennzahlen nennt das Unternehmen nicht. Die technische Weiterentwicklung soll jedoch die Grundlage für weitere Verbesserungen der automatisierten Logistikplanung schaffen.
